CN115134077A - 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 - Google Patents
基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 Download PDFInfo
- Publication number
- CN115134077A CN115134077A CN202210763482.0A CN202210763482A CN115134077A CN 115134077 A CN115134077 A CN 115134077A CN 202210763482 A CN202210763482 A CN 202210763482A CN 115134077 A CN115134077 A CN 115134077A
- Authority
- CN
- China
- Prior art keywords
- model
- lstm
- participants
- local
- iteration
- 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 33
- 230000002776 aggregation Effects 0.000 claims description 20
- 238000004220 aggregation Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于横向LSTM联邦学习的企业电力负荷联合预测方法及系统,本发明采用联邦学习的方法保证数据不出本地,同时可以联合多方数据,增加数据的多样性,提高模型的泛化能力和效用性。利用Paillier同态加密有效的防止恶意用户根据中间参数信息推断参与者的原始信息,因此,同态加密方法提高了参与方数据的安全性,同时充分挖掘历史数据信息,高效准确的分析电力负荷。
Description
技术领域
本发明属于数据安全领域,涉及一种基于横向LSTM联邦学习的企业电力负荷联合预测方法及系统。
背景技术
电力负荷的短期精准预测是电网规划的核心部分,有助于电力资源的稳定调度,能够明显提高电网的经济收益和社会效益。电力负荷数据序列会受到非周期性社会事件、日期、天气、季节等诸多非量化因素的影响,传统的统计方法不能准确的预测电力负荷,LSTM模型具有一定的记忆性,可以充分利用历史信息,准确的预测电力负荷,而收集全面详细的各方数据可以进一步地提高LSTM模型预测电力负荷的效果。但是,收集、存储、交换大量企业、个人、地区的实时电力负荷数据存在严重的隐私泄露风险。恶意攻击者窃取实时电力负荷数据,不仅会影响用户的隐私安全,还可能对电网系统造成不可逆的破坏,这一问题的存在严重阻碍了电力数据的挖掘与应用。因此亟需一种解决数据流向不可控和敏感数据泄露问题的方法。
发明内容
本发明的目的在于解决现有技术中的问题,提供一种基于横向LSTM联邦学习的企业电力负荷联合预测方法及系统,能够保证中间传递参数和参与者本地数据的隐私安全,同时充分挖掘历史数据信息,高效准确的分析电力负荷。
为达到上述目的,本发明采用以下技术方案予以实现:
基于横向LSTM联邦学习的企业电力负荷联合预测方法,包括:
步骤1、密钥生成;基于LSTM模型参数,生成公私密钥{pk,sk},并将公钥pk进行广播所有的参与方;
步骤2、模型初始化;初始化每轮迭代中各个参与方的本地迭代次数E(E∈Z+),全局迭代次数j=0,LSTM模型的参数wj和学习率η,并将LSTM模型的参数wj、学习率η和全局迭代次数j广播给所有的参与方;
步骤3、本地迭代更新;基于LSTM模型的参数wj、学习率η和全局迭代次数j,对参与方的本地数据进行训练,经本地迭代E(E∈Z+)次后,得到更新的LSTM模型;
步骤4、加密;基于Paillier加法同态加密和本地的公钥pk,对更新的LSTM模型加密,得到密文;
步骤5、接收模型参数,对更新的LSTM模型参数和迭代次数进行广播,并接收参与方上传的更新密文,当接收K个密文后,聚合接收的密文,并通知其他未上传更新的参与方停止进行本地迭代;
步骤6、更新全局模型;基于私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,更新全局迭代次数j←j+1,将聚合结果和更新的迭代次数广播给所有的参与者;
步骤7、迭代更新;重复步骤3-6,直至全局迭代次数j大于设定的阈值,模型训练完成,各个参与者均获得最终的全局模型。
本发明的进一步改进在于:
步骤1、步骤2、步骤5和步骤6为服务器的工作;步骤3和步骤4为参与方的工作;步骤3还包括:参与方接收服务器广播的模型参数和全局迭代次数j;步骤4还包括:参与方将密文上传至服务器。
基于LSTM模型参数,生成公私密钥{pk,sk},具体为:
步骤1.1、基于LSTM模型参数中的每个分量通过乘以±10n,并化成正整数,记其中最大的正整数为M,选取两个质数p和q,保证pq>2M;
步骤1.2、计算N=pq和λ=lcm(p-1,q-1);并选取g=N+1;
其中,函数lcm表示计算两个数字的最大公因数,sk=λ为服务器生成的私钥,pk=(N,g)为服务器生成的公钥。
步骤3,具体为:
步骤3.5、更新本地迭代次数k←k+1;
基于Paillier加法同态加密和本地的公钥pk,对更新的LSTM模型加密,得到密文;具体为:
