[发明专利]基于联邦学习的数字孪生平台构建方法、装置及设备

说明书

本发明涉及物联网领域，其实施方式提供了一种基于联邦学习的数字孪生平台构建方法、装置及设备。其中一种基于联邦学习的数字孪生平台构建方法，包括：确定包括终端节点、云主站和数字孪生平台的平台架构；确定所述平台架构中每一轮训练中终端节点的训练后参数在所述云主站和\或数字孪生平台的参数聚合方式；以及确定所述平台架构下终端节点与云主站的任务调度方式。本发明提供的实施方式通过引入纵向联邦学习的通信机制，提升了通信安全，且提出了一种能够平衡时延与能耗的任务调度优选方式。

技术领域

本发明涉及物联网领域，具体地涉及一种基于联邦学习的数字孪生平台构建方法、一种基于联邦学习的数字孪生平台构建装置、一种基于联邦学习的数字孪生平台构建设备以及一种计算机可读存储介质。

背景技术

目前因为管理等各种原因营销终端与配电终端是分属营配两个专业的配电台区信息采集装置，两套装置采集数据分别传送至各自主站，实施专业条线管理，造成数据贯通融合困难。由于营配数据不能共享，数字孪生平台暂不能实现营配数据融通，只对部分需要共用的数据由数据所属方提供数据共享接口。但是在数字孪生平台云端实现源网荷储动态调整、配网辅助决策规划、线路状态运行评估、潮流趋势预测等功能时需要营配数据协作分析。两者之间存在的矛盾一直无法解决。

发明内容

本发明实施例的目的是提供一种基于联邦学习的数字孪生平台构建方法、装置及设备，以解决以上问题。

为了实现上述目的，本发明的第一方面提供了一种基于联邦学习的数字孪生平台构建方法，所述方法包括：确定包括终端节点、云主站和数字孪生平台的平台架构；确定所述平台架构中每一轮训练中终端节点的训练后参数在所述云主站和\或数字孪生平台的参数聚合方式；以及确定所述平台架构下终端节点与云主站的任务调度方式。

优选地，确定包括终端节点、云主站和数字孪生平台的平台架构，包括：根据云边协同架构，在边侧部署多个所述终端节点，在云侧部署数字孪生平台和若干个云主站；所述数字孪生平台与所述若干个云主站通信耦合。

优选地，确定所述平台架构中每一轮训练中终端节点的训练后参数在所述云主站和\或数字孪生平台的参数聚合方式，包括：在一轮训练中，每一终端节点经训练后得到训练后参数；每一云主站将从终端节点接收到的训练后参数进行一次聚合后，将计算结果上传至所述数字孪生平台；和\或所述数字孪生平台将从云主站接收到的计算结果进行一次聚合后，将所述一次聚合后的结果与历史数据进行二次聚合。

优选地，确定所述平台架构下终端节点与云主站的任务调度方式，包括：根据任务在云主站或者终端节点执行，分别建立第一模型和第二模型；所述第一模型和所述第二模型均用于确定执行任务的处理时间和处理能耗；根据所述处理时间和所述处理能耗构建得到代价函数；计算策略组合中每一任务调度策略对应的代价函数；通过评价所述代价函数确定所述策略组合中一个任务调度策略为最优任务调度策略。

优选地，以任务在云主站执行所建立的第一模型包括：根据任务的数据量、终端节点至对应的云主站所分得的传输带宽确定执行任务的处理时间；以及根据所述处理时间、终端节点至对应的云主站的发送功率确定执行任务的处理能耗。

优选地，以任务在终端节点执行所建立的第二模型，包括：根据任务的数据量、任务的处理密度、终端节点的计算能力确定执行任务的处理时间；以及根据终端节点的硬件相关常数、任务的数据量、任务的处理密度、终端节点的计算能力确定执行任务的处理能耗。

优选地，通过评价所述代价函数确定所述策略组合中一个任务调度策略为最优任务调度策略，包括：定义每一终端节点选择将任务调度至某一云主站的概率；确定所述概率的取值空间和由所述概率组成的概率矩阵，并定义所述策略组合对应的概率密度函数；通过交叉熵方法迭代所述概率密度函数，通过对应的概率矩阵以获得最优解；以所述最优解对应的任务调度策略作为最优任务调度策略。