[发明专利]基于安全分享的联邦学习场景下的能源数据融合计算方法

权利要求书

1.基于安全分享的联邦学习场景下的能源数据融合计算方法，其特征在于，包括：

S1，对能源数据进行数据预处理，得到预处理后的能源数据；

S2，在客户端与中心参数服务器之间基于反向补偿机制选取安全通信信道，确定在安全通信信道中使用的联邦学习参数；

S3，在中心参数服务器处生成初始模型，将生成的初始模型向每个客户端分发，每个客户端在接收到初始模型后结合预处理后的能源数据进行安全联邦训练，将获取到的能源数据代入训练后的模型完成能源数据融合计算；

所述S2，包括：

S21，在中心参数服务器处的存储有预设的安全参数值；

S22，根据预设的安全等级评定函数，计算等待与中心参数服务器进行通信的每个客户端处的安全环境值；

S23，基于每个客户端的安全环境值与安全参数值计算每个客户端的安全等级指数，根据得到的安全等级指数进行反向补偿，结合预设的安全通信等级选取适用于每个客户端的安全通信信道。

2.根据权利要求1所述的基于安全分享的联邦学习场景下的能源数据融合计算方法，其特征在于，所述S1包括：

S11，使用PSI算法对多元能源数据进行交集计算；

S12，对计算后的能源数据进行数据清洗和数据对齐。

3.根据权利要求2所述的基于安全分享的联邦学习场景下的能源数据融合计算方法，其特征在于，所述S12，包括：

S121，确定包含数据校验位的数据格式，获取每类数据格式中允许存储的最大数据长度；

S122，根据最大数据长度对能源数据进行数据清洗，得到数据清洗后的能源数据；

S123，结合能源数据来源编号以及时间戳计算对应每个能源数据的验证码，将清洗后的能源数据按奇偶位依次进行填充，其中奇数位用于存储能源数据的数值，偶数位用于存储对应奇数位数值的验证码。

4.根据权利要求1所述的基于安全分享的联邦学习场景下的能源数据融合计算方法，其特征在于，所述S2中确定在安全通信信道中使用的联邦学习参数，包括：

S24，根据参与的客户端数量确定算法所需的参数w、t；

S25，每个客户端在本地选择模数p和待进行保密的秘密G，G为每个客户端对能源数据计算得到的梯度信息；

S26，在每个客户端中秘密选择t-1个小于p的不同随机数，作为对应各客户端的秘密份额；

S27，每个客户端将得到的秘密份额进行分享，由各个客户端上传至中心参数服务器。

5.根据权利要求1所述的基于安全分享的联邦学习场景下的能源数据融合计算方法，其特征在于，所述S3中的安全联邦学习训练具体包括：

S31，客户端根据预设阈值对预处理后的能源数据进行二次数据对齐，得到处理后的能源数据；

S32，客户端使用接收的初始模型对筛选后的能源数据进行本地模型训练，并计算训练后本地模型的模型梯度；

S33，客户端调用安全分享方法，对本地训练所得的梯度进行份额划分，每个客户端将对应的索引信息和梯度份额上传至中心参数服务器；

S34，中心参数服务器依据索引信息，对已上传的梯度进行安全聚合；

S35，客户端从中心服务器下载聚合梯度的分享份额进行秘密恢复；

S36，持续S32至S36，直至达到训练终止条件；

S37，将获取到的能源数据代入训练后的模型完成能源数据融合计算。