CN113642809A - 一种用电量预测方法、装置、计算机设备和存储介质 - Google Patents
一种用电量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113642809A CN113642809A CN202111021694.3A CN202111021694A CN113642809A CN 113642809 A CN113642809 A CN 113642809A CN 202111021694 A CN202111021694 A CN 202111021694A CN 113642809 A CN113642809 A CN 113642809A
- Authority
- CN
- China
- Prior art keywords
- group
- model parameters
- intra
- aggregation
- grouping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 198
- 238000004220 aggregation Methods 0.000 claims abstract description 198
- 238000006116 polymerization reaction Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请涉及一种用电量预测方法、装置、计算机设备和存储介质。该方法包括：对获取到的各个参与方分别对应的本地模型参数进行聚类分组，将各个参与方分别划分到相应的分组簇内；分别从相应分组簇内包括的多个参与方中，确定组内聚合方，触发组内聚合方基于组内其余各参与方的本地模型参数进行组内聚合，得到目标组模型参数；从多个组内聚合方中，确定全局聚合方，并触发全局聚合方对各个分组簇的目标组模型参数进行全局聚合，得到全局模型参数；触发各参与方基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，输出目标预测模型。
Description
技术领域
本申请涉及电力调度技术领域，特别是涉及一种用电量预测方法、装置、计算机设备和存储介质。
背景技术
在电力机构内部多部门联合建模与跨机构数据合作的时候，内部的用电量数据通常是由各个子公司的采集点进行采集，并存储在子公司下属的计量中心。其中，采集的这些数据本身就具备较高的挖掘价值，能够有效的实现用电量预测，并为后续的电力调度提供良好的数据支持。但是由于用电量数据是分布式的存储在各个子公司的本地服务器，在调用这些用电量数据的时候，需要分别对各个子公司的本地服务器进行数据访问。
现有技术为了解决上述问题，是通过一个统一的数据中心从下属的各个子公司进行用电量数据的收集，并将收集到的用电量数据存储至数据中心本地；之后，在通过数据中心基于收集到的用电量数据，进行未来预设时段内的用电量预测。虽然，该方式能够实现对未来预设时段内的用电量预测，但却会由于自身存在的内在、外在问题，影响用电量的预测准确度。
发明内容
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的预测准确度的用电量预测方法、装置、计算机设备和存储介质。
一种用电量预测方法，包括以下步骤：
基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，所述本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；
针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；
从所述多个组内聚合方中，确定全局聚合方，并触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；
触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；所述目标预测模型用于进行用电量的预测。
一种用电量预测装置，所述装置包括：
分组模块，用于基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，所述本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；
筛选模块，用于针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方；
触发模块，用于触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；
所述筛选模块，还用于从所述多个组内聚合方中，确定全局聚合方；
所述触发模块，还用于触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；所述目标预测模型用于进行用电量的预测。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，所述本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；
针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；
从所述多个组内聚合方中，确定全局聚合方，并触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；
触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；所述目标预测模型用于进行用电量的预测。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，所述本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；
针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；
从所述多个组内聚合方中，确定全局聚合方，并触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；
触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；所述目标预测模型用于进行用电量的预测。
