【技術實現(xiàn)步驟摘要】
本專利技術涉及電力負荷預測方法領域，具體是一種基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法。
技術介紹
1、電力負荷預測對于高耗能企業(yè)的運營和規(guī)劃至關重要。準確的負荷預測可以幫助企業(yè)制定合理高效的資源分配策略，優(yōu)化能源調(diào)度，降低企業(yè)成本，助力我國雙碳目標的早日實現(xiàn)。傳統(tǒng)負荷預測主要包括隨機森林、門控循環(huán)單元(gaterecurrent?unit,gru)、極限學習機(extreme?learning?machine,elm)、空間負荷預測，但這些方法依靠人工統(tǒng)計數(shù)據(jù)表格和繪制負荷曲線，容易出錯且難以發(fā)現(xiàn)糾正，存在著精度低、預測時間長、隱私性差、難以適應負荷快速變化等問題。
2、為了解決上述問題，文獻[[陸繼翔,張琪培,楊志宏等.基于cnn-lstm混合神經(jīng)網(wǎng)絡模型的短期負荷預測方法[j].電力系統(tǒng)自動化,2019,43(08):131-137.]提出了一種基于卷積神經(jīng)網(wǎng)絡(cnn)和lstm網(wǎng)絡的混合模型短期負荷預測方法。文獻[陳卓,孫龍祥.基于深度學習lstm網(wǎng)絡的短期電力負荷預測方法[j].電子技術,2018,47(01):39-41.]提出了一種利用深度學習長短期記憶神經(jīng)網(wǎng)絡模型來對電力負荷進行預測的方法。文獻[王增平,趙兵,紀維佳等.基于gru-nn模型的短期負荷預測方法[j].電力系統(tǒng)自動化,2019,43(05):53-58.]提出了一種基于gru的深度學習網(wǎng)絡短期負荷預測模型，以學習序列數(shù)據(jù)中的潛在特征并采用dnn學習所有的特征來預測負荷值，該方法在兼顧時效性的同時在預測精度上具有突出優(yōu)勢。文獻[孔祥玉
3、上述研究雖然解決了預測精度和有效性的問題，但都是主要針對提高負荷預測的準確度，而并未考慮用戶數(shù)據(jù)的隱私問題。
4、聯(lián)邦學習框架可保障用戶的隱私保護要求，同時還具有人工智能與機器學習的基礎技術。在聯(lián)邦學習訓練模型的過程中各個建筑群的管理中心不需要上傳原始數(shù)據(jù)只需要上傳模型參數(shù)，降低數(shù)據(jù)傳輸過程中的安全風險。各個管理中心在本地接收當前模型運行負荷預測算法，通過自己的數(shù)據(jù)訓練模型并更新模型參數(shù)給中央數(shù)據(jù)管理中心，這些參數(shù)由中央數(shù)據(jù)管理中心聚合和分享各個建筑群的管理中心，從而提前為各個建筑群提供精準的供電服務，也能在負荷突變的情況下建筑群實時預警故障。然而，在聯(lián)邦學習過程中，原始數(shù)據(jù)雖然沒有出庫，但是梯度在一定程度上可以反推參與方數(shù)據(jù)。因此，將聯(lián)邦學習框架應用于企業(yè)電力負荷預測模型的訓練時，仍然面臨隱私性問題。
技術實現(xiàn)思路
1、本專利技術提供了一種基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，以解決現(xiàn)有技術基于聯(lián)邦學習框架的企業(yè)電力負荷預測方法存在的隱私性問題。
2、為了達到上述目的，本專利技術所采用的技術方案為：
3、基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，包括以下步驟：
4、步驟1、由聯(lián)邦學習的服務器初始化負荷預測模型，并下發(fā)給各個客戶端；
5、步驟2、每個客戶端獲取企業(yè)電力歷史數(shù)據(jù)并進行數(shù)據(jù)擴散處理后作為本地的數(shù)據(jù)集數(shù)據(jù)，并由客戶端通過數(shù)據(jù)集在本地訓練所述負荷預測模型，得到負荷預測模型的權重參數(shù)；然后由客戶端使用paillier算法生成同態(tài)加密的公鑰和私鑰，并通過公鑰將本地得到的負荷預測模型的權重參數(shù)加密為同態(tài)加密數(shù)據(jù)后發(fā)送給服務器；
