[发明专利]一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统

权利要求书

1.一种基于联邦学习的楼宇空间单元冷负荷预测方法，其特征在于，包括：

S1：获取楼宇不同区位与预测楼宇空间单元冷负荷相关的数据；

S2：根据S1获取的数据，通过分布在不同区位的神经网络模型分别训练出对应区位的楼宇空间单元冷负荷预测模型权重并计算出对应区位空调负荷预测值与对应区位单位空调负荷预测值；

S3：获取有聚合价值的区位的模型权重、空调负荷预测值和单位空调负荷预测值，判断并归类不同区位的模型，将归为一类的模型利用横向联邦学习方法聚合权值；所述有聚合价值的区位的判断方法为：

当计算出的部署在不同区位的神经网络模型的权值更新值满足以下公式时，则认为有聚合价值：

其中，w^t为区位第t次迭代更新的权值，为区位第t次迭代更新的权值梯度，m_h为用来拟合的历史权值的个数，m_h取值大于5，m为区位总数量，α为学习率，α取(0,1]之间一常数；

所述的不同区位的模型判断与归类方法包含以下步骤：

先将来自不同区位的权值的历史值按照时序进行排列：

其中，为第j个区位的第t次迭代的权值向量，h为用来判别关联性的历史权值的个数，h取值大于10；

随后将权值归一化：

进而针对被比较区位网络权重产生求差序列：

其中为被比较区位o的归一化权值向量；

最后判断与被比较区位网络权重的关联度：

将以上公式遍历m_v-1遍形成不同区位权值之间关联度的方阵，m_v为有聚合价值的区位数量，将方阵中高于一关联性阈值的区位权值归为一类模型权值；

判断为同一类模型后，采用下式方法将同一类模型权值聚合：

其中，为第t轮迭代后聚合的权值，m_s为属于同一类模型的区位数量；

S4：利用纵向联邦学习方法，将权值存在差异的网络负荷预测值聚合建立回归预测模型，根据回归预测模型对楼宇空间单元冷负荷进行预测；所述回归预测模型建立方法包括以下步骤：

步骤S41：对于来自不同模型的空调冷负荷预测数据，将其看作是楼宇总空调冷负荷的多元回归自变量，建立两者的多元线性回归模型：

其中，β_l为第l类区位预测值的回归系数，x_l为第l类区位的空调负荷预测值之和，β₀为回归模型的常数项系数，ε为噪声项，N为一种高斯分布，σ为白噪声的标准差，m_k为不同种类区位数量，y为楼宇的实际总空调负荷；

步骤S42：求取回归系数，公式如下：

其中，为第l₁轮楼宇的实际总空调负荷m_l为用来确定回归系数的每个区位的历史空调负荷预测值之和的数据个数，为第l类区位第l₁轮空调负荷预测值之和；

S5：根据聚合的不同区位的模型权值更新对应区位的神经网络模型。

2.根据权利要求1所述的一种基于联邦学习的楼宇空间单元冷负荷预测方法，其特征在于，分别将从不同区位获取的数据进行预处理，处理为可直接输入到神经网络模型的输入数据；所述预处理过程为剔除采样错误数据，取采样点的平均数值作为预测周期的代表值，之后通过归一化方法将采样数据无量纲化；剔除采样错误数据的方法为：

首先每分钟采集一个数据点，获取1小时采样周期内采样数据的统计量F：

其中s_i为第i次采样点，为采样点的均值，为第i次采样点的回归拟合值，该回归拟合值由一次函数的回归方程获得，通过最小二乘法计算回归方程参数；

获取统计量F后判断其与F_α(1,58)的大小，F_α(1,58)表示自由度为1、数据点为60的拒绝域的临界值，当F＞F_α(1,58)时，则无需剔除数据，当F≤F_α(1,58)时，则剔除采样点中与采样点回归拟合值差值最大的点，再进行如上判断；

利用公式实现上述采样点的无量纲化；

其中n₁为剔除采样错误数据后采样点的数量。