上述用电量预测方法、装置、计算机设备和存储介质，基于各个参与方分别对应的本地模型参数，进行聚类分组，以将各个参与方划分到相应的分组簇内。且，基于分组情况，先对各个分组簇内进行组内聚合，之后再基于组内聚合得到的目标组模型参数，进行全局聚合，此时，将得到对应的全局模型参数。之后，触发各个参与方基于得到的全局模型参数对本地维护的预测模型进行更新，并在确定更新后的预测模型不满足预设收敛条件时，继续进行组内聚合和全局聚合的步骤，这样经过多轮的迭代训练之后，将得到训练好的目标预测模型，并利用此模型进行用电量的预测。当前，采用层次化的联邦学习方法，能够充分利用每个参与方的本地用电量数据，使得用电量的预测结果更加准确，避免了参与方直接传输自身的已用电量数据，减少了大量数据传输的步骤，提高了模型训练效率，以及提高不同参与方间合作过程中的信息安全性。
附图说明
图1为一个实施例中一种用电量预测方法的应用环境图；
图2为一个实施例中一种用电量预测方法的流程示意图；
图3为一个实施例中层次化联邦学习的框架图；
图4为一个实施例中对参与方进行聚类分组步骤的流程示意图；
图5为一个实施例中基于LSTM的用电预测模型结构图；
图6为一个实施例中组内聚合步骤的流程示意图；
图7为一个实施例中一种用电量预测装置的系统结构图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的用电量预测方法，可以应用于如图1所示的应用环境中。其中，图1示意的应用环境中包括分组服务器102，以及通过网络连接到分组服务器102的多个作为参与方的业务服务器104。
具体的，在进行用电量预测时包括：分组服务器102基于获取到的各个参与方104分别对应的本地模型参数，对各参与方104进行聚类分组，以将满足相似条件的多个匹配参与方104划分到相应的分组簇内；其中，本地模型参数是参与方104基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；针对每个分组簇，分组服务器102分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；分组服务器102从多个组内聚合方中，确定全局聚合方，并触发全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；各参与方104分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；目标预测模型用于进行用电量的预测。
在一个实施例中，分组服务器102和业务服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现，本申请实施例对此不作限定。
在一个实施例中，如图2所示，提供了一种用电量预测方法，以该方法应用于图1中的分组服务器为例进行说明，包括以下步骤：
步骤S202，基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到。
具体地，分组服务器在确定成功连接到各个参与方的时候，向各个参与方请求进行本地模型参数的获取，并对各个参与方对应反馈的参数数据进行接收。之后，再基于得到的各个参与方分别对应的本地模型参数，采用预设的聚类方式对各个参与方进行聚类分组，以将具备相似本地模型参数的多个匹配参与方划分到相应的分组簇内。
其中，聚类指的是一个对某些方面相似的数据成员进行分类组织的过程。在一个实施例中，分组服务器采用聚类算法对各个参与方进行聚类分组。需要说明的是，本申请实施例采用的聚类算法如K均值聚类、基于层次聚类的算法或基于密度聚类的算法等，本申请实施例对此不作限定。
在一个实施例中，分组服务器可采用K均值聚类算法进行聚类，聚类过程中，分组服务器基于各参与方的本地模型参数之间的相似程度，将相似程度满足预设相似条件的多个匹配参与方划分到相应的分组簇内。需要说明的是，k均值聚类算法是根据某个距离函数，反复将数据分入到k个聚类中，具体的分组情况，也可参考图3进行理解。
在其中一个实施例中，基于各个参与方联合组成的私有的IPFS(InterPlanetaryFile System，分布式文件系统)网络，各个参与方根据本地维护的初始预测模型，对本地存储的用电量数据进行训练；接着再根据训练结果，进行本地模型参数(可以理解的是，本地模型参数包括但不限于模型的梯度参数和权重参数)的提取。之后，各个参与方将提取得到的本地模型参数，上传到上述的IPFS网络中，并接收该IPFS网络对应反馈的文件Hash值。在一个实施例中，参与方将接收到的文件Hash值打包，并将相应的打包文件上传到区块链中，以完成上链。
步骤S204，针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数。
具体地，针对每个分组簇，分组服务器将基于预先设定的组内选择顺序，从相应分组簇内包括的多个匹配参与方中，确定组内聚合方。之后，分组服务器将触发组内聚合方，获取组内其余各匹配参与方的本地模型参数，并在进行组内聚合之后，得到相应的目标组模型参数。在一个实施例中，组内聚合方将组内聚合得到的目标组模型参数，记录到相应的组内参数文件中，并将该组内参数文件下发到组内其余各匹配参与方，由组内其余各匹配参与方基于获取到的组内参数文件，进行本地模型参数的更新。
在其中一个实施例中，基于各个参与方联合组成的私有的IPFS网络，在确定参与方将文件Hash值与其他的相关信息打包上链时，组内聚合方将从区块链中读取组内其他参与方上传的文件Hash值。之后，在确定文件Hash值读取成功时，组内聚合方再通过相应的IPFS节点拉取组内其他参与方、且记录有本地模型参数的参数文件，并在参数文件收集完成时，基于拉取到的本地模型参数在本地进行组内聚合，得到相应的目标组模型参数。需要说明的是，一个分组簇即对应一个目标组模型参数，且，该分组簇中的各个匹配参与方共享该目标组模型参数，以使得组内各个匹配参与方的本地模型参数保持一致。
基于上述的实施例，组内聚合方还会将聚合得到的目标组模型参数记录到组内参数文件中，并将该组内参数文件上传到上述的IPFS网络，以及，对该IPFS网络反馈的文件Hash值进行接收，以及，将接收到的文件Hash值与其他相关信息上传至区块链。在一个实施例中，区块链在接收到经由组内聚合方上传的文件Hash值时，将同步通知组内的其余各个参与方，以使得组内的其余各个参与方能够根据更新参数的文件Hash值访问上述的IPFS网络，以及，从组内聚合方或先前已提取到目标组模型参数的组内其他参与方处，进行组内参数文件的下载，并基于下载所得的组内参数文件，进行本地模型参数的更新。
步骤S206，从多个组内聚合方中，确定全局聚合方，并触发全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数。
