[发明专利]基于纵向联邦学习的电力负荷预测方法、系统、设备及介质

说明书

本发明公开了基于纵向联邦学习的电力负荷预测方法、系统、设备及介质，解决了电力公司和工信局数据不能共享前提下的电力负荷预测问题。无标签的工信局和有标签的电力公司先通过隐私安全求交得到双方的共同样本ID；有标签的电力公司计算每个样本的一阶导数和二阶导数，然后利用k‑means聚类算法对样本进行分组，计算每组上的一阶导数和二阶导数之和，并利用同态加密技术将每组的样本ID和导数的密文发送给无标签的工信局；无标签的工信局计算每个样本的近似导数信息，计算每种特征划分的增益并将结果发送给电力公司；有标签的电力公司根据最大增益设置分裂点。本文基于同态加密和聚类的纵向联邦XGboost算法既保证双方传输信息的隐私安全，又显著降低通信开销。

技术领域

本发明属于数据隐私安全领域，涉及一种基于纵向联邦学习的电力负荷预测方法、系统、设备及介质。

背景技术

电力负荷预测是以电力负荷为对象的一系列预测工作，包括对未来电力需求量和用电量以及负荷曲线的预测。电力负荷预测可为电力系统规划和运行提供可靠的决策依据，具有重要的现实意义。传统的电力负荷预测方法中，通常利用特定的机器学习模型对企业的历史用电负荷和用电量进行分析，并基于历史数据对用电负荷进行预测。电力负荷预测受到包括历史用电数据、气象数据、企业效益、节假日、重大突发事件等因素的影响，传统上仅使用电力数据的方法不能全面反映用电负荷的变化趋势。然而，出于数据隐私安全考虑，不同的数据持有方不能直接共享数据从而产生数据不可直接联合使用的问题。联邦学习通过在各数据方之间传递模型替代传递原始数据，从而可有效保护各方数据安全并受到广泛关注。但联邦学习在解决了原始数据隐私安全的同时也带来了一些新的问题。例如为保证模型效用，数据方之间需要频繁的数据通信从而增大通信开销。导致上述问题的根本原因是使用联邦学习技术时采用的无差别处理，而未基于应用场景针对性地设计电力负荷预测模型。

发明内容

本发明的目的在于解决现有技术中的问题，提供一种基于纵向联邦学习的电力负荷预测方法、系统、设备及介质，能够保证预测模型训练和推理阶段的数据隐私安全，同时利用聚类方法降低联邦训练阶段的通信开销。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于纵向联邦学习的电力负荷预测方法，包括：

步骤1：基于无标签方和有标签方各自所拥有的数据，获取双方共同的样本ID集合；

步骤2：基于共同的样本ID集合，对当前决策树的目标函数进行求导，并根据导数结果对样本ID集合进行聚类和同态加密；

步骤3：基于加密后的聚类结果，获取每个类上样本的导数的近似值；

步骤4：基于无标签方和有标签方的每个属性特征，划分共同的样本ID集合；并基于每个特征属性划分后样本ID集合和每个类上样本的导数的近似值，获取无标签方和有标签方各自的特征属性划分对应的增益；其中，无标签方得到的是密文形式的增益值，有标签方得到的是明文形式的增益值；

步骤5：对无标签方的密文进行解密，对比无标签方所有划分下的增益值，将最大的增益值对应的划分设置为树的当前分裂点，并生成新的节点；

步骤6：重复步骤2-步骤5进行决策树的生成，直至决策树的生成数量达到预计条件或残差小于给定阈值，获取XGboost模型；

步骤7：利用生成的XGboost模型对企业进行电力负荷预测，按照决策树树结构、无标签方和有标签方各种特征属性取值，判断样本所属的叶子节点，并输出每棵树上所属叶子节点大小之和为预测结果。

本发明的进一步改进在于：