[发明专利]一种基于电力数据的联邦学习模型训练方法

说明书

本发明提供了一种基于电力数据的联邦学习模型训练方法，包括以下步骤：服务器设定初始模型和训练参数并发送至客户端；客户端设定本地控制变量，基于本地控制变量对初始模型进行更新、处理获得密文模型；将密文模型和本地控制变量传输至服务器；服务器根据密文模型获得聚合模型，判断当前迭代次数小于总迭代次数时，更新服务器控制变量，将聚合模型和更新后的服务器控制变量发送至客户端，将聚合模型在客户端开启新一轮的训练步骤；服务器判断当前迭代次数等于总迭代次数时，输出聚合模型。本发明能够避免恶意服务器与客户端串通获取其他客户端的数据的问题，同时控制多个客户端的模型收敛方向，使得模型加快向全局最优解收敛。

技术领域

本发明属于联邦学习技术领域，具体涉及一种基于电力数据的联邦学习模型训练方法。

背景技术

对电力数据进行分析与建模是智能电网得以持续发展的重要驱动力之一。由于模型中心化以及数据中心化使得电力数据容易被恶意方获取并用于进行非法活动，因此现有技术使用联邦学习技术来解决数据中心化导致的隐私泄露问题。设置一个服务器和多个客户端，服务器将模型分别发送至多个客户端，不同地区的电力公司可以作为多个客户端分别在本地进行模型更新，多个客户端完成模型更新后，再将模型发送至服务器进行聚合。

为了保证客户端与服务器之间的数据传输的安全性，现有技术在客户端与服务器进行数据传输时，对传输的数据进行加密，但是仍然存在恶意服务器与客户端串通，通过盗取解密数据获取其他客户端的数据，数据保护仍然存在漏洞。

并且不同地区的电力公司所拥有的电力数据分布是不一致的，因此模型在客户端进行更新时会朝着不同方向进行优化，收敛过程也会变得缓慢，甚至可能导致模型不收敛；并且模型在服务器进行聚合时也很难得到一个普适的全局模型。

发明内容

本发明旨在解决现有技术中存在的技术问题，提供一种基于电力数据的联邦学习模型训练方法，避免在联邦学习过程中，恶意服务器与客户端串通获取其他客户端的数据的问题，同时在训练过程中控制多个客户端的模型收敛方向，使得模型加快向全局最优解收敛。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种基于电力数据的联邦学习模型训练方法，包括以下步骤：服务器设定初始模型和训练参数并发送至客户端，训练参数包括服务器控制变量和总迭代次数；客户端设定本地控制变量，基于本地控制变量、服务器控制变量和训练步骤对初始模型进行更新获得本地模型，对本地模型进行剪裁处理、加噪处理和加密处理获得密文模型；将密文模型和本地控制变量传输至服务器；服务器根据密文模型获得聚合模型，判断当前迭代次数小于总迭代次数时，更新服务器控制变量，将聚合模型和更新后的服务器控制变量发送至客户端，将聚合模型作为初始模型在客户端开启新一轮的训练步骤；服务器判断当前迭代次数等于总迭代次数时，输出聚合模型。

进一步，更新服务器控制变量的步骤具体为：使用第一更新公式对服务器控制变量进行更新，第一更新公式如下：其中，i表示第i个客户端，N表示参加训练的客户端的数量和，表示第i个客户端的本地控制变量，c′表示更新后的服务器控制变量。

进一步，根据密文模型获得聚合模型步骤具体为：根据聚合公式和密文模型获得聚合模型；聚合公式具体为：其中，t表示第t次迭代，W^(t+1)表示第t+1次迭代时的聚合模型，[]表示该模型经加密处理，i表示第i个客户端，N表示参加训练的客户端的数量和，p_i表示第i个客户端的权重比，表示经过第t次迭代时第i个客户端的密文模型。