具体地，从多个组内聚合方中，确定全局聚合方，并触发全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数，包括：基于最后一次组内聚合迭代中，对应选择到的多个组内聚合方，进行全局聚合方的选定；触发全局聚合方，对各分组簇分别对应的目标组模型参数进行获取，以及对获取到的各个目标组模型参数进行聚合，得到相应的全局模型参数。
在其中一个实施例中，基于各个参与方联合组成的私有的IPFS网络，每个组内最后一次组内聚合迭代中选择到的组内聚合方，会将组内聚合得到的目标组模型参数上传至全局区块链中。之后，分组服务器基于每个组内最后一次组内聚合迭代中选择到的多个组内聚合方，进行全局聚合方的选定，并由选择到的全局聚合方进行全局聚合。在一个实施例中，全局聚合方将聚合得到的全局模型参数记录到全局文件中，并将该全局文件的全局文件Hash值上传至上述的IPFS网络、以及全局区块链中，之后，各个参与方能够通过全局区块链进行全局文件Hash值的获取，并通过相应的IPFS节点拉取全局模型参数。
步骤S208，触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；目标预测模型用于进行用电量的预测。
具体地，全局聚合方将聚合得到的全局模型参数记录到全局文件中，并将全局文件下发到各个参与方，以由各个参与方基于全局文件中记录的全局模型参数，对本地维护的初始预测模型进行更新，并在更新完成之后，返回到上述的步骤S202中，基于更新后的预测模型重新进行组内聚合和全局聚合。在达到一定的迭代次数时，在确定当前迭代中更新得到的预测模型收敛时，基于当前训练好的目标预测模型进行用电量的预测，并停止迭代，输出相应的预测结果。
在一个实施例中，触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型，包括：触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新；在确定更新后的预测模型不收敛时，将进入到下一次的模型迭代优化过程；在确定进入到下一次的模型迭代优化过程时，将前一次迭代中得到的更新后的预测模型，作为当前迭代中参与方本地维护的初始预测模型，并返回到基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组步骤继续执行，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型。
在其中一个实施例中，各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并在确定更新后的预测模型不收敛时，将重新进行组内聚合和全局聚合的联邦学习训练与聚合，直到确定更新后的预测模型收敛时，得到训练好的目标预测模型，并基于该目标预测模型进行用电量预测。
上述用电量预测方法中，基于各个参与方分别对应的本地模型参数，进行聚类分组，以将各个参与方划分到相应的分组簇内。且，基于分组情况，先对各个分组簇内进行组内聚合，之后再基于组内聚合得到的目标组模型参数，进行全局聚合，此时，将得到对应的全局模型参数。之后，触发各个参与方基于得到的全局模型参数对本地维护的预测模型进行更新，并在确定更新后的预测模型不满足预设收敛条件时，继续进行组内聚合和全局聚合的步骤，这样经过多轮的迭代训练之后，将得到训练好的目标预测模型，并利用此模型进行用电量的预测。当前，采用层次化的联邦学习方法，能够充分利用每个参与方的本地用电量数据，使得用电量的预测结果更加准确，避免了参与方直接传输自身的已用电量数据，减少了大量数据传输的步骤，提高了模型训练效率，以及提高不同参与方间合作过程中的信息安全性。
在一个实施例中，如图4所示，基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内，包括：
步骤S402，获取各个参与方分别对应的本地模型参数。
具体的，在各个参与方联合组成的私有的IPFS网络中，分组服务器基于私有链连接到各个参与方。其中，分组服务器在进行本地模型参数获取之前，将对私有链进行初始化，并在确定参与方以按照预设的训练轮次数量进行全局联邦学习的预训练，将训练得到的本地模型参数上传到上述的IPFS网络中，并从区块链中读取各个参与方上传的IPFS文件Hash值，这样分组服务器就能通过相应的IPFS节点拉取到本地模型参数。
在一个实施例中，分组服务器基于LSTM(Long Short-Term Memory，长短期记忆)网络进行模型训练。其中，LSTM网络的模型结构图请参考图5。基于图5可知，本实施例所采用的LSTM网络包括输入层、LSTM网络层和全连接层；其中，输入层中的每一个时刻的特征向量均对应一个LSTM网络层结构；而，LSTM超参数网络层数和LSTM细胞数量将决定一个LSTM网络中所包含的LSTM细胞的堆叠结构与总数量；对于一个时间窗口为w的训练，w个LSTM网络的输出将作为输入X，给到全连接层，以将LSTM映射到输出的特征空间中。
在一个实施例中，模型实际训练的过程中，对于包含多个隐含层的LSTM网络模型，将采取dropout-过拟合技术，以避免模型过于依赖少量局部神经元，解决训练后期模型过拟合的问题，进一步提升了模型的鲁棒性以及训练效率。需要说明的是，dropout技术在保留输出门权值的情况下，将随机舍弃部分隐含层的输出。同时在网络训练的过程中，在观察到损失函数在后期下降缓慢并出现震荡的问题时，为提升整体的学习效果和学习效率，也可以引入固定步长衰减的学习率衰减策略，在保证模型前期的学习效率的同时，提升模型后期的学习精细度。
步骤S404，将各参与方所对应的本地模型参数作为样本，将各参与方所构成的集合作为样本空间，在聚类分析的初始阶段中，在样本空间中进行预设数量个聚类中心的选择；每个聚类中心表征一个分组簇。
步骤S406，计算各样本分别与每个聚类中心的距离，将样本划分至距离最近的聚类中心，以构成相应的分组簇。
步骤S408，计算各个分组簇的均值，将均值作为新的聚类中心，基于新的聚类中心返回计算各样本分别与每个聚类中心的距离的步骤继续执行，以进行迭代处理，直至聚类中心不再发生变动或者达到预设迭代次数时停止，得到多个分组簇。
具体的，分组服务器将数据分为K组，并随机选取K个对象作为初始的聚类中心。之后，再计算每个对象与各个种子聚类中心之间的距离，并把每个对象分配给距离它最近的聚类中心。其中，聚类中心以及分配给它们的对象就代表一个聚类(即分组簇)。而，分组服务器在每分配一个样本时，聚类的聚类中心，则会根据聚类中现有的对象进行重新计算，得到新的聚类中心。上述的过程将不断重复，直到满足预设终止条件时，则输出对应的分组簇。
