【技术实现步骤摘要】
本专利技术涉及电力负荷预测，具体是指基于联邦学习的电力负荷预测系统及其训练方法。
技术介绍
1、电力负荷预测已成为电力系统运行和规划中的关键环节，然而，传统的电力负荷预测方法往往依赖于大量的历史数据和复杂的数学模型，且数据通常集中存储在数据中心，这带来了数据隐私泄露和通信瓶颈等问题，现有的解决技术缺陷如下：
2、1、传统电力负荷预测方法需要将大量历史数据集中存储在数据中心，这增加了数据被非法访问或泄露的风险，一旦数据中心遭受黑客攻击或内部人员泄露数据，将对用户隐私和电网安全构成严重威胁；
3、2、传统电力负荷预测方法通常基于全局数据集进行训练，无法充分考虑每个客户端的本地数据特性和需求，这导致模型在预测特定地区的电力负荷时可能存在偏差，降低了预测的准确性和实用性；
4、3、在集中式机器学习框架下，客户端需要将原始数据或模型参数频繁上传到服务器进行训练和更新，这不仅增加了网络带宽的占用，还可能导致通信延迟和瓶颈，影响整体训练效率和预测准确性。
技术实现思路
1、本专利技术的目的是克服现有的技术缺陷，提供基于联邦学习的电力负荷预测系统及其训练方法，本方法采用联邦学习的框架，实现了电力负荷预测模型的分布式训练和优化，本方法允许多个客户端在本地训练电力负荷预测模型，并将模型参数发送到服务器进行聚合和更新，与传统方法不同，本专利技术不再将大量历史数据集中存储在数据中心，而是分布在各个客户端本地，从而降低了数据被非法访问或泄露的风险，服务器负责接收各个客户端
2、为解决上述技术问题，本专利技术提供的技术方案为：基于联邦学习的电力负荷预测系统，包括服务器、客户端、加密与解密模块和存储与处理模块；
3、所述服务器负责全局模型的部署、全局参数的更新、接收并聚合来自客户端的局部模型参数；
4、所述客户端设置有多个，每个客户端部署有局部模型，利用本地电力负荷数据进行训练，并将训练结果加密后发送给服务器；
5、所述加密与解密模块确保客户端与服务器之间的数据传输过程中保护数据隐私；
6、所述存储与处理模块用于存储全局模型参数、局部模型参数以及历史电力负荷数据，并进行数据处理和模型训练。
7、本专利技术提供的基于联邦学习的电力负荷预测训练方法，应用于基于联邦学习的电力负荷预测系统，该方法包括以下步骤：
8、步骤s1：系统初始化：服务器部署全局模型，并初始化全局参数，每个客户端部署局部模型，并收集本地电力负荷数据，得到本地数据集；
9、步骤s2：客户端加密信息发送与验证：每个客户端将包含其标识和时间戳的加密信息包发送给服务器，服务器对每个加密信息包进行解密和验证，通过验证的客户端被选为目标客户端；
10、步骤s3：多轮迭代训练：服务器将全局模型中的全局参数和每个局部模型的当前迭代次数进行加密，并发送给每个目标客户端，目标客户端对加密后的全局参数和和每个局部模型的当前迭代次数进行解密，利用本地数据集对局部模型进行训练，得到局部模型的梯度，目标客户端将梯度进行加密得到加密梯度后发送给服务器，服务器对接收到的多个加密梯度进行解密，基于多个加密梯度对全局模型进行训练，更新全局参数得到更新后的全局模型参数；
11、步骤s4：模型优化与预测：服务器将更新后的全局模型参数重新发送给所有客户端，进行全局模型更新，所有客户端使用更新后的全局模型进行电力负荷预测得到预测数据；
12、步骤s5：预测数据传输：对预测数据进行蒸馏，将预测蒸馏后的预测数据传输至存储与处理模块。
13、进一步地，所述步骤s1具体包括以下步骤：
14、步骤s11：服务器部署全局模型：服务器选择深度学习框架tensorflow，构建全局模型，全局模型选择通用结构的神经网络模型长短期记忆网络lstm，用于处理时间序列数据；
15、步骤s12：初始化全局参数：服务器初始化全局模型的权重和偏置参数；
16、步骤s13：客户端部署局部模型：每个参与联邦学习的客户端都部署一个与全局模型结构相同的局部模型，这些局部模型在训练过程中使用本地电力负荷数据进行更新；
17、步骤s14：收集本地电力负荷数据：客户端从本地数据源收集电力负荷数据，并进行预处理，对电力负荷数据数据清洗和归一化得到本地数据集。
