[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

说明书

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。

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。

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；