【技術實現步驟摘要】
【】本專利技術涉及電力領域，尤其涉及一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法。
技術介紹
0、
技術介紹
1、新型電力系統設于不同地區和省份，在數據傳輸方面之間存在較大的數據壁壘，為電力相關數據的收集和處理增加了困難，導致數據孤島效應顯著。
2、針對各參與方無法直接交換本地私有數據的情況，線上傳輸的方式不可避免地存在隱私泄露的風險，為電力系統中的用戶用電數據收集處理、各參與者之間的明文數據流通帶來了嚴峻的挑戰，但是維護數據安全工作是十分重要的，電力數據中的用戶用電隱私信息和發電、輸電、變電、配電的保密信息等是國家安全資源，急需采取充分且必要的數據放竊密工作。
3、尤其對于聯邦學習單一化導致的聚合服務器單點故障問題，以及容易遭受惡意聚合服務器和參與方之間的共謀攻擊等，迫切需要面向數據和模型隱私保護的多源異構數據融合方案。
4、故，現采用一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，通過對異構數據進行特征提取，并基于同態加密和秘密共享等隱私計算技術，實現在不泄露各參與方隱私數據的前提下，對多源異構數據的安全融合，有效提高數據安全性。
技術實現思路
0、
技術實現思路
1、本專利技術所要解決的技術問題在于克服現有技術的不足而提供一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，能夠通過對異構數據進行特征提取，并基于同態加密和秘密共享等隱私計算技術，實現在不泄露各參與方隱私數據的前提下，對多源異構
2、為解決上述技術問題，本專利技術采用如下技術方案：
3、一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，步驟包括以下：
4、s1.收集參與方數據，對于參與方數據進行預處理，預處理包括異構數據特征提取、秘密生成、共享加密、模型訓練與評估，對預處理后的參與方數據進行數據融合處理，得到融合后的參與方數據；
5、s2.基于處理后的參與方數據進行解密恢復，獲得更新后的全局模型參數，并將更新的全局模型參數發送給參與方生成新的參與方數據用于下一迭代。
6、作為優選，s1具體包括：
7、s11:隨機地進行參數初始化和生成密鑰對(sk,pk)，并將全局初始化參數和公鑰pk發送給各參與方；
8、s12:進行模型訓練，對參與方數據進行特征提取并進行模型訓練，使用shamir秘密共享方案和同態加密技術生成共享碎片，并上傳到聚合服務器進行模型聚合；
9、s13:進行模型聚合，所述聚合服務器在本地對各加密的共享碎片進行加和，后將總加和信息發送給中心服務器。
10、作為優選，s2具體包括：
11、s21:進行模型更新，所述中心服務器對總加和信息進行解密恢復，獲得更新后的全局模型參數，并將更新的全局模型參數重新發送給參與方用于下一輪迭代。
12、作為優選，引入一個高階張量w作為記憶單元，其每一模態對應于一種參與方數據特征的空間映射。
13、作為優選，參與方數據包括訓練集、驗證集和測試集，并計算損失函數，通過對損失函數的梯度計算，各參與方數據生成關于模型參數的梯度信息。
14、作為優選，根據訓練輪數進行公式運算：dtrain,dvalid,dtest＝split_dataset(di)
15、
16、
17、＜g＞＝shamirsecretsharing(g,t,m)
18、其中，式中di表示數據集，dtrain表示訓練集，dvalid代表驗證集，dtest代表測試集，(xl,yl)為dtrain具體數據集，m是模型，b為批大小。
19、作為優選，使用lagrange插值法恢復完整的平均梯度，依據學習率α和計算得到的梯度g*，
20、[＜gi＞]＝[＜gi1＞]+[＜gi2＞]+...+[＜gim＞]
21、g＝lagrange(＜g1＞,＜g2＞,...,＜gj＞)
22、
23、m＝m-α×g*
24、其中，[＜gim＞]為共享碎片梯度參數，α為學習率，m為模型。
25、作為優選，對融合后的參與方數據進行自適應去噪處理，得到噪聲過濾后的參與方數據。
26、一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合系統，系統使用基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，系統包括參與方模塊、聚合服務器和中心服務器，
27、參與方模塊包括異構數據特征提取、秘密生成、共享加密、模型訓練與評估功能模塊，用于隨機地進行參數初始化和生成密鑰對(sk,pk)，并將全局初始化參數和公鑰pk發送給各參與方，并進行模型訓練，對參與方數據進行特征提取并進行模型訓練，使用shamir秘密共享方案和同態加密技術生成共享碎片，并上傳到聚合服務器進行模型聚合；
28、聚合服務器包括共享加和模塊，用于進行模型聚合，所述聚合服務器在本地對各加密的共享碎片進行加和，后將總加和信息發送給中心服務器；
29、中心服務器包括解密恢復模塊和密鑰生成模塊，進行模型更新，所述中心服務器對總加和信息進行解密恢復，獲得更新后的全局模型參數，并將更新的全局模型參數重新發送給參與方用于下一輪迭代。
