基于区块链的电力隐私数据可信决策模型训练方法及装置制造方法及图纸

本发明专利技术提供一种基于区块链的电力隐私数据可信决策模型训练方法及装置，方法通过基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，初始化联邦学习任务，构建初始决策模型；上传初始决策模型至区块链系统，通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练，得到与训练节点一一对应的中间决策模型；确定每个训练节点的本地训练数据量，基于每个训练节点的本地训练数据量，确定与每个训练节点对应的中间决策模型的聚合权重；分别针对每个训练节点与对应的聚合权重，对中间决策模型进行聚合，得到目标决策模型，并上传目标决策模型至区块链系统，有效地提高了电力数据的可靠性。提高了电力数据的可靠性。提高了电力数据的可靠性。

【技术实现步骤摘要】
基于区块链的电力隐私数据可信决策模型训练方法及装置


[0001]本专利技术涉及模型训练
，尤其涉及一种基于区块链的电力隐私数据可信决策模型训练方法及装置。

技术介绍

[0002]电力数据开放共享以释放更大社会价值成为电力行业发展共识，但缺少成熟的隐私保护技术方案。基于电力数据体量大、增长快、实时性强、价值密度高等特点，随着电力数据的不断累积，对数据开放共享安全保障技术的能力要求会越来越高，对融合新兴技术迭代更新的速度要求会越来越快，但目前成熟成套的技术方案还未形成。
[0003]目前，对电力数据处理的相关模型难以保证电力数据的可靠，存在一定的安全隐患。

