本技术公开了一种基于联邦学习的家庭住宅用电量预测方法、介质及设备。针对多终端环境中不同数据特性导致的知识混淆问题,本发明提出了一种融合奇异谱分析与联邦学习的家庭住宅用电量预测方法,是首个在联邦学习框架下同时解决能耗预测精度和数据隐私问题的方法,能够安全有效地预测住宅能耗数据的各种分布。本发明通过使用奇异谱分析技术从住宅能耗数据中提取层次特征,使得预测模型可以更好地理解和区分各个终端的数据特性,提高跨终端的学习效果和预测准确性。同时,本发明采用双向长短期记忆神经网络进行数据局部处理,只将处理后的模型参数或学习结果共享到中央服务器,避免了数据与全局模型的直接交互,降低了训练时间和隐私泄露的风险。
背景技术
随着新能源发电的可行性和竞争力不断增强,通过准确预测能源消耗(EnergyConsumption Forecasting,ECF),加强电力调节和资源配置能力,促进向绿色低碳能源的过渡,已经成为未来发展的必然趋势。住宅用电作为总电力需求的重要组成部分,其准确预测对于平衡整个电网、实现碳峰值和碳中和目标至关重要。然而,住宅用电模式极其复杂,具有强烈的波动性、不可预测的突然变化和高度的不确定性。传统的能耗预测解决方案通常依赖于历史观测数据,通过滑动窗口构建结构化的输入输出对,以预测下一个时间周期的能耗信息。滑动窗口以时间步长为切分单位,将原始数据划分为补丁,允许模型在补丁上而不是整个数据集上进行训练,这个过程有助于在时间维度中捕获更细粒度的特征。
尽管理论上传统模型可以高效处理能耗预测问题,但这些方法在实际应用中面临着许多挑战,尤其是在数据隐私保护和异质性数据处理方面。
在不同电力供应商和能源公司之间共享数据过程中,保护个人隐私成为一项重要任务。这些能源消耗数据可能暴露家庭入住率、睡眠习惯和饮食习惯等私人信息。实际应用中,研究人员通常利用联邦学习(Federated Learning,FL)来遵守隐私保护约束,但这种多终端学习过程往往削弱了模型的学习能力。此外,不同设备和用户之间存在多样化的用电行为,数据的异质性也持续威胁着模型的鲁棒性。
因此,降低数据隐私保护对预测模型学习能力的约束,提高模型在捕获原始数据中的不同固有模式和结构上的精确度,成为亟待解决的问题。在保护用户隐私的同时,平衡预测精度和高效计算是未来研究的重点方向。
实现思路