6、步驟3、所述服務器基于同樣的paillier算法生成同態(tài)加密的公鑰和私鑰，并利用私鑰對各個客戶端發(fā)來的同態(tài)加密數(shù)據(jù)進行解密得到每個客戶端本地的權重參數(shù)；然后由服務器使用聯(lián)邦平均算法聚合各個客戶端的權重參數(shù)得到全局模型權重；最后由服務器通過公鑰將所述全局模型權重加密為同態(tài)加密數(shù)據(jù)后，下發(fā)給各個客戶端；
7、步驟4、每個客戶端使用私鑰對服務器下發(fā)的同態(tài)加密數(shù)據(jù)進行解密后，得到全局模型權重，并將全局模型權重加載至本地的負荷預測模型；然后客戶端將當前獲取的企業(yè)電力數(shù)據(jù)輸入至本地加載有全局模型權重的負荷預測模型，由本地的負荷預測模型得到負荷預測結果。
8、進一步的步驟1中，所述負荷預測模型為cnn-bilstm-ae深度學習模型，其包括卷積神經(jīng)網(wǎng)絡、bilstm神經(jīng)網(wǎng)絡、注意力機制層。
9、進一步的步驟2中，每個客戶端采用高斯擴散模型處理企業(yè)電力歷史數(shù)據(jù)，由此完成數(shù)據(jù)擴散得到本地數(shù)據(jù)集數(shù)據(jù)。
10、進一步的步驟3中，所述服務器得到全局模型權重后，將全局模型權重加載至服務器中的負荷預測模型，并使用測試數(shù)據(jù)評估加載全局模型權重的負荷預測模型的性能是否符合要求，若符合要求則由服務器將全局模型權重加密為同態(tài)加密數(shù)據(jù)后下發(fā)給各個客戶端。
11、本專利技術提出一種基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，在進行負荷預測模型訓練的聯(lián)邦學習框架中引入同態(tài)加密機制，對聯(lián)邦學習框架中共享的模型參數(shù)進行加密傳輸，進一步提升企業(yè)負荷數(shù)據(jù)的隱私保護度。本專利技術不僅能夠?qū)崿F(xiàn)企業(yè)電力負荷的精準預測，還通過數(shù)據(jù)交互過程中的同態(tài)加密兼顧了隱私性保護要求。
本文檔來自技高網(wǎng)...【技術保護點】
1.基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，步驟1中，所述負荷預測模型為CNN-BiLSTM-AE深度學習模型，其包括卷積神經(jīng)網(wǎng)絡、BiLSTM神經(jīng)網(wǎng)絡、注意力機制層。
3.根據(jù)權利要求1所述的基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，步驟2中，每個客戶端采用高斯擴散模型處理企業(yè)電力歷史數(shù)據(jù)，由此完成數(shù)據(jù)擴散得到本地數(shù)據(jù)集數(shù)據(jù)。
4.根據(jù)權利要求1所述的基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，步驟3中，所述服務器得到全局模型權重后，將全局模型權重加載至服務器中的負荷預測模型，并使用測試數(shù)據(jù)評估加載全局模型權重的負荷預測模型的性能是否符合要求，若符合要求則由服務器將全局模型權重加密為同態(tài)加密數(shù)據(jù)后下發(fā)給各個客戶端。
【技術特征摘要】
1.基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，步驟1中，所述負荷預測模型為cnn-bilstm-ae深度學習模型，其包括卷積神經(jīng)網(wǎng)絡、bilstm神經(jīng)網(wǎng)絡、注意力機制層。
3.根據(jù)權利要求1所述的基于同態(tài)加密的企業(yè)電力負荷分布式聯(lián)邦預測方法，其特征在于，步驟2中，每...
【專利技術屬性】
技術研發(fā)人員：范耘豪，翟子豪，豐靜，陳珍萍，葉文浩，
申請(專利權)人：蘇州科技大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。