[发明专利]基于联邦学习的云边协同多居民区负荷预测方法

权利要求书

1.一种基于联邦学习的云边协同多居民区负荷预测方法，其特征在于，包括以下步骤：

(1)利用设于各居民区的计算客户端获取本居民区的历史用电负荷和历史气象数据；

(2)搭建基于注意力机制的长短期记忆网络模型(attention-lstm)，并分别部署在云端服务器和各计算客户端中；

(3)以云端服务器随机选择若干个居民区，由各计算客户端利用本居民区的用电负荷与气象数据对模型进行局部训练，并将训练后的模型参数以同态加密算法加密之后传输给云端服务器；

(4)云端服务器接收并解密来自计算客户端的模型参数，对全局模型进行聚合与更新，并将更新后的模型参数下发给所有计算客户端；

(5)重复步骤(3)-(4)并达到预设的训练轮数之后，云端服务器利用最终获得的全局模型对各居民区的用电负荷进行预测。

2.根据权利要求1所述的方法，其特征在于，在步骤(1)中，采用斯皮尔曼相关系数对历史气象数据与历史用电负荷的相关性进行计算与分析，获得相关度分级，并将满足预设条件的强相关气象数据作为模型的输入。

3.根据权利要求2所述的方法，其特征在于，所述斯皮尔曼相关系数的计算公式为：

式中，r_s表示斯皮尔曼相关性系数；n表示两组数据各自的数量，原则上要求待分析的两组数据数量相同；d_i表示任意两个数据次序的差值，即：

d_i＝rg(X_i)-rg(Y_i)

式中，X_i、Y_i表示数据中任意两个数据点，rg(X_i)表示X_i在数据中的排序位置；rg(Y_i)表示Y_i在数据中的排序位置；

根据斯皮尔曼相关系数的计算获得相关度之后，按下述判定准则进行分级：

4.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：最高温度、最低温度、平均温度、相对湿度及降雨量。

5.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，基于注意力机制的长短期记忆网络模型是指Autoencoder-LSTM-FNN模型，由Autoencoder层、LSTM层、FNN层以及输出层组成；其中，Autoencoder层用于提取原始数据的隐含特征以作为LSTM层的输入，LSTM对输入数据进行分析后输出到FNN层，数据再经过FNN层处理后输入到输出层，最终由输出层输出最后的结果。

6.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，云端服务器采用虚拟客户端法进行随机选择：

(1)统计每个可能参与训练的计算客户端i的数据条目数量为F_i，将该计算客户端i在全局模型中的重要度P_i^r表示为：

(2)基于所有原始计算客户端，依据重要度生成k个复制对象作为虚拟客户端，第i个客户端生成的复制对象个数为：M_i＝P_i^r·k；

(3)将虚拟客户端与原始客户端整合，云端服务器随机挑选客户端进行模型训练时，第i个客户端被选取的概率为：在k与N的取值确定的情况下，某客户端在全局模型中的重要度越高，则在每次训练时被选取的概率就越大，以此保证重要度高的客户端具有更多的训练次数。

7.根据权利要求1所述的方法，其特征在于，所述步骤(3)中的同态加密算法是使用乘法同态加密的RSA算法，包括密钥生成、同态加密、同态赋值和同态解密。

8.根据权利要求1所述的方法，其特征在于，所述步骤(4)中，是利用FedAvg算法进行全局模型的聚合与更新，具体使用了下述公式：

其中，G^t+1表示第t+l轮聚合之后的全局模型；G^t表示第t轮聚合之后的全局模型；λ表示设置的更新系数；L^t+1_i表示第i个计算客户端在第t+1轮本地局部训练更新后的模型。