本技术涉及人工智能,特别是涉及一种基于联邦学习的用电量预测模型确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术:
1、随着电力技术的发展,电力技术为社会经济发展作出了很大的贡献。在电力技术中,通过准确地预测用电量,有利于提高电力供应的稳定性。因此,如何确定用电量预测模型成为了重要的研究方向。
2、传统技术通常是利用本地记录的用电量数据,确定出用电量预测模型;但是,在如本地记录的数据量较少的情况时,通过该技术难以得到准确的用电量预测模型,导致用电量预测模型的准确率较低。
技术实现思路
1、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预测模型的准确率的基于联邦学习的用电量预测模型确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本技术提供了一种基于联邦学习的用电量预测模型确定方法。应用于第一终端,所述方法包括:
3、获取初始用电量预测模型;
4、利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型;
5、将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统;第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果,根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;
6、从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数;
7、根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重;
8、根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数;
9、根据所述目标模型参数,确定出目标用电量预测模型。
10、在其中一个实施例中,在将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统之后,还包括:
11、获取所述分布式系统反馈的所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值;
12、将所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值,上传至区块链;
13、所述从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,包括:
14、从所述区块链中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值;
15、利用各所述第一终端对应的基础用电量预测模型中的基础模型参数的哈希值,从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数。
16、在其中一个实施例中,所述利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型,包括:
17、将所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量,输入至所述第一终端上的初始用电量预测模型,得到与所述第一样本用户对应的所述第一样本时间段的下一时间段的预测用电量;
18、根据所述预测用电量和所述第一终端本地存储的与所述第一样本用户对应的所述第一样本时间段的下一时间段的真实用电量之间的差异,对所述第一终端上的初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型。
19、第二方面,本技术提供了一种基于联邦学习的用电量预测模型确定方法。应用于第二终端,所述方法包括:
20、从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数;各所述第一终端分别用于获取初始用电量预测模型,并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到各所述第一终端对应的基础用电量预测模型,将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统;
21、利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果;
22、根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;各所述第一终端分别用于从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数,根据所述目标模型参数,确定出目标用电量预测模型。
23、在其中一个实施例中,所述根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端,包括:
24、获取各所述第一终端的奖励协议;
25、根据各所述第一终端的奖励协议和各所述第一终端的模型验证结果,确定出相应的第一终端的奖励;
26、将所述相应的第一终端的奖励,发放至所述相应的第一终端。
27、在其中一个实施例中,所述根据各所述第一终端的奖励协议和各所述第一终端的模型验证结果,确定出相应的第一终端的奖励,包括:
28、根据各所述第一终端的模型验证结果和各所述第一终端的奖励协议中的达标条件,从各所述第一终端中,确定出达标终端和未达标终端;所述达标终端为对应的模型验证结果满足对应的达标条件的第一终端;所述未达标终端为对应的模型验证结果不满足对应的达标条件的第一终端;
29、根据所述达标终端的奖励协议中的奖励信息,确定出所述达标终端的奖励;
30、所述将所述相应的第一终端的奖励,发放至所述相应的第一终端,包括:
31、将所述达标终端的奖励,发放至所述达标终端。
32、第三方面,本技术还提供了一种基于联邦学习的用电量预测模型确定装置。应用于第一终端,所述装置包括:
33、模型获取模块,用于获取初始用电量预测模型;
34、模型训练模块,用于利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型;
35、参数上传模块,用于将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统;第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果,根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;
36、第一获取模块,用于从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数;
37、权重确定模块,用于根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重;
38、参数聚合模块,用于根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数;
39、模型确定模块,用于根据所述目标模型参数,确定出目标用电量预测模型。
40、第四方面,本技术还提供了一种基于联邦学习的用电量预测模型确定装置。应用于第二终端,所述装置包括:
41、第二获取模块,用于从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数;各所述第一终端分别用于获取初始用电量预测模型,并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到各所述第一终端对应的基础用电量预测模型,将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统;
42、模型验证模块,用于利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果;
43、奖励发放模块,用于根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;各所述第一终端分别用于从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数,根据所述目标模型参数,确定出目标用电量预测模型。
44、第五方面,本技术还提供了一种计算机设备。所述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:
45、获取初始用电量预测模型;
46、利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型;
47、将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统;第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果,根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;
48、从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数;
49、根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重;
50、根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数;
51、根据所述目标模型参数,确定出目标用电量预测模型。
52、第六方面,本技术还提供了一种计算机设备。所述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:
53、从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数;各所述第一终端分别用于获取初始用电量预测模型,并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到各所述第一终端对应的基础用电量预测模型,将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统;
54、利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果;
55、根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;各所述第一终端分别用于从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数,根据所述目标模型参数,确定出目标用电量预测模型。
56、第七方面,本技术还提供了一种计算机可读存储介质。所述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:
57、获取初始用电量预测模型;
58、利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型;
59、将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统;第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果,根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;
60、从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数;
61、根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重;
62、根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数;
63、根据所述目标模型参数,确定出目标用电量预测模型。
64、第八方面,本技术还提供了一种计算机可读存储介质。所述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:
65、从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数;各所述第一终端分别用于获取初始用电量预测模型,并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到各所述第一终端对应的基础用电量预测模型,将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统;
66、利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果;
67、根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;各所述第一终端分别用于从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数,根据所述目标模型参数,确定出目标用电量预测模型。
68、第九方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
69、获取初始用电量预测模型;
70、利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型;
71、将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统;第二终端用于从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果,根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;
72、从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数;
73、根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重;
74、根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数;
75、根据所述目标模型参数,确定出目标用电量预测模型。
76、第十方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
77、从分布式系统中获取各第一终端对应的基础用电量预测模型中的基础模型参数;各所述第一终端分别用于获取初始用电量预测模型,并利用各所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到各所述第一终端对应的基础用电量预测模型,将各所述第一终端对应的基础用电量预测模型中的基础模型参数上传至所述分布式系统;
78、利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果;
79、根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;各所述第一终端分别用于从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数,根据所述目标模型参数,确定出目标用电量预测模型。
80、上述基于联邦学习的用电量预测模型确定方法、装置、计算机设备、存储介质和计算机程序产品,第一终端获取初始用电量预测模型,利用所述第一终端本地存储的与第一样本用户对应的第一样本时间段的历史用电量和所述第一样本时间段的下一时间段的真实用电量,对所述初始用电量预测模型进行训练,得到所述第一终端对应的基础用电量预测模型,将所述第一终端对应的基础用电量预测模型中的基础模型参数上传至分布式系统;第二终端从所述分布式系统中获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,利用与第二样本用户对应的第二样本时间段的历史用电量和所述第二样本时间段的下一时间段的真实用电量,对与获取到的各所述基础模型参数对应的各所述基础用电量预测模型进行验证,得到各所述第一终端的模型验证结果,根据各所述第一终端的模型验证结果,发放相应的奖励至各所述第一终端;第一终端从所述分布式系统中,获取各所述第一终端对应的基础用电量预测模型中的基础模型参数,根据各所述第一终端接收到的相应的奖励在所述第二终端发放的总奖励中的占比,确定各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,根据各所述第一终端对应的基础用电量预测模型中的基础模型参数的聚合权重,对各所述第一终端对应的基础用电量预测模型中的基础模型参数进行聚合处理,得到目标模型参数,根据所述目标模型参数,确定出目标用电量预测模型,使得结合了联邦学习和分布式系统,通过不同第一终端本地存储的数据对模型进行训练,从而有利于提高用电量预测模型的准确率,得到更准确的用电量预测模型。