一种基于联邦学习的短期负荷预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116029455A(43)申请公布日2023.04.28(21)申请号202310134475.9(22)申请日2023.02.20(71)申请人东北大学秦皇岛分校地址066004河北省秦皇岛市经济技术开发区泰山路143号(72)发明人殷井利鲁宁史闻博张蕊戎光照(74)专利代理机构沈阳东大知识产权代理有限公司21109专利代理师李在川(51)Int.Cl.G06Q10/04(2023.01)G06Q50/06(2012.01)G06N20/00(2019.01)权利要求书4页说明书9页附图1页(54)发明名称一种基于联邦学习的短期负荷预测方法(57)摘要本发明提出一种基于联邦学习的短期负荷预测方法，首先设计一种基于联邦学习架构，包含五个实体：智能电表SM、移动边缘计算节点MEC、云服务器Cloud、电力供应商PS和证书颁发机构CA；基于此架构设计一个基于多权值的节点选择算法，云服务器CS在每轮联邦学习训练模型开始前，选择最合适的计算节点组，以达到最大化训练效率的目的；为了提高精度，还设计了基于聚类的联邦更新算法，在常见的联邦更新算法Fed‑Avg上，考虑不同MEC下计算节点组的电网用户住宅类型不同，CS在初始化和更新的过程中分配不同；为了实现隐私保护，本发明设计了数据聚合协议，采用了DH密钥协商的方式保护SM的数据隐私，批量可验证的签名加快验证SM数据完整性。CN116029455ACN116029455A权利要求书1/4页1.一种基于联邦学习的短期负荷预测方法，其特征在于，首先设计了一种基于联邦学习架构，包含五个实体：智能电表SM、移动边缘计算节点MEC、云服务器Cloud、电力供应商PS和证书颁发机构CA；所述智能电表SM，由PS维护，SM负责持续性的收集电网用户的细粒度数据，定义SM执行密码学相关操作，不能做机器学习模型训练操作；所述移动边缘计算服务器MEC：由ISP提供，用于为聚合SM数据和作为联邦学习客户端节点进行模型训练；通常，MEC由连接每个SM的网关提供；所述云服务器Cloud：由第三方云服务提供商提供，Cloud是一个具有强大计算和存储能力的第三方云计算平台，作为联邦学习更新模型的服务器，且Cloud可信；所述电力供应商PS：负责电网用户电力的供应以及短期负荷预测业务的发布；所述证书颁发机构CA：是一个可信的数字证书颁发实体，负责MEC与SM在初始化时的一系列操作。2.根据权利要求1所述的一种基于联邦学习的短期负荷预测方法，其特征在于，具体包括以下步骤：步骤1：MEC对SM定期采集电力数据进行收集，并且持续性的发生在SM与MEC之间，SM根据PS短期负荷预测的需要，周期性的将数据上传至MEC节点，但由于MEC节点是诚实且好奇的，同时不可信的链路传输也会导致SM细粒度数据行为隐私的泄露甚至签名的伪造与篡改，因此SM需要执行预定义的隐私保护方案来处理电力数据；步骤2：模型训练任务，间歇性的发生在MEC与CS之间；CS在收到PS的模型训练任务后，进行联邦学习模型的训练；为了提升效率，提出基于多权值的节点选择算法，为了进一步提升精度，在原有Fed‑Avg的更新算法上提出基于聚类的联邦更新算法；步骤3：负荷预测任务，持续性的发生在MEC与PS之间，PS订购并付费MEC服务进行短期负荷预测业务；MEC会根据在SM聚合的细粒度数据，周期性为PS使用训练的模型参数与历史数据Dt＝[Xt‑h,Xt‑h+1,Xt‑h+2,…,Xt‑3,Xt‑2,Xt‑1]进行短期负荷预测，最终得到预测值Yt，并向PS发送预测值Yt与真实值Xt，如果PS对于预测的精度不满意，则重新启动步骤2，进行模型的训练。3.根据权利要求2所述的一种基于联邦学习的短期负荷预测方法，其特征在于，步骤1对于SM与MEC交互进行数据收集的过程如下：步骤1.1：SM初始化，在SM首次使用时进行，PS为电网用户分配SMi与智能电表序列号IDSMi，CA为每一个SMi进行密码学相关密钥分配，包括公私钥对{SKSMi,PKSMi}，其中SKSMi为SMi的私钥，PKSMi为SMi的公钥；每一个MEC下的所有SM为一个群体，对于每一个新加入的SMi与原有的SMj利用安全信道根据IDSMi与IDSMj的大小进行密钥协商，SMi与SMj进行密钥协商的过程具体为：参与方SMi与SMj使用各自私钥SKSMi,SKSMj，与G群大素数P，分别生成SMi与SMj将通过安全信道传递给对方，并利用各自私钥计算协商后的密钥其中Sij＝Sji；步骤1.2：SM对智能电网用户一定时间内消耗的电力数据进行采集与加密，并且发生在2CN116029455A权利要求书2/4页智能电网用户存在的整个时期；SMi每隔t分钟预定义的编码方式将该电