【技術實現步驟摘要】
本專利技術涉及數據處理，具體涉及一種用于異構光伏圖結構數據融合的時空數據預測方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
，并不必然構成現有技術。
2、在協作決策過程中，不同利益相關者可能擁有各自的數據資源和專業知識，但由于數據隱私和安全性的顧慮，往往難以實現數據的有效共享和整合。聯邦學習模型通過在不暴露單個數據源的前提下進行知識共享與整合，為協作決策提供了新的思路；它允許各方在本地處理數據，僅將加密后的模型參數或梯度進行共享，從而避免了直接傳輸敏感數據，既保護了數據隱私，又促進了決策過程中的信息共享和協同優化。
3、信任是協作的基礎，但在數據共享和整合過程中，由于數據泄露、濫用等風險的存在，往往導致各方之間缺乏信任；聯邦學習模型通過去中心化的學習方式，將數據處理和模型訓練任務分散到各個參與方，降低了數據集中存儲和管理的風險。同時，由于模型參數或梯度的共享是在加密狀態下進行的，進一步增強了數據的安全性，有助于建立和維護各方之間的信任關系。
4、數據孤島是指不同組織或部門之間由于數據格式、存儲方式、訪問權限等差異而難以實現數據共享和互通的現象，聯邦學習模型通過跨組織、跨設備的數據協作，打破了數據孤島的限制，它允許不同參與方在不改變原有數據存儲和管理方式的前提下，通過聯合訓練模型來實現數據的價值挖掘和知識共享。這不僅提高了數據的利用率，還促進了不同組織之間的知識轉移和協作創新。
5、然而，在數據處理領域中，圖形結構化數據往往蘊含著豐富的信息和復雜的關聯，
技術實現思路
1、為了解決現有技術的不足，本專利技術提供了一種用于異構光伏圖結構數據融合的時空數據預測方法及系統，每個客戶端使用其本地的光伏圖數據對接收的全局模型進行訓練，經過幾輪本地訓練后，每個客戶端生成了模型的局部更新，一旦局部更新生成，客戶端將這些更新發送回中央服務器，中央服務器收集所有客戶端的局部更新，并使用聚合算法來整合這些更新，更新全局模型，在保證各個客戶端數據隱私的前提下實現了全局模型的更新和訓練，極大的提高了預測的全面性。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、第一方面，本專利技術提供了一種用于異構光伏圖結構數據融合的時空數據預測方法。
4、一種用于異構光伏圖結構數據融合的時空數據預測方法，應用于中央服務器以及分別與中央服務器通信連接的多個客戶端，包括以下過程：
5、對任一個當前客戶端，基于當前時刻之前的當前客戶端自身的光伏發電量歷史數據以及訓練好的基于tcn、gcn和gru的全局模型，得到當前時刻之后的當前客戶端未來每個時刻的光伏發電量預測結果；
6、其中，基于tcn、gcn和gru的全局模型的訓練過程，包括：
7、中央服務器將根據光伏發電量數據集預訓練的全局模型分發給所有客戶端，每個客戶端通過單獨的局部圖數據訓練所述全局模型以進行局部更新；
8、每個客戶端將局部更新結果上傳到中央服務器以進行聚合，中央服務器根據聚合結果訓練全局模型的gcn部分，并將訓練后的全局模型分發給每個客戶端進行使用。
9、作為本專利技術第一方面進一步的限定，基于tcn、gcn和gru的全局模型，包括：使用tcn對時間序列數據進行特征提取，得到時間特征，使用gcn對圖結構數據進行特征提取，得到空間特征，將時間特征和空間特征進行融合，得到融合特征，使用gru對融合特征進行進一步處理，捕捉時間序列中的循環依賴關系。
10、作為本專利技術第一方面進一步的限定，中央服務器選擇具有類似目標的企業實體作為客戶端，使用所選擇的各個客戶端的本地數據集對全局模型進行訓練。
11、作為本專利技術第一方面進一步的限定，每個客戶端通過單獨的局部圖數據訓練所述全局模型以進行局部更新，包括：
12、每個客戶端使用其本地的圖數據對接收的全局模型進行訓練，每個客戶端生成全局模型的局部更新，所述局部更新為客戶端基于本地數據對全局模型參數的調整，局部更新表示為：其中：δθci是第i個客戶端生成的局部更新，為第i個客戶端的t+1時刻的訓練結果，是第i個客戶端生成的t時刻的局部更新。
13、作為本專利技術第一方面進一步的限定，每個客戶端將局部更新結果上傳到中央服務器以進行聚合，包括：
14、中央服務器收集所有客戶端的局部更新，并使用聚合算法來整合這些更新，更新全局模型，聚合過程，包括：其中：是當前輪次的全局模型參數，n是參與的客戶端總數，是聚合局部更新后的全局模型參數。
