基于联邦学习的用电量预测模型确定方法技术

本申请涉及人工智能技术领域，提供了一种基于联邦学习的用电量预测模型确定方法

【技术实现步骤摘要】
基于联邦学习的用电量预测模型确定方法、装置和设备


[0001]本申请涉及人工智能
，特别是涉及一种基于联邦学习的用电量预测模型确定方法
、
装置
、
计算机设备
、
存储介质和计算机程序产品
。

技术介绍

[0002]随着电力技术的发展，电力技术为社会经济发展作出了很大的贡献
。
在电力技术中，通过准确地预测用电量，有利于提高电力供应的稳定性
。
因此，如何确定用电量预测模型成为了重要的研究方向
。
[0003]传统技术通常是利用本地记录的用电量数据，确定出用电量预测模型；但是，在如本地记录的数据量较少的情况时，通过该技术难以得到准确的用电量预测模型，导致用电量预测模型的准确率较低
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高用电量预测模型的准确率的基于联邦学习的用电量预测模型确定方法
、
装置
、
计算机设备
、
计算机可读存储介质和计算机程序产品
。
[0005]第一方面，本申请提供了一种基于联邦学习的用电量预测模型确定方法
。
应用于第一终端，所述方法包括：
[0006]获取初始用电量预测模型；
[0007]利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量，对所述初始用电量预测模型进行训练，得到所述第一终端对应的基础用电量预测模型；
[0008]将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统；第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数，利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量，对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证，得到各所述第一终端的模型验证结果，根据各所述第一终端的模型验证结果，发放相应的奖励至各所述第一终端；
[0009]从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数；
[0010]根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比，确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重；
[0011]根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重，对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理，得到目标模型参数；
[0012]根据所述目标模型参数，确定出目标用电量预测模型
。
[0013]在其中一个实施例中，在将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统之后，还包括：
[0014]获取所述分布式系统反馈的所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值；
[0015]将所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值，上传至区块链；
[0016]所述从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数，包括：
[0017]从所述区块链中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值；
[0018]利用各所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值，从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数
。
[0019]在其中一个实施例中，所述利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量，对所述初始用电量预测模型进行训练，得到所述第一终端对应的基础用电量预测模型，包括：
[0020]将所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量，输入至所述第一终端上的初始用电量预测模型，得到与所述第一样本用户对应的所述第一样本时间段的下一时间段的预测用电量；
[0021]根据所述预测用电量和所述第一终端本地存储的与所述第一样本用户对应的所述第一样本时间段的下一时间段的真实用电量之间的差异，对所述第一终端上的初始用电量预测模型进行训练，得到所述第一终端对应的基础用电量预测模型
。
[0022]第二方面，本申请提供了一种基于联邦学习的用电量预测模型确定方法
。
应用于第二终端，所述方法包括：
[0023]从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数；各所述第一终端分别用于获取初始用电量预测模型，并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量，对所述初始用电量预测模型进行训练，得到各所述第一终端对应的基础用电量预测模型，将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统；
[0024]利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量，对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证，得到各所述第一终端的模型验证结果；
[0025]根据各所述第一终端的模型验证结果，发放相应的奖励至各所述第一终端；各所述第一终端分别用于从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数，根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比，确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重，根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重，对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理，得到目标模型参数，根据所述目标模型参数，确定出目标用电量预测模型
。
[0026]在其中一个实施例中，所述根据各所述第一终端的模型验证结果，发放相应的奖励至各所述第一终端，包括：
[0027]获取各所述第一终端的奖励协议；
[0028]根据各所述第一终端的奖励协议和各所述第一终端的模型验证结果，确定出相应的第一终端的奖励；
[0029]将所述相应的第一终端的奖励，发放至所述相应的第一终端
。
[0030]在其中一个实施例中，所述根据各所述第一终端的奖励协议和各所述第一终端的模型验证结果，确定出相应的第一终端的奖励，包括：
[0031]根据各所述第一终端的模型验证结果和各所述第一终端的奖励协议中的达标条件，从各所述第一终端中，确定出达标终端和未达标终端；所述达标终端为对应的模型验证结果满足对应的达标条件的第一终端；所述未达标终端为对应的模型验证结果不满足对应的达标条件的第一终端；
[0032]根据所述达标终端的奖励协议中的奖励信息，确定出所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于联邦学习的用电量预测模型确定方法，其特征在于，应用于第一终端，所述方法包括：获取初始用电量预测模型；利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量，对所述初始用电量预测模型进行训练，得到所述第一终端对应的基础用电量预测模型；将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统；第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数，利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量，对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证，得到各所述第一终端的模型验证结果，根据各所述第一终端的模型验证结果，发放相应的奖励至各所述第一终端；从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数；根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比，确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重；根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重，对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理，得到目标模型参数；根据所述目标模型参数，确定出目标用电量预测模型
。2.
根据权利要求1所述的方法，其特征在于，在将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统之后，还包括：获取所述分布式系统反馈的所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值；将所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值，上传至区块链；所述从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数，包括：从所述区块链中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值；利用各所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值，从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数
。3.
根据权利要求1所述的方法，其特征在于，所述利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量，对所述初始用电量预测模型进行训练，得到所述第一终端对应的基础用电量预测模型，包括：将所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量，输入至所述第一终端上的初始用电量预测模型，得到与所述第一样本用户对应的所述第一样本时间段的下一时间段的预测用电量；
根据所述预测用电量和所述第一终端本地存储的与所述第一样本用户对应的所述第一样本时间段的下一时间段的真实用电量之间的差异，对所述第一终端上的初始用电量预测模型进行训练，得到所述第一终端对应的基础用电量预测模型
。4.
一种基于联邦学习的用电量预测模型确定方法，其特征在于，应用于第二终端，所述方法包括：从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数；各所述第一终端分别用于获取初始用电量预测模型，并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量，对所述初始用电量预测模型进行训练，得到各所述第一终端对应的基础用电量预测模型，将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统；利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量，对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证，得到各所述第一终端的模型验证结果；根据各所述第一终端的模型验证结果，发放相应的奖励至各所述第一终端；各所述第一终端分别用于从所述分布式系统中，获取各所述第一终端对应的基础用电量预测模型中的基础模型参数，根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比，确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重，根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重，对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理，得到目标模型参数，根据所述目标模型参数，确定出目标用电量预测模型
。5.
根据权利要求4所述的方法，其特征在于，所述根据各所述第一...

【专利技术属性】
技术研发人员：李鹏，黄文琦，梁凌宇，戴珍，侯佳萱，曹尚，张焕明，赵翔宇，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：