将加密结果缩小10n倍得到密文
基于私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,具体为:
步骤6.2、服务器根据参与者本地使用的数据量加权聚合模型参数,聚合规则为
步骤6.3、更新全局迭代次数j←j+1。
服务器通过私钥sk=λ对密文解密,具体为:
再将解密结果缩小10n倍得到明文
基于横向LSTM联邦学习的企业电力负荷联合预测系统,包括:
密钥生成模块,所述密钥生成模块基于LSTM模型参数,生成公私密钥{pk,sk},并将公钥pk进行广播所有的参与方;
模型初始化模块;所述模型初始化模块用于初始化每轮迭代中各个参与方的本地迭代次数E(E∈Z+),全局迭代次数j=0,LSTM模型的参数wj和学习率η,并将LSTM模型的参数wj、学习率η和全局迭代次数j广播给所有的参与者;
本地迭代更新模块;所述本地迭代更新模块基于LSTM模型的参数wj、学习率η和全局迭代次数j,对参与方的本地数据进行训练,经本地迭代E(E∈Z+)次后,得到更新的LSTM模型;
加密模块;所述加密模块基于Paillier加法同态加密和本地的公钥pk,对更新的LSTM模型加密,得到密文;
接收模块;所述接收模块用于对更新的LSTM模型参数和迭代次数进行广播,并接收参与方上传的更新密文,当接收K个密文后,聚合接收的密文,并通知其他未上传更新的参与方停止进行本地迭代;
更新全局模型模块;所述更新全局模型模块基于私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,更新全局迭代次数j←j+1,将聚合结果和更新的迭代次数广播给所有的参与者;
迭代更新模块;所述迭代更新模块用于直至全局迭代次数j大于设定的阈值,各个参与者均获得最终的全局模型。
与现有技术相比,本发明具有以下有益效果:
本发明采用联邦学习的方法允许各个参与方的原始数据存储在本地,保护多方数据的安全,同时基于同态加密,即使用户获取中间交换的密文,也无法获取模型参数信息,有效的防止恶意用户根据中间参数信息推断参与者的原始信息,因此,同态加密方法提高了参与方数据的安全性。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的基于横向LSTM联邦学习的企业电力负荷联合预测方法逻辑架构示意图;
图2为本发明所使用的部分数据样例;
图3为本发明与和只有一个参与者参与在电力负荷数据集上的均方误差MSE对比图;
图4为本发明在参与方数目K取值不同时的均方误差MSE对比图;
图5为本发明的基于横向LSTM联邦学习的企业电力负荷联合预测方法流程示意图;
图6为本发明的基于横向LSTM联邦学习的企业电力负荷联合预测系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明公开了一种基于横向LSTM联邦学习的企业安全电力负荷预测方法,包括:
步骤1、密钥生成,在有一个服务器和P个参与方的横向联邦学习场景中,服务器生成公私密钥{pk,sk},并将公钥pk广播给所有的参与方,服务器生成公私钥的方法,具体为:
步骤1.1、基于LSTM模型参数中的每个分量通过乘以±10n,并化成正整数,记其中最大的正整数为M,然后选取两个的质数p和q,保证pq>2M;
步骤1.2、计算N=pq和λ=lcm(p-1,q-1);并选取g=N+1;
其中,函数lcm表示计算两个数字的最大公因数,sk=λ为服务器生成的私钥,pk=(N,g)为服务器生成的公钥。
步骤2、模型初始化并广播模型参数等,服务器初始化每轮迭代中各个参与方的本地迭代次数E(E∈Z+),全局迭代次数j=0,LSTM模型的参数wj和学习率η等,然后将模型参数和迭代次数等广播给所有的参与者;
步骤3、本地迭代更新,参与方接收服务器广播的模型参数和迭代次数j等,然后利用随机梯度下降法训练本地数据。本地迭代E(E∈Z+)次后,得到更新的模型,步骤3的具体做法为:
步骤3.5、更新本地迭代次数k←k+1;
E为在训练模型前设置的超参数,表示每个参与方所需的本地迭代的总次数,这里的k是表示每个参与者实时的本地迭代次数,因此k是不断变化的,当k等于E时,本地迭代过程终止,参与者上传本地更新。
步骤4、加密并上传密文,通过Paillier加法同态加密的方法,参与方利用本地的公钥对更新的模型加密,并将密文上传至服务器,步骤4中,各个参与方通过公钥pk=(N,g)加密模型参数wj的具体过程为:
将加密结果缩小10n倍得到密文
步骤5、接收模型参数,当服务器广播最新的模型参数和迭代次数时,开始接收参与方上传的更新密文,当服务器接收K个密文后,开始聚合接收的密文,并通知其他未上传更新的参与方停止进行本地迭代;
步骤6、更新全局模型,服务器使用私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,更新迭代次数j←j+1,将聚合结果和更新的迭代次数广播给所有的参与者,步骤6的具体做法为:
步骤6.2、服务器根据参与者本地使用的数据量加权聚合模型参数,聚合规则为
步骤6.3、更新全局迭代次数j←j+1。
步骤6.1中,服务器通过私钥sk=λ对密文解密的具体过程为:
再将解密结果缩小10n倍得到明文
步骤7、迭代更新,对所有的参与者和服务器重复步骤3-6,直至迭代次数j大于设定的阈值,模型训练完成,各个参与者可获得最终的全局模型;
