场景分类与隐私保护下的分布式光伏功率预测协同训练策略

针对光伏电站分布分散及数据缺失导致的预测精度不足问题，提出一种结合场景分类与隐私保护的分布式光伏短期功率预测协同训练策略。通过皮尔逊相关系数筛选关键气象特征，采用模糊C均值聚类划分天气场景，并将相似区域分组构建多场景预测模型。引入多任务学习机制改进联邦学习框架，保留站点差异性并提升模型泛化能力。实验表明，该方法在不同天气下较多种模型准确率最高提升24.77%，RMSE最大降低89.24%，且相较传统联邦学习缩短50%通信轮次，平均用户识别率提升8%。

针对光伏电站空间位置分散及用户之间数据缺失易导致的功率预测精度不足的问题,提出一种场景分类与隐私保护下的分布式光伏短期功率预测协同训练策略.首先,利用皮尔逊相关系数提取重要气象特征,并采用模糊C均值聚类(FCM)算法将历史数据集聚类划分为晴天、阴天和雨天.其次,将天气变化相似的区域聚类成若干组,判别、筛选同类别下晴天、非晴天集合,构建不同场景下光伏功率预测模型.然后,在一般的联邦学习迭代算法的基础上添加多任务学习算法,建立一种新型多任务模式的本地训练方法,保留参与联合建模的各光伏电站间的差异性.最后,对待测日进行预测,将其数据输入至上述建立的对应场景预测模型下,得到待测日的光伏功率预测结果.实验结果表明:在不同天气条件下,所提预测方法与多种网络模型相比,准确率最大可提升24.77%,均方根误差RMSE最大降低89.24%.与传统联邦框架相比,所提方法能在更快的训练轮次内达到目标用户识别率(UA),缩短50%的通信轮数并且使平均UA提升8%.所提方案不仅在提高光伏短期功率预测的准确性方面得到验证,同时还展现出较强的适应性和鲁棒性.