在其中一个实施例中，终止条件可以为没有(或最小数目)对象被重新分配给不同的聚类、没有(或最小数目)聚类中心再发生变化、误差平方和局部最小等，本申请实施例对此不作限定。
本实施例中，通过k均值聚类算法对各参与方进行聚类分组，由于其原理简单、易于操作，且执行效率高，能够有效降低分组复杂度，提高分组执行效率。
在一个实施例中，如图6所示，触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数，包括：
步骤S602，在进行首次组内聚合迭代时，触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数。
步骤S604，触发各个参与方基于初始组模型参数，进行本地模型参数的更新，以确定相应的更新模型参数。
具体的，每个分组簇内在进行首次组内聚合时，分组服务器将触发组内聚合方，基于组内其余各个匹配参与方的本地模型参数进行聚合，并得到相应的初始组模型参数。在一个实施例中，分组服务器将所得的初始组模型参数记录在相应的组内参数文件中，并将该文件下发到每个参与方，由各个参与方基于获取到的组内参数文件进行本地模型参数的更新。
步骤S606，按照组内选择顺序，从相应分组簇内的其余各匹配参与方中，进行组内聚合方的重新选定，以确定与下一次组内训练相对应的组内聚合方。
具体的，分组服务器预先在相应的组范围内，为每个组内参与方确定好一个特定的组内选择顺序，并将所确定的组内选择顺序发送给每一个组内参与方，使得各个组内参与方能够预先确定参与执行调度工作的轮次，即在第几轮的迭代中，充当组内聚合方。在一个实施例中，上述的组内选择顺序可以基于参与方的ID(Identity document，身份证标识号)进行设定、或基于参与方的优先级别等进行设定，本申请实施例对此不作限定
步骤S608，在进入下一次组内聚合迭代时，将更新模型参数作为下一次组内聚合迭代中的本地模型参数，并返回到触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数的步骤继续执行，直到满足预设的迭代结束条件时停止，将最后一次组内聚合迭代中计算得到的初始组模型参数作为目标组模型参数。
具体的，在进入下一次组内聚合迭代时，组内聚合方将再次获取组内其余各个参与方更新后的本地模型参数，并基于更新后的本地模型参数进行聚合，得到记录有组模型参数的组内参数文件。此时，组内聚合方会将当前迭代中得到的组内参数文件，下发到其余各个组内参与方，由其余各个组内参与方再次基于获取到的组内参数文件，更新本地模型参数。如此进行多次迭代，直到满足预设的迭代结束条件时停止，将最后一次组内聚合迭代中计算得到的组模型参数作为目标组模型参数。
在一个实施例中，预设的迭代结束条件可以为达到预设迭代次数、聚合得到的组模型参数在连续多次的迭代过程中保持不变、以及组内所有的参与方均已作为组内聚合方等，本申请实施例对此不作限定。
本实施例中，通过对参与方进行分组，并在组内进行联邦学习训练与聚合(即组内聚合)，能够充分利用每个参与方的本地用电量数据，使得用电量的预测结果更加精准，而且避免了传统中心式联邦学习中的中央服务器故障导致的一系列问题，提高了用电量的预测准确度。
在一个实施例中，该方法还包括：根据相应分组簇内包括的多个匹配参与方，确定筛选范围；在筛选范围内，确定各个匹配参与方依次被选择作为相应组内聚合迭代中的组内聚合方的组内选择顺序。
具体的，分组服务器将所属同一个分组簇的多个匹配参与方设置在一个筛选范围内，该筛选范围内，各个匹配参与方的组内选择顺序可以基于参与方ID(Identitydocument，身份证标识号)、优先级别等进行设定，本申请实施例对此不作限定。需要说明的是，各个参与方使用自身采集的本地用电量数据训练模型，并轮转地承担组内聚合方的角色。在组范围的联邦学习中，通过组内聚合方收集组内各个其余参与方经本地训练得到的本地模型参数，并基于收集到的本地模型参数进行组内聚合以及全局聚合。当前实施例中，充分利用了每个参与方的用电量数据，使得用电量的预测结果更加准确，同时层次化的结构也能降低全局通讯成本。
应该理解的是，虽然图2、图4和图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4和图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，请参考图7，提供了一种用电量预测装置700，该装置700包括分组模块701、筛选模块702和触发模块703，其中：
分组模块701，用于基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到。
筛选模块702，用于针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方。
触发模块703，用于触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数。
筛选模块702，还用于从多个组内聚合方中，确定全局聚合方。
触发模块703，还用于触发全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；目标预测模型用于进行用电量的预测。
在其中一个实施例中，筛选模块702，还用于获取各个参与方分别对应的本地模型参数；将各参与方所对应的本地模型参数作为样本，将各参与方所构成的集合作为样本空间，在聚类分析的初始阶段中，在样本空间中进行预设数量个聚类中心的选择；每个聚类中心表征一个分组簇；计算各样本分别与每个聚类中心的距离，将样本划分至距离最近的聚类中心，以构成相应的分组簇；计算各个分组簇的均值，将均值作为新的聚类中心，基于新的聚类中心返回计算各样本分别与每个聚类中心的距离的步骤继续执行，以进行迭代处理，直至聚类中心不再发生变动或者达到预设迭代次数时停止，得到多个分组簇。
在其中一个实施例中，触发模块703，还用于在进行首次组内聚合迭代时，触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数；触发各个参与方基于初始组模型参数，进行本地模型参数的更新，以确定相应的更新模型参数；按照组内选择顺序，从相应分组簇内的其余各匹配参与方中，进行组内聚合方的重新选定，以确定与下一次组内训练相对应的组内聚合方；在进入下一次组内聚合迭代时，将更新模型参数作为下一次组内聚合迭代中的本地模型参数，并返回到触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数的步骤继续执行，直到满足预设的迭代结束条件时停止，将最后一次组内聚合迭代中计算得到的初始组模型参数作为目标组模型参数。
