[发明专利]电力调度场景下的模型联合隐私训练与共享方法及装置

权利要求书

1.一种电力调度场景下的模型联合隐私训练与共享方法，其特征在于，包括：

将当前的电力调度部门加入联盟链中，作为其中一个调度参与方；所述联盟链的所述调度参与方还包括其他电力调度部门；

获取当前的所述电力调度部门在电力调度时所处理的流经其他相关部门的用电数据，并对采集的所述用电数据标注流向标签；所述流向标签用于表征所述用电数据对应的电力流向信息；

基于与参与所述联盟链的其他电力调度部门预先协商的数据特征构建策略构建模型训练数据；

在当前的所述电力调度部门的本地利用所述模型训练数据、预先协商的超参数以及迭代轮数进行决策树模型的训练；所述决策树模型用于预测用电数据的电力流向；

将当前的所述电力调度部门训练得到的决策树模型与其他电力调度部门训练得到的决策树模型进行比较，以及根据比较结果选择目标模型；

在所述目标模型为当前的所述电力调度部门的本地训练得到的模型时，在当前的所述电力调度部门的本地将所述目标模型通过智能合约共享至所述联盟链中。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将当前的所述电力调度部门提供的超参数以及迭代轮数通过智能合约共享在所述联盟链上，以便协商模型训练时使用当前的所述电力调度部门提供的超参数以及迭代轮数，还是使用其他调度参与方提供的超参数以及迭代轮数。

3.根据权利要求1或2所述的方法，其特征在于，基于与参与所述联盟链的其他电力调度部门预先协商的数据特征构建策略构建模型训练数据，包括：

基于与参与所述联盟链的其他电力调度部门预先协商的数据特征构建策略，将当前的所述电力调度部门的所述用电数据的每一维度特征进行分布分桶，得到所述用电数据的分桶特征数据，将所述分桶特征数据作为当前的所述电力调度部门的模型训练数据。

4.根据权利要求1或2所述的方法，其特征在于，在当前的所述电力调度部门的本地利用所述模型训练数据、预先协商的模型超参数以及迭代轮数进行决策树模型的训练，包括：

基于前一轮的预测目标值以及前一轮的模型预测值计算当前轮的目标预测值；

基于当前轮的目标预测值、模型训练数据计算当前轮生成决策子树的一阶导数和二阶导数；所述一阶导数和二阶导数为基于所述决策树模型的泰勒级数展开参数；

利用所述一阶导数、二阶导数和所述模型训练数据进行决策树的递归分裂，得到当前轮构建的决策子树；

利用所述决策子树获取当前的所述电力调度部门的模型训练数据的模型预测值；

基于所述模型预测值与当前轮的预测目标值确定是否达到迭代终止条件；

如果未达到迭代终止条件，则跳转至基于前一轮的预测目标值以及前一轮的模型预测值计算当前轮的目标预测值的步骤，重复执行，直至达到迭代终止条件；

将多轮迭代得到的决策子树作为训练完成的决策树模型。

5.根据权利要求4所述的方法，其特征在于，利用所述一阶导数、二阶导数和所述模型训练数据进行决策树的递归分裂，得到当前轮构建的决策子树，包括：

从当前的所述电力调度部门的模型训练数据中随机选择部分数据构造分桶信息增益直方图；

将当前的所述电力调度部门对应的分桶信息增益直方图与参与所述联盟链的其他电力调度部门对应的分桶信息增益直方图进行合并，得到完整的直方图；

基于所述完整的直方图得到当前轮的决策子树的分裂点；

基于所述分裂点对决策子树进行分裂，得到所述决策子树对应的当前分裂的叶节点；

跳转至从当前的所述电力调度部门的模型训练数据中随机选择部分数据构造分桶信息增益直方图的步骤，重复执行，直至达到决策子树分裂停止条件为止；

将分裂得到的所有叶节点进行拟合，基于拟合得到的拟合值获得当前轮构建的决策子树。