30、一種處理器，處理器用于運行程序，其中程序運行時執行以上基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法。
31、采用本專利技術的有益效果：
32、1.針對各參與方無法直接交換本地私有數據的情況，通過對異構數據進行特征提取，并采用同態加密技術，在不泄露各參與方隱私數據的前提下對多源異構數據進行安全融合，提高數據傳輸安全性。
33、2.在每個訓練輪次中，參與方數據包括訓練集、驗證集和測試集，并計算損失函數，通過對損失函數的梯度計算，各參與方數據生成關于模型參數的梯度信息。為保障數據隱私，采用shamir秘密共享方案將梯度信息分割為多份。
34、其次，利用同態加密技術對每個梯度分片進行加密，生成加密的梯度分片，并將其發送至聚合服務器。聚合服務器接收到各參與方的加密梯度分片后，可以執行模型參數的更新操作，同時不暴露原始梯度信息，從而保障了數據隱私和模型安全。
35、3.通過對異構數據進行特征提取，并基于同態加密和shamir秘密共享技術，實現了在不泄露各參與方隱私數據的前提下對多源異構數據進行安全融合。本方案不僅能達到在單機上進行模型訓練的效果，而且能夠有效保護參與方的隱私，較單機明文情況具有更好的表現效果。這為新型電力系統中的數據要素化提供了可行的解決方案，并有潛力推動電力流、信息流和價值流的融合和綜合調配。
36、本專利技術的這些特點和優點將會在下面的具體實施方式、附圖中詳細的揭露。
本文檔來自技高網...【技術保護點】
1.一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，步驟包括以下：
2.如權利要求1所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，S1具體包括：
3.如權利要求1所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，S2具體包括：
4.如權利要求2所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，引入一個高階張量W作為記憶單元，其每一模態對應于一種參與方數據特征的空間映射。
5.如權利要求2所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，所述參與方數據包括訓練集、驗證集和測試集，并計算損失函數，通過對損失函數的梯度計算，各參與方數據生成關于模型參數的梯度信息。
6.如權利要求5所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，
7.如權利要求1所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，使用Lagrange插值法恢復完整的平均梯度，依據學習
8.如權利要求1所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，對融合后的參與方數據進行自適應去噪處理，得到噪聲過濾后的參與方數據。
9.如權利要求9所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合系統，其特征在于，所述系統使用基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，
10.一種處理器，其特征在于，處理器用于運行程序，其中，程序運行時執行權利要求1至8中任意一項的基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法。
...【技術特征摘要】
1.一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，步驟包括以下：
2.如權利要求1所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，s1具體包括：
3.如權利要求1所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，s2具體包括：
4.如權利要求2所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，引入一個高階張量w作為記憶單元，其每一模態對應于一種參與方數據特征的空間映射。
5.如權利要求2所述的一種基于跨特征聯邦學習的源網荷儲用多源異構數據融合方法，其特征在于，所述參與方數據包括訓練集、驗證集和測試集，并計算損失函數，通過對損失函數的梯度計算，各參與方數據生成關于模型參數的梯度信息。
6.如權利要求5...
【專利技術屬性】
技術研發人員：姚力，沈百強，王朝亮，劉孝笑，曾少華，劉煒，史博文，徐俊，岑梁，劉黎黎，蔣鐘，王涵，徐君，鄭寧浪，陳思，劉鋼，徐舒欣，
申請(專利權)人：國網浙江省電力有限公司營銷服務中心，
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。