步骤8、联邦推理,基于LSTM模型分析企业的历史的电力信息,预测未来的电力负荷,并采用均方误差MSE评估模型的性能,其中,
(xi,yi),i=1,2,...,m表示m个数据和标签,pred(xi)表示数据xi的预测值。
参考图2、图3和图4,其中,图2为所使用的电力负荷数据集的数据样例图,由于样本数量过多,图2仅截取部分样本,图2中左侧为序号,中间为时间点,右侧为各个时间点所对应的用电量。图3为分别在单个参与者的本地数据--单方场景和本发明所提方法--联邦学习场景--上部署LSTM模型的均方误差实验结果图,图4为本文所提方法在不同参与者数目情形下的均方误差实验结果图。通过观察这两幅图的实验结果,可以发现本发明所提方法--联邦学习场景--相比于传统的单方场景可以显著提升模型的效用,降低模型的损失值,且随着参与者数目的增多,模型的提升效果越显著。
参考图5,本发明提供了一种基于横向LSTM联邦学习的企业安全电力负荷预测方法,其逻辑架构包括本地训练、同态加密和横向联邦学习三个部分,主体为横向联邦学习。采用具有长短期记忆的LSTM模型可以提高时序性地电力负荷数据预测的准确性。为了保护数据的隐私安全,采用横向联邦学习的方法保证数据不出本地,采用同态加密可以保证恶意用户即使获得中间传递的密文也不能获取更新参数,从而有效地解决了推断攻击行为。
参见图6,本发明公布了一种基于横向LSTM联邦学习的企业电力负荷联合预测系统,包括:
密钥生成模块,所述密钥生成模块基于LSTM模型参数,生成公私密钥{pk,sk},并将公钥pk进行广播所有的参与方;
模型初始化模块;所述模型初始化模块用于初始化每轮迭代中各个参与方的本地迭代次数E(E∈Z+),全局迭代次数j=0,LSTM模型的参数wj和学习率η,并将LSTM模型的参数wj、学习率η和全局迭代次数j广播给所有的参与者;
本地迭代更新模块;所述本地迭代更新模块基于LSTM模型的参数wj、学习率η和全局迭代次数j,对参与方的本地数据进行训练,经本地迭代E(E∈Z+)次后,得到更新的LSTM模型;
加密模块;所述加密模块基于Paillier加法同态加密和本地的公钥pk,对更新的LSTM模型加密,得到密文;
接收模块;所述接收模块用于对更新的LSTM模型参数和迭代次数进行广播,并接收参与方上传的更新密文,当接收K个密文后,聚合接收的密文,并通知其他未上传更新的参与方停止进行本地迭代;
更新全局模型模块;所述更新全局模型模块基于私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,更新全局迭代次数j←j+1,将聚合结果和更新的迭代次数广播给所有的参与者;
迭代更新模块;所述迭代更新模块用于直至全局迭代次数j大于设定的阈值,各个参与者均获得最终的全局模型。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于横向LSTM联邦学习的企业电力负荷联合预测方法,其特征在于,包括:
步骤1、密钥生成;基于LSTM模型参数,生成公私密钥{pk,sk},并将公钥pk进行广播所有的参与方;
步骤2、模型初始化;初始化每轮迭代中各个参与方的本地迭代次数E(E∈Z+),全局迭代次数j=0,LSTM模型的参数wj和学习率η,并将LSTM模型的参数wj、学习率η和全局迭代次数j广播给所有的参与方;
步骤3、本地迭代更新;基于LSTM模型的参数wj、学习率η和全局迭代次数j,对参与方的本地数据进行训练,经本地迭代E(E∈Z+)次后,得到更新的LSTM模型;
步骤4、加密;基于Paillier加法同态加密和本地的公钥pk,对更新的LSTM模型加密,得到密文;
步骤5、接收模型参数,对更新的LSTM模型参数和迭代次数进行广播,并接收参与方上传的更新密文,当接收K个密文后,聚合接收的密文,并通知其他未上传更新的参与方停止进行本地迭代;
步骤6、更新全局模型;基于私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,更新全局迭代次数j←j+1,将聚合结果和更新的迭代次数广播给所有的参与者;
步骤7、迭代更新;重复步骤3-6,直至全局迭代次数j大于设定的阈值,模型训练完成,各个参与者均获得最终的全局模型。
2.根据权利要求1所述的基于横向LSTM联邦学习的企业电力负荷联合预测方法,其特征在于,所述步骤1、步骤2、步骤5和步骤6、为服务器的工作;所述步骤3和步骤4为参与方的工作;所述步骤3还包括:参与方接收服务器广播的模型参数和全局迭代次数j;所述步骤4还包括:参与方将密文上传至服务器。
3.根据权利要求2所述的基于横向LSTM联邦学习的企业电力负荷联合预测方法,其特征在于,所述基于LSTM模型参数,生成公私密钥{pk,sk},具体为:
步骤1.1、基于LSTM模型参数中的每个分量通过乘以±10n,并化成正整数,记其中最大的正整数为M,选取两个质数p和q,保证pq>2M;
步骤1.2、计算N=pq和λ=lcm(p-1,q-1);并选取g=N+1;
其中,函数lcm表示计算两个数字的最大公因数,sk=λ为服务器生成的私钥,pk=(N,g)为服务器生成的公钥。
8.基于横向LSTM联邦学习的企业电力负荷联合预测系统,其特征在于,包括:
密钥生成模块,所述密钥生成模块基于LSTM模型参数,生成公私密钥{pk,sk},并将公钥pk进行广播所有的参与方;