15、作為本專利技術第一方面更進一步的限定，每個客戶端接收到全局gcn模型后，利用其本地數據計算本地特征表示客戶端將計算得到的本地特征表示上傳回中央服務器。
16、作為本專利技術第一方面更進一步的限定，中央服務器接收到所有客戶端上傳的后，進行特征聚合：其中：是聚合后的特征表示，ωi是第i個客戶端的權重，n是參與的客戶端總數，服務器使用聚合后的特征表示和鄰接矩陣a來繼續訓練或微調gcn模型。
17、作為本專利技術第一方面更進一步的限定，中央服務器使用聚合后的特征表示和鄰接矩陣a來通過gcn計算h：其中：h是gcn的輸出，表示節點的嵌入或特征,θgcn是gcn層的參數，中央服務器將計算得到的h發送給所有客戶端，以便各個客戶端使用h來進行進一步的本地訓練或計算。
18、第二方面，本專利技術提供了一種用于異構光伏圖結構數據融合的時空數據預測系統。
19、一種用于異構光伏圖結構數據融合的時空數據預測系統，包括中央服務器以及分別與中央服務器通信連接的多個客戶端；
20、對任一個當前客戶端，基于當前時刻之前的當前客戶端自身的光伏發電量歷史數據以及訓練好的基于tcn、gcn和gru的全局模型，得到當前時刻之后的當前客戶端未來每個時刻的光伏發電量預測結果；
21、其中，基于tcn、gcn和gru的全局模型的訓練過程，包括：
22、中央服務器將根據光伏發電量數據集預訓練的全局模型分發給所有客戶端，每個客戶端通過單獨的局部圖數據訓練所述全局模型以進行局部更新；
23、每個客戶端將局部更新結果上傳到中央服務器以進行聚合，中央服務器根據聚合結果訓練全局模型的gcn部分，并將訓練后的全局模型分發給每個客戶端進行使用。
24、作為本專利技術第二方面更進一步的限定，每個客戶端使用其本地的圖數據對接收的全局模型進行訓練，每個客戶端生成全局模型的局部更新，所述局部更新為客戶端基于本地數據對全局模型參數的調整，局部更新表示為：其中：δθci是第i個客戶端生成的局部更新，為第i個客戶端的本文檔來自技高網...
【技術保護點】
1.一種用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，應用于中央服務器以及分別與中央服務器通信連接的多個客戶端，包括以下過程：
2.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
3.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
4.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
5.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
6.如權利要求5所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
7.如權利要求6所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
8.如權利要求7所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
9.一種用于異構光伏圖結構數據融合的時空數據預測系統，其特征在于，
10.如權利要求9所述的用于異構光伏圖結構數據融合的時空數據預測系統，其特征在于，
【技術特征摘要】
1.一種用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，應用于中央服務器以及分別與中央服務器通信連接的多個客戶端，包括以下過程：
2.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
3.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
4.如權利要求1所述的用于異構光伏圖結構數據融合的時空數據預測方法，其特征在于，
5.如權利要求1所述的用于異構光伏圖結構數據融合的時...
【專利技術屬性】
技術研發人員：田鵬，曲延盛，嚴莉，李明，楊坤，呼海林，朱尤祥，
申請(專利權)人：國網山東省電力公司信息通信公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。