[发明专利]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

权利要求书

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w_j和学习率η，并将LSTM模型的参数w_j、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w_j、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pq2M；

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。

4.根据权利要求3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3，具体为：

步骤3.1、在第j轮迭代中，第i(i∈[P])个参与者接收服务器广播的LSTM模型，记为其中k是本地迭代的次数，k初始化为0；

步骤3.2、第i个参与者随机抽取本地m_i个数据

步骤3.3、参与者i利用解密的LSTM模型训练抽取的m_i个数据，分别得到m_i个梯度

对m_i个梯度进行求平均值，得到本地数据的无偏梯度：

步骤3.4、更新本地模型

步骤3.5、更新本地迭代次数k←k+1；

步骤3.6、重复上述步骤E次，得到最终的本地更新