[发明专利]基于横向联邦学习的智能风电场风况预测方法

权利要求书

1.一种基于横向联邦学习的智能风电场风况预测方法，其特征在于，包括以下步骤：

步骤一，由n个风电场参与联邦学习训练，每个风电场分别对本地数据进行预处理；

步骤二，服务器建立改进LSTM模型，初始化模型参数W₀；

步骤三，为了解决各风电场之间的隐私问题，服务器采用非对称性加密算法，产生公钥和对应的私钥；

步骤四，服务器从n个风电场中随机选择l个风电场发布训练任务，向各风电场传递改进LSTM模型、模型参数W₀及公钥；

步骤五，l个风电场分别使用步骤一中预处理后的数据对改进LSTM模型进行训练；在该步骤中梯度计算方法使用梯度选择更新算法获得新的梯度，再修改模型参数W₀；

步骤六，每个风电场对本地所有数据进行一次训练；l个风电场将获得改进LSTM模型更新后的参数W′＝{w′₁，w′₂，...，w′_l}，并利用步骤三产生的公钥加密形成参数W＝{w₁，w₂，...，w_l}；

步骤七，服务器获得步骤六的参数W，利用步骤三产生的私钥进行解密，得到参数W′，对模型参数W₀进行更新，服务器重新从n个风电场中随机选择l个风电场发布任务，重复步骤五与步骤六，直到改进LSTM模型的准确率不再发生变化。

2.根据权利要求1所述的一种基于横向联邦学习的智能风电场风况预测方法，其特征在于，所述步骤一中，数据预处理方法的具体步骤如下：

1.1确定特征空间

所有风电场先向服务器发送本地数据的特征空间，服务器对比后选择各参与方共有的特征空间，最后反馈给风电场；

1.2各风电场对步骤1.1中选择的特征空间数据进行归一化处理；

1.3使用AutoEncoder进行数据降维

各个风电场需在本地创建一个由多个线性层构成的AutoEncoder神经网络，要求输入层大小与输出层相同，中间层次部分的大小为降维后的维度；AutoEncoder神经网络构建完成后再本地进行训练，要求输入与输出却相似越好；

1.4各风电场利用步骤1.3训练完成的AutoEncoder神经网络对步骤1.2归一化后的数据进行降维，设降维后的大小为m。

3.根据权利要求1或2所述的一种基于横向联邦学习的智能风电场风况预测方法，其特征在于，所述步骤二中，改进LSTM模型的构建步骤如下：

2.1构建基本的LSTM模型

其中，隐藏层的维度设置为步骤一中AutoEncoder神经网络降维后的维度m，LSTM中堆叠的层数num_layers设置为2；

2.2将步骤2.1的运行结果，经过线性层映射，维度由m转化为2m；2m的维度每两个值作为一组，分别作为正态分布的均值和方差，共分成m组；每一组按正态分布随机取得一个值，共有m维度的输出，作为最终输出；

2.3添加激活函数层、激活函数层以及末尾的全连接层以保证神经网络的高效训练和正确输出。

4.根据权利要求1或2所述的一种基于横向联邦学习的智能风电场风况预测方法，其特征在于，所述步骤五中，梯度选择更新算法的具体步骤如下：

5.1创建长度为L的数组A；

5.2各风电场训练数据，获取当前模型训练的梯度信息d₁；

5.3将梯度信息d₁存储到数组A，若数组A已满，则删除数组中权最小的梯度信息；记梯度信息d1的权为修改数组A各梯度的概率为其中rank表示当前梯度在数组中按模长排序的位次；

5.4从数组A中按概率p_i抽取一个梯度信息d₂，令更新改进LSTM模型的参数。

5.根据权利要求3所述的一种基于横向联邦学习的智能风电场风况预测方法，其特征在于，所述步骤五中，梯度选择更新算法的具体步骤如下：

5.1创建长度为L的数组A；

5.2各风电场训练数据，获取当前模型训练的梯度信息d₁；

5.3将梯度信息d₁存储到数组A，若数组A已满，则删除数组中权最小的梯度信息；记梯度信息d₁的权为修改数组A各梯度的概率为其中rank表示当前梯度在数组中按模长排序的位次；

5.4从数组A中按概率p_i抽取一个梯度信息d₂，令更新改进LSTM模型的参数。