買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網恭喜南方電網數字電網研究院股份有限公司申請的專利基于聯邦學習的云邊協同多居民區(qū)負荷預測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN114462683B 。

龍圖騰網通過國家知識產權局官網在2025-05-13發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202210029647.1，技術領域涉及：G06Q10/04；該發(fā)明授權基于聯邦學習的云邊協同多居民區(qū)負荷預測方法是由彭勇剛;孫靜;胡丹爾;楊晉祥;莫浩杰;韋巍;蔡田田;鄧清唐;陳波;楊英杰;馮起輝設計研發(fā)完成，并于2022-01-11向國家知識產權局提交的專利申請。

本基于聯邦學習的云邊協同多居民區(qū)負荷預測方法在說明書摘要公布了：本發(fā)明涉及電力系統(tǒng)短期負荷預測方法，旨在提供一種基于聯邦學習的云邊協同多居民區(qū)負荷預測方法。本發(fā)明采用云邊協同技術，通過同態(tài)加密技術實現云端服務器與分布于各居民區(qū)的計算客戶端之間的負荷預測模型參數傳輸，達到降低通信成本與保護居民數據隱私的目的；通過采用統(tǒng)一的全局模型而非各異的局部模型對居民區(qū)進行負荷預測，避免了居民區(qū)由于數據數量少或計算能力不夠導致的負荷預測結果不佳的問題。本發(fā)明使用與負荷相關性高的氣象數據作為模型特征參與模型訓練，合理運用不同計算客戶端之間的數據量差異，提升了訓練精度和效率。將居民區(qū)的用戶數據留在本地，只傳輸模型參數，顯著降低了通信耗時與通信所需帶寬，提高模型效率與經濟性。

本發(fā)明授權基于聯邦學習的云邊協同多居民區(qū)負荷預測方法在權利要求書中公布了：1.一種基于聯邦學習的云邊協同多居民區(qū)負荷預測方法，其特征在于，包括以下步驟：1利用設于各居民區(qū)的計算客戶端獲取本居民區(qū)的歷史用電負荷和歷史氣象數據；采用斯皮爾曼相關系數對歷史氣象數據與歷史用電負荷的相關性進行計算與分析，獲得相關度分級，并將滿足預設條件的強相關氣象數據作為模型的輸入；所述斯皮爾曼相關系數的計算公式為： 式中，rs表示斯皮爾曼相關性系數；n表示兩組數據各自的數量，原則上要求待分析的兩組數據數量相同；di表示任意兩個數據次序的差值，即：di＝rgXi-rgYi式中，Xi、Yi表示數據中任意兩個數據點，rgXi表示Xi在數據中的排序位置；rgYi表示Yi在數據中的排序位置；根據斯皮爾曼相關系數的計算獲得相關度之后，按下述判定準則進行分級： 2搭建基于注意力機制的長短期記憶網絡模型attention-lstm，并分別部署在云端服務器和各計算客戶端中；3以云端服務器隨機選擇若干個居民區(qū)，由各計算客戶端利用本居民區(qū)的用電負荷與氣象數據對模型進行局部訓練，并將訓練后的模型參數以同態(tài)加密算法加密之后傳輸給云端服務器；云端服務器采用虛擬客戶端法進行隨機選擇：統(tǒng)計每個可能參與訓練的計算客戶端i的數據條目數量為Fi，將該計算客戶端i在全局模型中的重要度Pir表示為：基于所有原始計算客戶端，依據重要度生成k個復制對象作為虛擬客戶端，第i個客戶端生成的復制對象個數為：Mi＝Pir·k；將虛擬客戶端與原始客戶端整合，云端服務器隨機挑選客戶端進行模型訓練時，第i個客戶端被選取的概率為：在k與N的取值確定的情況下，某客戶端在全局模型中的重要度越高，則在每次訓練時被選取的概率就越大，以此保證重要度高的客戶端具有更多的訓練次數；4云端服務器接收并解密來自計算客戶端的模型參數，對全局模型進行聚合與更新，并將更新后的模型參數下發(fā)給所有計算客戶端；所述步驟4是利用FedAvg算法進行全局模型的聚合與更新，具體使用了下述公式： 其中，Gt+1表示第t+l輪聚合之后的全局模型；Gt表示第t輪聚合之后的全局模型；λ表示設置的更新系數；Lt+1i表示第i個計算客戶端在第t+1輪本地局部訓練更新后的模型；5重復步驟3-4并達到預設的訓練輪數之后，云端服務器利用最終獲得的全局模型對各居民區(qū)的用電負荷進行預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南方電網數字電網研究院股份有限公司，其通訊地址為：510700 廣東省廣州市黃埔區(qū)中新廣州知識城億創(chuàng)街1號406房之86；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。