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

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。

说明书

技术领域

本发明属于综合能源领域，涉及考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法，具体是通过Adaptive Lasso-LSTM提高园区楼宇预测精度并使用联邦学习协同训练进行楼宇数据隐私保护。

背景技术

随着社会经济的不断发展，碳排放增多，形成了严重的生态环境问题，甚至已经影响到人类的生活。“碳达峰、碳中和”成为中国现代化建设的核心议题。建筑在能源消耗中占比较大，而楼宇群是建筑的关键形式。随着智能化楼宇的发展，楼宇运维数据在数量、种类和质量上都有所提升，这也为发展大数据驱动的楼宇能耗预测方法提供了基础。随着新能源和碳交易系统的发展，准确预测楼宇能源消耗以帮助能源管理和楼宇节能是非常重要的。通过大量楼宇历史能耗数据分析，对楼宇群能耗进行预测，服务商可以根据大数据分析结果针对性地向楼宇用户提供用节能建议。为此基于上述问题，为了在保护楼宇用户数据隐私的情况下，提高楼宇能耗预测精度是非常必要。对此，本发明公开了一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法。具体是通过Adaptive Lasso-LSTM提高园区楼宇群预测精度并使用联邦学习进行楼宇数据隐私保护。

发明内容

本发明公开一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法。该方法通过数据预处理，利用自适应最小绝对值收敛和选择算子(Adaptive leastabsolute shrinkage and selection operator，Adaptive Lasso)方法进行变量筛选，筛选出对能耗影响较大的m个因子作为预测模型的输入。基于长短期记忆(Long Short-TermMemory，LSTM)网络的短期能耗预测模型。为了保护园区各楼宇用户数据隐私，提出基于联邦学习(Federated Learning，FL)的短期能耗预测模型协同训练方法。初始参数为任意一个楼宇LSTM所得参数，通过RMSProp对模型参数进行迭代修正，上传模型参数权重并在服务器进行聚合，下发新参数重复直到训练结束，最终实现各运营商在保证数据隐私的情况下协同预测模型。

本发明的目的可以通过以下技术方案实现：

一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法，该方法首先考虑影响园区楼宇能耗的多维变量，包括节假日、季节效应、气候、历史能耗数据等因素。其次，对数据进行预处理(异常值处理、归一化等)，并采用自适应最小绝对值收敛和选择算子(Adaptive least absolute shrinkage and selection operator，AdaptiveLasso)方法进行变量筛选，筛选出对能耗影响较大的m个因子。接着，对任意一栋楼宇构建基于长短期记忆(Long Short-Term Memory，LSTM)网络的短期能耗预测模型作为服务器下发初始参数。通过RMSProp对模型参数进行迭代修正，上传模型参数权重并在服务器进行聚合，下发新模型重复直到训练结束。最终实现各运营商在保证数据隐私的情况下协同预测模型。

一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法，具体步骤流程如下：

步骤一：对于每一栋楼宇b

步骤二：对于每一栋楼宇b

步骤三：对于每一栋楼宇b

步骤四：B＝{b

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。

进一步的，所述的能耗短期预测方法与用户数据隐私保护对象是园区楼宇群。

进一步的，通过Adaptive Lasso算法，可以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：

对于每一栋楼宇b

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。

Adaptive Lasso变量选择过程：

β

进一步的，可以通过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i

i

f

o

式中，W

t时刻的细胞状态为：

其中

LSTM单元在t时刻的输出值为：

由单元输出值h

式中，W

进一步的，通过RMSProp算法对模型参数进行迭代修正，更新整体模型参数权重，实现各楼宇运营商在保证数据隐私的情况下协同预测模型，其具体流程如下：

联邦学习：

设B＝{b

以某栋楼宇LSTM网络的短期能耗预测模型参数为基础，服务器端初始化各参数，并下发模型到本地端。

本地端接收下发的模型，用该模型参数更新自身模型参数，并以自身数据训练模型。将已训练完成的模型上传至服务器端并传输权重参数。训练过程采用RMSProp算法。描述如下：

1)根据t时刻的梯度g

/>

2)更新权重参数W

η为学习率，取0.001，ε为用于避免除数为0的很小的数，取为10

3)更新模型权重参数。

W

∑ΔW

在所有楼宇完成模型上传之后，服务器端对接收到的模型进行聚合。聚合权值按照数据量大小来计算。设所有楼宇总时刻点数量之和为S，楼宇b

重复模型下发，本地训练更新，模型上传，模型聚合直到训练结束。

有益效果：

本发明目的在于提供一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法。通过Adaptive Lasso算法，能够筛选出对能耗影响较大的因子，为降低模型的复杂度奠定基础。为了保护园区各楼宇用户数据隐私，提出基于联邦学习(FederatedLearning，FL)的短期能耗预测模型协同训练方法。本地模型使用LSTM对楼宇能耗进行预测。LSTM具有长期记忆的功能，能够保留数据中重要特征的同时遗忘非关键信息。此外，LSTM在训练过程中不易出现梯度消失和梯度爆炸问题。联邦学习协同训练通过RMSProp对模型参数进行迭代更新，上传整体模型参数权重，并下发至本地直至训练结束，实现各楼宇运营商在保证数据隐私的情况下协同预测。本方法对楼宇群能耗进行短期预测，为楼宇能耗管理、能耗节能提供有利指导，应用数据驱动的方法为我国低碳事业发展助力。

附图说明

图1是本发明考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法的流程图；

图2是LSTM神经网络的基本单元结构。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提出一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法，该方法对应的考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法流程图如图1所示。

一种考虑用户隐私的基于Adaptive Lasso-LSTM的楼宇群能耗短期预测方法，具体步骤流程如下：

步骤一：对于每一栋楼宇b

步骤二：对于每一栋楼宇b

步骤三：对于每一栋楼宇b

步骤四：B＝{b

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。

所述的能耗短期预测方法与用户数据隐私保护对象是园区楼宇群。

通过Adaptive Lasso算法，可以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：

对于每一栋楼宇b

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。

Adaptive Lasso变量选择过程：

β

可以通过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i

i

f

o

式中，W

t时刻的细胞状态为：

其中

LSTM单元在t时刻的输出值为：

由单元输出值h

式中，W

通过RMSProp算法对模型参数进行迭代修正，更新整体模型参数权重，实现各楼宇运营商在保证数据隐私的情况下协同预测模型，其具体流程如下：

联邦学习：

设B＝{b

以某栋楼宇LSTM网络的短期能耗预测模型参数为基础，服务器端初始化各参数，并下发模型到本地端。

本地端接收下发的模型，用该模型参数更新自身模型参数，并以自身数据训练模型。将已训练完成的模型上传至服务器端并传输权重参数。训练过程采用RMSProp算法。描述如下：

1)根据t时刻的梯度g

2)更新权重参数W

η为学习率，取0.001，ε为用于避免除数为0的很小的数，取为10

3)更新模型权重参数。

W

∑ΔW

在所有楼宇完成模型上传之后，服务器端对接收到的模型进行聚合。聚合权值按照数据量大小来计算。设所有楼宇总时刻点数量之和为S，楼宇b

重复模型下发，本地训练更新，模型上传，模型聚合直到训练结束。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。