18、进一步地，所述步骤s2具体包括以下步骤：
19、步骤s21：加密信息发送：每个客户端生成一个包含其唯一标识和时间戳的加密信息包，并发送给服务器，所述加密信息包用于验证客户端的身份和数据的时效性；
20、步骤s22：解密和验证：服务器接收到加密信息包后，使用解密密钥进行解密，服务器验证客户端的标识是否合法，以及时间戳是否在设置范围内，通过验证的客户端被选为目标客户端，参与后续的联邦学习训练过程。
21、进一步地，所述步骤s3具体包括以下步骤：
22、步骤s31：加密全局参数和迭代次数：服务器将全局模型的全局参数即当前参数权重和偏置，以及每个局部模型的当前迭代次数进行加密，并发送给每个目标客户端；
23、步骤s32：解密和训练：目标客户端接收到加密的全局参数和迭代次数后，使用解密密钥进行解密，目标客户端利用本地数据集对局部模型进行训练，得到局部模型的梯度；
24、步骤s33：加密梯度并发送：目标客户端将训练得到的梯度进行加密得到加密梯度，并发送给服务器，确保梯度在传输过程中的隐私保护；
25、步骤s34：解密和更新全局模型：服务器接收到加密梯度后，使用解密密钥进行解密，服务器基于多个加密梯度对全局模型进行训练，更新全局参数得到更新后的全局模型参数，计算更新后的全局模型参数采用的公式如下：
26、
27、其中，θk+1为更新后的全局模型参数，k为迭代轮数，n为所有客户端的总样本数，ni为第i个客户端的样本数量，为第i个客户端的局部模型参数，η为学习率，为第i个客户端更新后的局部模型参数。
28、进一步地，所述步骤s4具体包括以下步骤：
29、步骤s41：发送更新后的全局模型参数：服务器将更新后的全局模型参数重新发送给所有客户端；
30、步骤s42：利用更新后的模型进行预测：客户端加载更新后的全局模型参数，优化更新后的全局模型参数，将本地数据集输入至优化好的全局模型中，进行电力负荷预测得到预测数据。
31、进一步地，所述步骤s42中，优化更新后的全局模型参数具体包括以下步骤：
32、步骤s421：正则化优化：通过中心节点服务器对各个边缘计算节点客户端更新后的全局模型参数进行正则化优化，计算正则化化项的公式如下：
33、
34、其中，r(ω)为正则化项，ω为更新后的全局模型参数，λ为正则化系数，o为更新后本文档来自技高网...
【技术保护点】
1.基于联邦学习的电力负荷预测训练方法，应用于基于联邦学习的电力负荷预测系统，所述系统包括服务器、客户端、加密与解密模块和存储与处理模块，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于联邦学习的电力负荷预测训练方法，其特征在于，所述步骤S2，包括以下步骤：
3.根据权利要求1所述的基于联邦学习的电力负荷预测训练方法，其特征在于，所述步骤S3，包括以下步骤：
4.根据权利要求1所述的基于联邦学习的电力负荷预测训练方法，其特征在于，所述步骤S4，包括以下步骤：
5.根据权利要求4所述的基于联邦学习的电力负荷预测训练方法，其特征在于，所述步骤S42，包括以下步骤：
6.根据权利要求1所述的基于联邦学习的电力负荷预测训练方法，其特征在于，所述步骤S5，包括以下步骤：
【技术特征摘要】
1.基于联邦学习的电力负荷预测训练方法，应用于基于联邦学习的电力负荷预测系统，所述系统包括服务器、客户端、加密与解密模块和存储与处理模块，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于联邦学习的电力负荷预测训练方法，其特征在于，所述步骤s2，包括以下步骤：
3.根据权利要求1所述的基于联邦学习的电力负荷预测训练方法，其特征在于，...
【专利技术属性】
技术研发人员：李雅洁，王涛，沈佳，樊茂，尹蕊，杨柳，胡新苗，陈淑婷，曹源，张腾，明涛，马斌，张海波，任丹，
申请(专利权)人：国网新疆电力有限公司信息通信公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。