在其中一个实施例中，筛选模块702，还用于根据相应分组簇内包括的多个匹配参与方，确定筛选范围；在筛选范围内，确定各个匹配参与方依次被选择作为相应组内聚合迭代中的组内聚合方的组内选择顺序。
在其中一个实施例中，触发模块703，还用于基于最后一次组内聚合迭代中，对应选择到的多个组内聚合方，进行全局聚合方的选定；触发全局聚合方，对各分组簇分别对应的目标组模型参数进行获取，以及对获取到的各个目标组模型参数进行聚合，得到相应的全局模型参数。
在其中一个实施例中，触发模块703，还用于触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新；在确定更新后的预测模型不收敛时，将进入到下一次的模型迭代优化过程；在确定进入到下一次的模型迭代优化过程时，将前一次迭代中得到的更新后的预测模型，作为当前迭代中参与方本地维护的初始预测模型，并返回到基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组步骤继续执行，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型。
上述用电量预测装置，基于各个参与方分别对应的本地模型参数，进行聚类分组，以将各个参与方划分到相应的分组簇内。且，基于分组情况，先对各个分组簇内进行组内聚合，之后再基于组内聚合得到的目标组模型参数，进行全局聚合，此时，将得到对应的全局模型参数。之后，触发各个参与方基于得到的全局模型参数对本地维护的预测模型进行更新，并在确定更新后的预测模型不满足预设收敛条件时，继续进行组内聚合和全局聚合的步骤，这样经过多轮的迭代训练之后，将得到训练好的目标预测模型，并利用此模型进行用电量的预测。当前，采用层次化的联邦学习方法，能够充分利用每个参与方的本地用电量数据，使得用电量的预测结果更加准确，避免了参与方直接传输自身的已用电量数据，减少了大量数据传输的步骤，提高了模型训练效率，以及提高不同参与方间合作过程中的信息安全性。
需要说明的是，关于用电量预测装置的具体限定可以参见上文中对于用电量预测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机设备。需要说明的是，上述各方法实施例中的分组服务器、以及作为参与方的业务服务器均可以通过计算机设备来实现。该计算机设备可以是终端或服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用电量预测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；从多个组内聚合方中，确定全局聚合方，并触发全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；目标预测模型用于进行用电量的预测。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各个参与方分别对应的本地模型参数；将各参与方所对应的本地模型参数作为样本，将各参与方所构成的集合作为样本空间，在聚类分析的初始阶段中，在样本空间中进行预设数量个聚类中心的选择；每个聚类中心表征一个分组簇；计算各样本分别与每个聚类中心的距离，将样本划分至距离最近的聚类中心，以构成相应的分组簇；计算各个分组簇的均值，将均值作为新的聚类中心，基于新的聚类中心返回计算各样本分别与每个聚类中心的距离的步骤继续执行，以进行迭代处理，直至聚类中心不再发生变动或者达到预设迭代次数时停止，得到多个分组簇。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在进行首次组内聚合迭代时，触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数；触发各个参与方基于初始组模型参数，进行本地模型参数的更新，以确定相应的更新模型参数；按照组内选择顺序，从相应分组簇内的其余各匹配参与方中，进行组内聚合方的重新选定，以确定与下一次组内训练相对应的组内聚合方；在进入下一次组内聚合迭代时，将更新模型参数作为下一次组内聚合迭代中的本地模型参数，并返回到触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数的步骤继续执行，直到满足预设的迭代结束条件时停止，将最后一次组内聚合迭代中计算得到的初始组模型参数作为目标组模型参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据相应分组簇内包括的多个匹配参与方，确定筛选范围；在筛选范围内，确定各个匹配参与方依次被选择作为相应组内聚合迭代中的组内聚合方的组内选择顺序。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于最后一次组内聚合迭代中，对应选择到的多个组内聚合方，进行全局聚合方的选定；触发全局聚合方，对各分组簇分别对应的目标组模型参数进行获取，以及对获取到的各个目标组模型参数进行聚合，得到相应的全局模型参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新；在确定更新后的预测模型不收敛时，将进入到下一次的模型迭代优化过程；在确定进入到下一次的模型迭代优化过程时，将前一次迭代中得到的更新后的预测模型，作为当前迭代中参与方本地维护的初始预测模型，并返回到基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组步骤继续执行，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型。
