一种基于分层联邦学习的电力负荷预测方法、装置及介质

摘要

本发明公开了一种基于分层联邦学习的电力负荷预测方法、装置及介质。方法包括：在离线阶段，首先将客户端分成本地客户端和中间层服务器。在本地客户端对采集的气象和时间信息进行预处理后，利用长短期记忆神经网络（LSTM）进行回归学习，得到电力负荷的预测模型和对应的权重系数。在中间层服务器利用联邦学习中的FedAvg算法对深度学习网络参数进行加权聚合，形成初步的电力负荷预测模型。最后通过本地服务器进行加权聚合，形成最终的电力负荷预测模型。该方法具有结构简单，预测精度高的优点。