模型初始化模块;所述模型初始化模块用于初始化每轮迭代中各个参与方的本地迭代次数E(E∈Z+),全局迭代次数j=0,LSTM模型的参数wj和学习率η,并将LSTM模型的参数wj、学习率η和全局迭代次数j广播给所有的参与者;
本地迭代更新模块;所述本地迭代更新模块基于LSTM模型的参数wj、学习率η和全局迭代次数j,对参与方的本地数据进行训练,经本地迭代E(E∈Z+)次后,得到更新的LSTM模型;
加密模块;所述加密模块基于Paillier加法同态加密和本地的公钥pk,对更新的LSTM模型加密,得到密文;
接收模块;所述接收模块用于对更新的LSTM模型参数和迭代次数进行广播,并接收参与方上传的更新密文,当接收K个密文后,聚合接收的密文,并通知其他未上传更新的参与方停止进行本地迭代;
更新全局模型模块;所述更新全局模型模块基于私钥sk解密接收的密文,根据参与方本地使用的数据量加权聚合模型更新,更新全局迭代次数j←j+1,将聚合结果和更新的迭代次数广播给所有的参与者;
迭代更新模块;所述迭代更新模块用于直至全局迭代次数j大于设定的阈值,各个参与者均获得最终的全局模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763482.0A CN115134077A (zh) | 2022-06-30 | 2022-06-30 | 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763482.0A CN115134077A (zh) | 2022-06-30 | 2022-06-30 | 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115134077A true CN115134077A (zh) | 2022-09-30 |
Family
ID=83381933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763482.0A Pending CN115134077A (zh) | 2022-06-30 | 2022-06-30 | 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134077A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758402A (zh) * | 2022-11-09 | 2023-03-07 | 国网江苏省电力有限公司苏州供电分公司 | 结合同态加密和模型水印的人工智能模型联邦学习方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190227980A1 (en) * | 2018-01-22 | 2019-07-25 | Google Llc | Training User-Level Differentially Private Machine-Learned Models |
CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
CN113159289A (zh) * | 2021-04-26 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于神经网络的联邦模型的训练方法、装置及计算机设备 |
CN113239404A (zh) * | 2021-06-04 | 2021-08-10 | 南开大学 | 一种基于差分隐私和混沌加密的联邦学习方法 |
CN113434873A (zh) * | 2021-06-01 | 2021-09-24 | 内蒙古大学 | 一种基于同态加密的联邦学习隐私保护方法 |
US20220036123A1 (en) * | 2021-10-20 | 2022-02-03 | Intel Corporation | Machine learning model scaling system with energy efficient network data transfer for power aware hardware |
US20220108177A1 (en) * | 2019-05-16 | 2022-04-07 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
CN114399031A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(华东) | 一种基于联邦学习的智能工厂温湿度控制方法 |
US20220129580A1 (en) * | 2020-10-27 | 2022-04-28 | Alipay (Hangzhou) Information Technology Co., Ltd. | Methods, apparatuses, and systems for updating service model based on privacy protection |
CN114417388A (zh) * | 2022-01-25 | 2022-04-29 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