上述计算机设备，基于各个参与方分别对应的本地模型参数，进行聚类分组，以将各个参与方划分到相应的分组簇内。且，基于分组情况，先对各个分组簇内进行组内聚合，之后再基于组内聚合得到的目标组模型参数，进行全局聚合，此时，将得到对应的全局模型参数。之后，触发各个参与方基于得到的全局模型参数对本地维护的预测模型进行更新，并在确定更新后的预测模型不满足预设收敛条件时，继续进行组内聚合和全局聚合的步骤，这样经过多轮的迭代训练之后，将得到训练好的目标预测模型，并利用此模型进行用电量的预测。当前，采用层次化的联邦学习方法，能够充分利用每个参与方的本地用电量数据，使得用电量的预测结果更加准确，避免了参与方直接传输自身的已用电量数据，减少了大量数据传输的步骤，提高了模型训练效率，以及提高不同参与方间合作过程中的信息安全性。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；从多个组内聚合方中，确定全局聚合方，并触发全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；目标预测模型用于进行用电量的预测。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各个参与方分别对应的本地模型参数；将各参与方所对应的本地模型参数作为样本，将各参与方所构成的集合作为样本空间，在聚类分析的初始阶段中，在样本空间中进行预设数量个聚类中心的选择；每个聚类中心表征一个分组簇；计算各样本分别与每个聚类中心的距离，将样本划分至距离最近的聚类中心，以构成相应的分组簇；计算各个分组簇的均值，将均值作为新的聚类中心，基于新的聚类中心返回计算各样本分别与每个聚类中心的距离的步骤继续执行，以进行迭代处理，直至聚类中心不再发生变动或者达到预设迭代次数时停止，得到多个分组簇。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在进行首次组内聚合迭代时，触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数；触发各个参与方基于初始组模型参数，进行本地模型参数的更新，以确定相应的更新模型参数；按照组内选择顺序，从相应分组簇内的其余各匹配参与方中，进行组内聚合方的重新选定，以确定与下一次组内训练相对应的组内聚合方；在进入下一次组内聚合迭代时，将更新模型参数作为下一次组内聚合迭代中的本地模型参数，并返回到触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数的步骤继续执行，直到满足预设的迭代结束条件时停止，将最后一次组内聚合迭代中计算得到的初始组模型参数作为目标组模型参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据相应分组簇内包括的多个匹配参与方，确定筛选范围；在筛选范围内，确定各个匹配参与方依次被选择作为相应组内聚合迭代中的组内聚合方的组内选择顺序。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于最后一次组内聚合迭代中，对应选择到的多个组内聚合方，进行全局聚合方的选定；触发全局聚合方，对各分组簇分别对应的目标组模型参数进行获取，以及对获取到的各个目标组模型参数进行聚合，得到相应的全局模型参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：触发各参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新；在确定更新后的预测模型不收敛时，将进入到下一次的模型迭代优化过程；在确定进入到下一次的模型迭代优化过程时，将前一次迭代中得到的更新后的预测模型，作为当前迭代中参与方本地维护的初始预测模型，并返回到基于获取到的各个参与方分别对应的本地模型参数，对各参与方进行聚类分组步骤继续执行，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型。
上述存储介质，基于各个参与方分别对应的本地模型参数，进行聚类分组，以将各个参与方划分到相应的分组簇内。且，基于分组情况，先对各个分组簇内进行组内聚合，之后再基于组内聚合得到的目标组模型参数，进行全局聚合，此时，将得到对应的全局模型参数。之后，触发各个参与方基于得到的全局模型参数对本地维护的预测模型进行更新，并在确定更新后的预测模型不满足预设收敛条件时，继续进行组内聚合和全局聚合的步骤，这样经过多轮的迭代训练之后，将得到训练好的目标预测模型，并利用此模型进行用电量的预测。当前，采用层次化的联邦学习方法，能够充分利用每个参与方的本地用电量数据，使得用电量的预测结果更加准确，避免了参与方直接传输自身的已用电量数据，减少了大量数据传输的步骤，提高了模型训练效率，以及提高不同参与方间合作过程中的信息安全性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用电量预测方法，其特征在于，包括以下步骤：
基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，所述本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；
针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方，并触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；
从所述多个组内聚合方中，确定全局聚合方，并触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；
触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；所述目标预测模型用于进行用电量的预测。
2.根据权利要求1所述的方法，其特征在于，所述基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内，包括：
获取各个参与方分别对应的本地模型参数；
将各所述参与方所对应的本地模型参数作为样本，将各所述参与方所构成的集合作为样本空间，在聚类分析的初始阶段中，在样本空间中进行预设数量个聚类中心的选择；每个聚类中心表征一个分组簇；
计算各样本分别与每个聚类中心的距离，将样本划分至距离最近的聚类中心，以构成相应的分组簇；
计算各个分组簇的均值，将所述均值作为新的聚类中心，基于新的聚类中心返回所述计算各样本分别与每个聚类中心的距离的步骤继续执行，以进行迭代处理，直至聚类中心不再发生变动或者达到预设迭代次数时停止，得到多个分组簇。
3.根据权利要求1所述的方法，其特征在于，所述触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数，包括：
在进行首次组内聚合迭代时，触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数；
触发各个参与方基于所述初始组模型参数，进行本地模型参数的更新，以确定相应的更新模型参数；
按照组内选择顺序，从相应分组簇内的其余各匹配参与方中，进行组内聚合方的重新选定，以确定与下一次组内训练相对应的组内聚合方；
