一种面向电力物联网的电力终端多任务联邦学习方法

技术特征：
1.一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，包括j个电力服务提供商、i个电力终端和l个边缘聚合器，j'={1,2,
…
,j}，i'={1,2,
…
,i}，l'={1,2,
…
,l}，具体步骤如下：步骤一、电力服务提供商j在云平台发布一组联邦学习任务集γ=｛γ
j,1
,
…
,γ
j,k
,
…
,｝，j∈j'，其中，γ
j,k
为电力服务提供商j的第k个任务，k
j
为电力服务提供商j的任务总数；云平台初始化全局模型，k=1,2,
…
，k
j
，回合索引t初始化为0；步骤二、云平台将全局模型分发到每个边缘聚合器，表示回合t中电力服务提供商j的第k个任务的全局模型；边缘聚合器将接收到的全局模型发送到边缘聚合器覆盖范围内的电力终端；步骤三、将训练获得的全局模型作为该电力终端i在回合t中的本地模型；将本地模型上传到覆盖电力终端i的边缘聚合器l；步骤四、收集边缘聚合器l的覆盖范围内所有电力终端的本地模型；对电力终端的本地模型执行边缘聚合，得到局部模型：其中，为边缘聚合器l覆盖范围内的所有电力终端集合，为电力终端参与电力服务提供商j的第k个任务γ
j,k
的训练数据集大小，∈；边缘聚合完成后，所有边缘聚合器将局部模型发送到云平台进行中心聚合，得到全局模型：，，其中，为边缘聚合器l的权重；步骤五、判断全局模型是否达到预定精度，若没有达到则t的数值按照设定的规则变化，并执行步骤二，否则结束运行。
2.根据权利要求1所述的一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，向全局模型输入某地区待计算月份的前三个月历史用电量参数，预测输出某地区待计算月份的用电量预测值；历史用电量参数包括某地区每日平均用电时长、某地区每日平均用电功率、某地区住户总数和某地区工厂总数。3.根据权利要求1所述的一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，步骤三中，训练获得全局模型，通过以下步骤实现：获取电力终端i参与电力服务提供商j的第k个任务γ
j,k
的训练数据集以及数据质量因子q
i,j,k
，大小为；电力终端i采用监督学习方式，利用训练数据集训练电力终端i的全局模型；将训练数据集拆分为若干个批次；通过随机梯度下降算法将每个批次输入全局模型进行训练，获得最终的全局模型。4.根据权利要求3所述的一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，步骤三中，获取电力终端参与电力服务提供商j的第k个任务γ
j,k
的训练数据集和q
i,j,k
，通过以下步骤实现：步骤3-1）：建立电力终端i参与电力服务提供商j的第k个任务γ
j,k
的效益函数：其中，
ϖ
是平衡收入和成本的权重参数，δ
i,j,k
是在γ
j,k
中电力终端i的本地模型推理精度达到设定的最高阈值时的付款，c
i,j,k
是执行γ
j,k
时电力终端i的总成本；的表达式为：的表达式为：，其中，λ
n
为正曲线拟合参数，1≤n≤6，w
i,j,k
为电力终端i参与γ
j,k
的样本分布差异值，代表标签集合，p
i,j,k
(y=u)代表标签u的样本在训练数据集所占的的比例，p
j,k
(y=u)代表标签u的样本在训练数据集中所占的比例，是加入γ
j,k
的一组电力终端，i
j,k
是加入γ
j,k
的电力终端的总数量；q
i,j,k
代表样本的数据质量，q
i,j,k
∈[0,1]；步骤3-2）：建立电力服务提供商j在γ
j,k
中的效益函数π
j,k
：
，，其中，μ是平衡全局模型推理精度和总奖励的权重参数，λ
c
是调节参数；是加入γ
j,k
的一组电力终端，δ
i,j,k
是在γ
j,k
中电力终端i的本地模型推理精度达到设定的最高阈值时的付款，是电力服务提供商j向云平台支付的全局模型聚合成本，代表全局模型大小，i
j,k
代表参与γ
j,k
的电力终端数量，p
cloud
是电力服务提供商向云平台支付的单位款项，代表γ
j,k
的全局模型推理精度；的表达式为：,,是参与γ
j,k
中所有电力终端w
i,j,k
的平均值；步骤3-3）：建立联合优化问题：问题1：问题2：，其中，u
i,j,k
指电力终端i参与电力服务提供商j的γ
j,k
的效益函数，为电力终端i参与γ
j,k
的最大的训练数据集的样本数量，为电力服务提供商j对γ
j,k
的最大预算；步骤3-4）：利用遗传算法求解步骤3-3）的联合优化问题，得到q
i,j,k
、s
i,j,k
和δ
i,j,k
的解。5.根据权利要求4所述的一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，设定的最高阈值为。6.根据权利要求4所述的一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，
总成本包括本地数据成本、本地计算成本和通信成本。7.根据权利要求1所述的一种面向电力物联网的电力终端多任务联邦学习方法，其特征在于，t的数值按照设定的规则变化，具体是指：t的数值增加1的设定倍数。8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。

技术总结
本发明公开了一种面向电力物联网的电力终端多任务联邦学习方法，1）电力服务提供商在云平台发布联邦学习任务后，云平台初始化全局模型；2）云平台将全局模型依次分发到边缘聚合器和电力终端，在电力终端通过使用本地能量数据训练本地模型，本地模型训练完毕后上传到边缘聚合器；3）利用边缘聚合器在边缘平台中执行边缘聚合后将局部模型发送到云平台进行中心聚合，获得全局模型；全局模型预测电量。全局模型预测电量。全局模型预测电量。


技术研发人员：杨健 陈春玲 周焱
受保护的技术使用者：南京邮电大学
技术研发日：2022.08.17
技术公布日：2022/9/13