CN114499979A (zh) * | 2021-12-28 | 2022-05-13 | 云南电网有限责任公司信息中心 | 一种基于联邦学习的sdn网络异常流量协同检测方法 |
CN114662147A (zh) * | 2022-03-24 | 2022-06-24 | 云南电网有限责任公司信息中心 | 一种适用于大规模数据库的隐私信息检索方法及系统 |
-
2022
- 2022-06-30 CN CN202210763482.0A patent/CN115134077A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190227980A1 (en) * | 2018-01-22 | 2019-07-25 | Google Llc | Training User-Level Differentially Private Machine-Learned Models |
US20220108177A1 (en) * | 2019-05-16 | 2022-04-07 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Concepts for federated learning, client classification and training data similarity measurement |
US20220129580A1 (en) * | 2020-10-27 | 2022-04-28 | Alipay (Hangzhou) Information Technology Co., Ltd. | Methods, apparatuses, and systems for updating service model based on privacy protection |
CN112583575A (zh) * | 2020-12-04 | 2021-03-30 | 华侨大学 | 一种车联网中基于同态加密的联邦学习隐私保护方法 |
CN113159289A (zh) * | 2021-04-26 | 2021-07-23 | 平安科技(深圳)有限公司 | 基于神经网络的联邦模型的训练方法、装置及计算机设备 |
CN113434873A (zh) * | 2021-06-01 | 2021-09-24 | 内蒙古大学 | 一种基于同态加密的联邦学习隐私保护方法 |
CN113239404A (zh) * | 2021-06-04 | 2021-08-10 | 南开大学 | 一种基于差分隐私和混沌加密的联邦学习方法 |
US20220036123A1 (en) * | 2021-10-20 | 2022-02-03 | Intel Corporation | Machine learning model scaling system with energy efficient network data transfer for power aware hardware |
CN114499979A (zh) * | 2021-12-28 | 2022-05-13 | 云南电网有限责任公司信息中心 | 一种基于联邦学习的sdn网络异常流量协同检测方法 |
CN114399031A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(华东) | 一种基于联邦学习的智能工厂温湿度控制方法 |
CN114417388A (zh) * | 2022-01-25 | 2022-04-29 | 云南电网有限责任公司信息中心 | 基于纵向联邦学习的电力负荷预测方法、系统、设备及介质 |
CN114662147A (zh) * | 2022-03-24 | 2022-06-24 | 云南电网有限责任公司信息中心 | 一种适用于大规模数据库的隐私信息检索方法及系统 |
Non-Patent Citations (3)
Title |
---|
SUYU OUYANG ECT.: "Federal Learning Based COVID-19 Fake News Detection With Deep Self-Attention Network", 《2021 IEEE 7TH INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND INTELLIGENT SYSTEMS (CCIS)》, 14 April 2022 (2022-04-14) * |
刘月峰;杨宇慧;: "基于CNN-LSTM的短期电力负荷预测研究", 科技创新与应用, no. 01, 8 January 2020 (2020-01-08) * |
李鉴;邵云峰;卢燚;吴骏;: "联邦学习及其在电信行业的应用", 信息通信技术与政策, no. 09, 15 September 2020 (2020-09-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758402A (zh) * | 2022-11-09 | 2023-03-07 | 国网江苏省电力有限公司苏州供电分公司 | 结合同态加密和模型水印的人工智能模型联邦学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bonawitz et al. | Practical secure aggregation for privacy-preserving machine learning | |