在进入下一次组内聚合迭代时，将所述更新模型参数作为所述下一次组内聚合迭代中的本地模型参数，并返回到所述触发组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行聚合，得到初始组模型参数的步骤继续执行，直到满足预设的迭代结束条件时停止，将最后一次组内聚合迭代中计算得到的初始组模型参数作为目标组模型参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据相应分组簇内包括的多个匹配参与方，确定筛选范围；
在所述筛选范围内，确定各个匹配参与方依次被选择作为相应组内聚合迭代中的组内聚合方的组内选择顺序。
5.根据权利要求3所述的方法，其特征在于，所述从所述多个组内聚合方中，确定全局聚合方，并触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数，包括：
基于最后一次组内聚合迭代中，对应选择到的多个组内聚合方，进行全局聚合方的选定；
触发所述全局聚合方，对各所述分组簇分别对应的目标组模型参数进行获取，以及对获取到的各个目标组模型参数进行聚合，得到相应的全局模型参数。
6.根据权利要求1所述的方法，其特征在于，所述触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型，包括：
触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新；
在确定更新后的预测模型不收敛时，将进入到下一次的模型迭代优化过程；
在确定进入到下一次的模型迭代优化过程时，将前一次迭代中得到的更新后的预测模型，作为当前迭代中参与方本地维护的初始预测模型，并返回到所述基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组步骤继续执行，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型。
7.一种用电量预测装置，其特征在于，所述装置包括：
分组模块，用于基于获取到的各个参与方分别对应的本地模型参数，对各所述参与方进行聚类分组，以将满足相似条件的多个匹配参与方划分到相应的分组簇内；其中，所述本地模型参数是参与方基于自身获取到的已用电量数据，对自身所维护的初始预测模型进行预训练得到；
筛选模块，用于针对每个分组簇，分别从相应分组簇内包括的多个匹配参与方中，确定组内聚合方；
触发模块，用于触发所述组内聚合方基于相应分组簇内，其余各匹配参与方分别对应的本地模型参数进行组内聚合，得到目标组模型参数；
所述筛选模块，还用于从所述多个组内聚合方中，确定全局聚合方；
所述触发模块，还用于触发所述全局聚合方对各个分组簇分别对应的目标组模型参数进行全局聚合，得到全局模型参数；触发各所述参与方分别基于获取到的全局模型参数，对本地维护的初始预测模型进行更新，并基于更新后的预测模型继续进行组内聚合和全局聚合的步骤，直至更新后的预测模型满足预设收敛条件时，得到训练好的目标预测模型；所述目标预测模型用于进行用电量的预测。
8.根据权利要求7所述的装置，其特征在于，所述分组模块，还用于获取各个参与方分别对应的本地模型参数；将各所述参与方所对应的本地模型参数作为样本，将各所述参与方所构成的集合作为样本空间，在聚类分析的初始阶段中，在样本空间中进行预设数量个聚类中心的选择；每个聚类中心表征一个分组簇；计算各样本分别与每个聚类中心的距离，将样本划分至距离最近的聚类中心，以构成相应的分组簇；计算各个分组簇的均值，将所述均值作为新的聚类中心，基于新的聚类中心返回所述计算各样本分别与每个聚类中心的距离的步骤继续执行，以进行迭代处理，直至聚类中心不再发生变动或者达到预设迭代次数时停止，得到多个分组簇。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021694.3A CN113642809A (zh) | 2021-09-01 | 2021-09-01 | 一种用电量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021694.3A CN113642809A (zh) | 2021-09-01 | 2021-09-01 | 一种用电量预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113642809A true CN113642809A (zh) | 2021-11-12 |
Family
ID=78424856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111021694.3A Pending CN113642809A (zh) | 2021-09-01 | 2021-09-01 | 一种用电量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642809A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081642A (zh) * | 2022-07-19 | 2022-09-20 | 浙江大学 | 一种多方协同更新业务预测模型的方法及系统 |
| CN115115064A (zh) * | 2022-07-11 | 2022-09-27 | 山东大学 | 一种半异步联邦学习方法及系统 |
| CN115186937A (zh) * | 2022-09-09 | 2022-10-14 | 闪捷信息科技有限公司 | 基于多方数据协同的预测模型训练、数据预测方法和装置 |
| WO2023124312A1 (zh) * | 2021-12-29 | 2023-07-06 | 新智我来网络科技有限公司 | 联合学习中的预测方法及装置 |
-
2021
- 2021-09-01 CN CN202111021694.3A patent/CN113642809A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023124312A1 (zh) * | 2021-12-29 | 2023-07-06 | 新智我来网络科技有限公司 | 联合学习中的预测方法及装置 |
| CN115115064A (zh) * | 2022-07-11 | 2022-09-27 | 山东大学 | 一种半异步联邦学习方法及系统 |
| CN115115064B (zh) * | 2022-07-11 | 2023-09-05 | 山东大学 | 一种半异步联邦学习方法及系统 |
| CN115081642A (zh) * | 2022-07-19 | 2022-09-20 | 浙江大学 | 一种多方协同更新业务预测模型的方法及系统 |
