一种基于联邦学习的短期负荷预测方法技术

本发明专利技术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

【技术实现步骤摘要】
一种基于联邦学习的短期负荷预测方法


[0001]本专利技术涉及信息安全
，具体涉及一种基于联邦学习的短期负荷预测方法。

技术介绍

[0002]智能电网环境下，对于电力供应商而言，需要设计准确且高效的短期负荷预测方案以维持智能电网的安全与稳定，并实现价值利益最大化。首先，短期负荷预测业务是一个需要快速且高精度分析的问题，准确性与效率对电力供应商利益和智能电网的安全稳定起着至关重要的作用。其次，除了准确性与效率之外，还需要考虑两个问题，一是负荷预测方法例如机器学习、深度学习等，需要大量智能电网用户的用电细粒度数据，二是智能电网用户的细粒度数据会泄露电网用户的行为隐私，进而造成生命财产安全问题。因此，电力供应商与电网用户之间存在一定的矛盾点，电力供应商需要电网用户的数据，电网用户因其隐私问题，并不想将数据交给电力供应商。因此，设计一个面向智能电网的隐私安全且准确高效的负荷预测方案，对于智能电网的安全稳定有着重大的意义。
[0003]为了解决电网用户的隐私问题，现有解决电力供应商与电网用户之间矛盾有两种主流解决方案，一种是基于数据聚合的负本文档来自技高网...

【技术保护点】

【技术特征摘要】
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D
t
＝[X
t
‑
h
,X
t
‑
h+1
,X
t
‑
h+2
,
…
,X
t
‑3,X
t
‑2,X
t
‑1]进行短期负荷预测，最终得到预测值Y
t
，并向PS发送预测值Y
t
与真实值X
t
，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SM
i
与智能电表序列号ID
SMi
，CA为每一个SM
i
进行密码学相关密钥分配，包括公私钥对{SK
SMi
,PK
SMi
}，其中SK
SMi
为SM
i
的私钥，PK
SMi
为SM
i
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SM
i
与原有的SM
j
利用安全信道根据ID
SMi
与ID
SMj
的大小进行密钥协商，SM
i
与SM
j
进行密钥协商的过程具体为：参与方SM
i
与SM
j
使用各自私钥SK
SMi
,SK
SMj
，与G群大素数P，分别生成SM
i
与SM
j
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S
ij
＝S
ji
；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
智能电网用户存在的整个时期；SM
i
每隔t分钟预定义的编码方式将该电网用户的用电信息进行二进制编码记为B(x
i
)以备使用，时间t由PS设定，然后MEC群组下的所有SM
i
之间协商随机数生成种子，最后所有的SM加密B(x
i
)记为x
i
，并对x
i
进行签名记为σ
i
，将{ID
SMi
,x
i
,σ
i
}发送给MEC；步骤1.3：MEC对SM发送的电力数据及签名进行聚合解密，发生在MEC收到SM
i
的数据后；MEC首先进行签名的批量验证，若验证成功，则聚合所有的x
i
，若验证不成功，则使用二分查找的方式，找到出错的签名σ
k
，并对其他的SM
i
,i≠k，询问解密因子，解密后重新聚合电力数据。4.根据权利要求3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1.2具体为：步骤1.2.1：为了MEC能够一次性聚合多种电力数据，对电力数据进行编码；步骤1.2.1.1：对于数值型数据Num的总和统计，直接转为二进制编码，并注意B
Num
>log2(sum(Num))，其中B
Num
表示二进制的位数，sum(Num)表示该区域Num的总和的最大值；步骤1.2.1.2：对于设备状态类数据的频数统计，首先根据该区域的总设备数为N，接着计算b＝log2N，随后进行b位编码；步骤1.2.2：SM对进行二进制编码后的电力数据进行MEC下的所有SM协商伪随机数生成器PRG种子，随后，SM
i
对B(x
i
)加密为x
i
并签名为σ
i
，将{ID
sMi
,x
i
,σ
i
}发送给MEC；步骤1.2.2.1：协商随机数；MEC下的所有SM通过安全信道，PRG种子，PRG种子一致时，输出值一致；步骤1.2.2.2：数据加密；SM
i
计算其中i，j表示SM
i
的序列号ID
SMi
与SM
j
的ID
SMj
，PRG(S
i,j
)表示对经过协商的密钥S
i,j
进行伪随机输出；步骤1.2.2.3：数据签名；SM
i
对x
i
进行签名得到σ
i
＝SK
SMi

【专利技术属性】
技术研发人员：殷井利，鲁宁，史闻博，张蕊，戎光照，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：