考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965049A(43)申请公布日2023.04.14(21)申请号202211732232.7G06Q10/04(2023.01)(22)申请日2022.12.30(71)申请人国网江苏省电力有限公司盐城供电分公司地址224000江苏省盐城市解放南路189号(72)发明人甘海庆任禹丞杨子跃马灵涓朱亚红(74)专利代理机构南京德吉成专利代理事务所(普通合伙)32665专利代理师马良涛(51)Int.Cl.G06N3/0442(2023.01)G06N3/09(2023.01)G06N20/20(2019.01)G06F21/62(2013.01)权利要求书3页说明书7页附图2页(54)发明名称考虑用户隐私的基于AdaptiveLasso-LSTM的楼宇群能耗短期预测方法(57)摘要本发明公开考虑用户隐私的基于AdaptiveLasso‑LSTM的楼宇群能耗短期预测方法。该方法包括：考虑影响园区楼宇群能耗的多维变量，包括每栋楼宇的节假日、季节效应、气候、历史能耗数据等因素；对每栋楼宇数据进行预处理，并采用自适应最小绝对值收敛和选择算子AdaptiveLasso方法进行变量筛选，筛选出对能耗影响较大的m个因子，降低模型的复杂度；构建基于长短期记忆LSTM网络的短期能耗预测模型，上传至服务器端，作为服务器端初始参数，下发至每栋楼宇进行本地LSTM能耗预测；通过RMSProp对模型参数进行迭代修正，上传每栋楼宇模型参数权重，并在服务器进行聚合，下发新的模型参数，重复上述过程直到训练结束，最终实现各楼宇在保证其数据隐私的情况下的短期能耗预测。CN115965049ACN115965049A权利要求书1/3页1.考虑用户隐私的基于AdaptiveLasso‑LSTM的楼宇群能耗短期预测方法，其特征在于，所述方法的具体步骤如下：T步骤一：对于每一栋楼宇bi，获取由平台提供的节假日、天气等因子[xi1xi2…xin]，以及对应的历史能耗数据[yi1yi2…yih]；步骤二：对于每一栋楼宇bi，根据步骤一获得的大量外部数据与历史数据，进行数据缺失值填补、异常值处理、归一化等预处理；通过AdaptiveLasso方法，构造一个惩罚函数使惩罚函数最小化；随着惩罚函数的系数λ的增大，变量的系数逐渐被压缩为0，从而获得与能耗关联度高的m个变量；步骤三：对于每一栋楼宇bi，根据步骤二的AdaptiveLasso得到的变量，作为LSTM的输入，设置LSTM网络参数；步骤四：B＝{b1,b2,…,bn}表示所有参与协同训练的楼宇运营商的集合，随机选取一栋楼宇bi，利用LSTM网络的短期能耗预测，并将模型参数上传至服务器，作为所有楼宇的初始模型参数；步骤五：本地端接收下发的模型，用该模型参数结合RMSProp算法训练模型更新自身模型参数，将已训练的模型上传至服务器端，传输权重参数，服务器进行模型聚合，服务器下发更新的模型参数；步骤六：重复步骤五，直到训练结束。2.根据权利要求1所述的考虑用户隐私的基于AdaptiveLasso‑LSTM的楼宇群能耗短期预测方法，其特征在于，通过AdaptiveLasso算法，能够进行输入特征选择与降维，包括日期、温度、风速、光照等；数据预处理：T对于每一栋楼宇bi，获取由平台提供的节假日、天气等因子[xi1xi2…xin]，以及对应的历史能耗数据[yi1yi2…yih]；首先需要进行缺失值填补、异常值处理；其次，由于能耗数量级较高，与温度、日期等特征数量级差距较大，且不同楼宇能耗数据存在较大差异，将所有数据归一化在[0,1]之间：AdaptiveLasso变量选择过程：β0是回归，xij是自变量，n是自变量个数，ωj为权重；λ≥0，为惩罚函数系数；算法会自动得到一个最优的λ值，在模型迭代训练的过程中，一些影响因子的回归系数会逐渐缩小并趋于零，此时可以将这些趋于0的变量剔除，从而得到关联度的影响因子作为预测模型的输入变量。3.根据权利要求1所述的考虑用户隐私的基于AdaptiveLasso‑LSTM的楼宇群能耗短2CN115965049A权利要求书2/3页期预测方法，其特征在于，通过LSTM预测，得出能够使精度提高的能耗预测值，其具体流程如下：LSTM模型：LSTM神经网络是在循环神经网络的基础上发展而来，LSTM单元在t时刻的输入门it，遗忘门ft，输出门ot和细胞状态更新用下面的等式表示：it＝σ(Wi,xxt+Wi,hht‑1+bi)ft＝σ(Wf,xxt+Wf,hht‑1+bf)ot＝σ(Wo,txt+Wo,hht‑1+bo)式中，Wi,x，Wi,h，Wf,x，Wf,h，Wo,x，Wo.h，为权重矩阵，bi，bf，bo，为对应的偏置，xt为当前时刻输入，