一种基于KNN联邦蒸馏学习和Seq2Seq的短期电力负荷预测方法

本发明公开了一种基于KNN联邦蒸馏学习和Seq2Seq的短期电力负荷预测方法，包括获取历史预设时间段内电力负荷数据，输入到训练好的边缘计算设备的本地模型，得到未来预设时间段内的电力负荷数据。本方法采用个边缘计算设备的本地模型一起训练，且训练过程中采用联邦学习和知识蒸馏，且本地模型采用编码器来提取时空特征，采用解码器将时空特征转换为输出实现预测，通过KNN算法选择各边缘计算设备的本地模型最相近的本地模型参数，并聚合起来作为教师模型的参数；通过在边缘计算设备上传输知识来实现知识蒸馏，而非简单地使用全局模型来更新本地模型，降低了数据异质性的影响。同时实验结果表明，与基线模型相比，本文所提出的S3TKFDL具有更好的性能和鲁棒性。