Jiang et al. | Energy big data: A survey | |
Wen et al. | Feddetect: A novel privacy-preserving federated learning framework for energy theft detection in smart grid | |
Zhang et al. | Asymptotically optimum distributed estimation in the presence of attacks | |
CN107145791B (zh) | 一种具有隐私保护的K-means聚类方法及系统 | |
Erkin et al. | Private computation of spatial and temporal power consumption with smart meters | |
Badr et al. | Privacy-preserving federated-learning-based net-energy forecasting | |
Ismail et al. | A game theoretical analysis of data confidentiality attacks on smart-grid AMI | |
Badr et al. | Privacy-preserving and communication-efficient energy prediction scheme based on federated learning for smart grids | |
Wu et al. | Towards efficient secure aggregation for model update in federated learning | |
Li et al. | Detection of false data injection attacks on smart grids: A resilience-enhanced scheme | |
Asad et al. | CEEP-FL: A comprehensive approach for communication efficiency and enhanced privacy in federated learning | |
Hasan et al. | Encryption as a service for smart grid advanced metering infrastructure | |
Shi et al. | Distributed private data analysis: Lower bounds and practical constructions | |
Xu et al. | Secure and practical output feedback control for cloud-enabled cyber-physical systems | |
CN115134077A (zh) | 基于横向lstm联邦学习的企业电力负荷联合预测方法及系统 | |
Sherifl et al. | Efficient privacy-preserving aggregation scheme for data sets | |
Jain et al. | Cryptanalytic results on knapsack cryptosystem using binary particle swarm optimization | |
Lu et al. | Transactive energy system deployment over insecure communication links | |
Stan et al. | A new crypto-classifier service for energy efficiency in smart cities | |
CN110740034B (zh) | 基于联盟链的qkd网络认证密钥生成方法及系统 | |
Kaghazgaran et al. | Secure two party comparison over encrypted data | |
CN108964894B (zh) | 一种基于状态估计且具备隐私保护的电网盗电检测方法 | |
Nanavati et al. | Analysis and evaluation of schemes for secure sum in collaborative frequent itemset mining across horizontally partitioned data | |
Kiarie et al. | Application of spritz encryption in smart meters to protect consumer data |
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 |