技术实现思路

[0004]本专利技术提供一种基于区块链的电力隐私数据可信决策模型训练方法及装置，用以解决现有技术中电力数据处理模型数据可靠性较差的缺陷。
[0005]本专利技术提供一种基于区块链的电力隐私数据可信决策模型训练方法，包括：
[0006]基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，初始化联邦学习任务，构建初始决策模型；
[0007]上传所述初始决策模型至区块链系统，通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练，得到与所述训练节点一一对应的中间决策模型；
[0008]确定每个所述训练节点的本地训练数据量，基于每个所述训练节点的本地训练数据量，确定与每个所述训练节点对应的中间决策模型的聚合权重；
[0009]分别针对每个所述训练节点与对应的所述聚合权重，对所述中间决策模型进行聚合，得到目标决策模型，并上传所述目标决策模型至所述区块链系统。
[0010]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，所述基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，初始化联邦学习任务，构建初始决策模型，包括：
[0011]基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，确定同构网络模型的输入层、输出层和隐含层的节点数；
[0012]初始化所述输入层、所述输出层和所述隐含层的权值和阈值，对所述同构网络模型进行初始化；
[0013]基于训练迭代次数和学习速率，对初始化后的所述同构网络模型的训练参数初始化，构建初始决策模型。
[0014]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练，得到与所述训练节点一一对应的中间决策模型，包括：
[0015]确定每个所述训练节点的模型损失函数；
[0016]基于所述模型损失函数和随机梯度下降函数，对所述初始决策模型进行更新，得到与所述训练节点一一对应的中间决策模型。
[0017]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，
[0018]所述确定每个所述训练节点的模型损失函数，包括：
[0019][0020][0021][0022]其中，k＝1，2，
…
，N，N指参与聚合的训练节点数；y
k
表示资源调度样本；f表示预测函数；p
i
表示第i个联邦学习过程训练节点数据量大小，p
sum
表示参与聚合的训练节点数据量总和；w
t
表示初始决策模型；x
k
表示本地训练的数据；n
k
表示第k个联邦学习过程训练节点训练样本数；p
k
表示第k个联邦学习过程训练节点数据量大小；Loss
k
表示第k个联邦学习过程训练节点样本损失均值；minF(ω
t
)表示联邦学习过程全局损失函数的最小化。
[0023]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，所述中间决策模型为：
[0024][0025]其中，η表示学习率；表示第k个联邦学习过程训练节点的损失函数关于权重参数的梯度，表示中间决策模型，ω
t
表示初始决策模型。
[0026]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，所述对所述中间决策模型进行聚合，得到目标决策模型，包括：
[0027][0028]其中，ω
t+1
表示目标决策模型；k＝1，2，
…
，N；ω
t
表示初始决策模型；表示中间决策模型，N指参与聚合的训练节点数；p
k
表示第k个联邦学习过程训练节点数据量大小，p
sum
表示参与聚合的训练节点数据量总和。
[0029]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练，得到与所述训练节点一一对应的中间决策模型之后，还包括：
[0030]在所有的所述训练节点中确定第一预设数量的票权代理节点；
[0031]通过所述确定票权代理节点，对每个所述中间决策模型进行身份合法性进行校验；
[0032]在所述身份合法性校验通过后，通过智能合约对每个所述中间决策模型的准确率进行测试；
[0033]在所有所述中间决策模型中选择通过所述测试的概率大于预设值的中间决策模型作为最新的中间决策模型。
[0034]根据本专利技术提供的一种基于区块链的电力隐私数据可信决策模型训练方法，所述对所述中间决策模型进行聚合，得到目标决策模型之后，还包括：
[0035]在所有的所述训练节点中确定第二预设数量的评估节点；
[0036]通过所述评估节点对所述目标决策模型进行完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证；
[0037]当所述目标决策模型通过所述完整性检查、所述票权代理节点是否符合票权代理协议检查和所述模型准确率验证之后，上传所述目标决策模型至所述区块链系统。
[0038]本专利技术还提供一种基于区块链的电力隐私数据可信决策模型训练装置，包括：
[0039]训练模块，用于基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，初始化联邦学习任务，构建初始决策模型；
[0040]投票模块，用于上传所述初始决策模型至区块链系统，通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练，得到与所述训练节点一一对应的中间决策模型；
[0041]聚合模块，用于确定每个所述训练节点的本地训练数据量，基于每个所述训练节点的本地训练数据量，确定与每个所述训练节点对应的中间决策模型的聚合权重；分别针对每个所述训练节点与对应的所述聚合权重，对所述中间决策模型进行聚合，得到目标决策模型，并上传所述目标决策模型至所述区块链系统。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链的电力隐私数据可信决策模型训练方法，其特征在于，包括：基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，初始化联邦学习任务，构建初始决策模型；上传所述初始决策模型至区块链系统，通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练，得到与所述训练节点一一对应的中间决策模型；确定每个所述训练节点的本地训练数据量，基于每个所述训练节点的本地训练数据量，确定与每个所述训练节点对应的中间决策模型的聚合权重；分别针对每个所述训练节点与对应的所述聚合权重，对所述中间决策模型进行聚合，得到目标决策模型，并上传所述目标决策模型至所述区块链系统。2.根据权利要求1所述的基于区块链的电力隐私数据可信决策模型训练方法，其特征在于，所述基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，初始化联邦学习任务，构建初始决策模型，包括：基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本，确定同构网络模型的输入层、输出层和隐含层的节点数；初始化所述输入层、所述输出层和所述隐含层的权值和阈值，对所述同构网络模型进行初始化；基于训练迭代次数和学习速率，对初始化后的所述同构网络模型的训练参数初始化，构建初始决策模型。3.根据权利要求1所述的基于区块链的电力隐私数据可信决策模型训练方法，其特征在于，所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练，得到与所述训练节点一一对应的中间决策模型，包括：确定每个所述训练节点的模型损失函数；基于所述模型损失函数和随机梯度下降函数，对所述初始决策模型进行更新，得到与所述训练节点一一对应的中间决策模型。4.根据权利要求3所述的基于区块链的电力隐私数据可信决策模型训练方法，其特征在于，所述确定每个所述训练节点的模型损失函数，包括：在于，所述确定每个所述训练节点的模型损失函数，包括：在于，所述确定每个所述训练节点的模型损失函数，包括：其中，k＝1，2，
…
，N，N指参与聚合的训练节点数；y
k
表示资源调度样本；f表示预测函数；p
i
表示第i个联邦学习过程训练节点数据量大小，p
sum
表示参与聚合的训练节点数据量总和；ω
t
表示初始决策模型；x
k
表示本地训练的数据；n
k
表示第k个联邦学习过程训练节点训练样本数；p
k
表示第k个联邦学习过程训练节点数据量大小；Loss
k
表示第k个联邦学习过程训练节点样本损失均值；minF(ω
t
)表示联邦学习过程全局损失函数的最小化。5.根据权利要求4所述的基于区块链的电力隐私数据可信决策模型训练方法，其特征在于，所述中间决策模型为：
其中，η表示学习率；表示第k个...

【专利技术属性】
技术研发人员：杨会峰，陈连栋，程凯，申培培，张磊，辛晓鹏，赵林丛，刘咸通，刘子州，高丽芳，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：