| CN115186937A (zh) * | 2022-09-09 | 2022-10-14 | 闪捷信息科技有限公司 | 基于多方数据协同的预测模型训练、数据预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113642809A (zh) | 一种用电量预测方法、装置、计算机设备和存储介质 | |
| CN110942154B (zh) | 基于联邦学习的数据处理方法、装置、设备及存储介质 | |
| CN108366386B (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
| WO2020215783A1 (zh) | 定位方法、装置及存储介质 | |
| CN109104731B (zh) | 小区场景类别划分模型的构建方法、装置和计算机设备 | |
| Yang et al. | Deep reinforcement learning based wireless network optimization: A comparative study | |
| CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
| Habibi et al. | Accelerating virtual network embedding with graph neural networks | |
| JP7401677B2 (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
| CN114760669B (zh) | 一种基于流量预测的路由决策方法及系统 | |
| CN110796366A (zh) | 质差小区识别方法和装置 | |
| Yamada et al. | Feature-selection based data prioritization in mobile traffic prediction using machine learning | |
| CN110809066A (zh) | IPv6地址生成模型创建方法、装置及地址生成方法 | |
| WO2021008675A1 (en) | Dynamic network configuration | |
| CN112181659A (zh) | 云仿真内存资源预测模型构建方法与内存资源预测方法 | |
| Chen et al. | One for all: Traffic prediction at heterogeneous 5g edge with data-efficient transfer learning | |
| CN113094180B (zh) | 无线联邦学习调度优化方法及装置 | |
| CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
| CN112396070A (zh) | 一种模型训练方法、装置和系统，以及预测方法和装置 | |
| CN116720132A (zh) | 电力业务识别系统、方法、设备、介质和产品 | |
| US20230216737A1 (en) | Network performance assessment | |
| CN117453398A (zh) | 一种提高供电可靠性的算力调度的智能优化方法及系统 | |
| CN116074403A (zh) | 一种多协议融合通信方法、装置及架构 | |
| CN110309948A (zh) | 整车物流订单预测方法及装置、物流系统以及计算机可读介质 | |
| Kalyoncu et al. | A data analysis methodology for obtaining network slices towards 5g cellular networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 518021 power dispatching communication building, 4020 Shennan East Road, Luohu District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN POWER SUPPLY BUREAU Co.,Ltd. Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Address before: 518021 power dispatching communication building, 4020 Shennan East Road, Luohu District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN POWER SUPPLY BUREAU Co.,Ltd. Country or region before: China Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240318 Address after: 518021 power dispatching communication building, 4020 Shennan East Road, Luohu District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN POWER SUPPLY BUREAU Co.,Ltd. Country or region after: China Applicant after: Southern Power Grid Digital Grid Group Co.,Ltd. Address before: 518021 power dispatching communication building, 4020 Shennan East Road, Luohu District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN POWER SUPPLY BUREAU Co.,Ltd. Country or region before: China Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| TA01 | Transfer of patent application right |