[发明专利]一种基于IPFS和联邦学习的用户用电量预测方法

权利要求书

1.一种基于IPFS和联邦学习的用户用电量预测方法，其特征在于，包括以下步骤：

S1、搭建基于IPFS与联邦学习的BIFL框架，通过区块链和IPFS收集参与方的参数，调度参与方进行聚合，分发完成更新后的参数；

S2、搭建基于BIFL的层次化联邦学习框架，将参与方通过分组算法分组以实现层次化的拓扑结构；

S3、构建基于BIFL的用电量预测模型，结合数据特点进行特征工程与数据处理，并使用BIFL框架对搭建的基于LSTM的电量预测模型进行学习训练。

2.根据权利要求1所述的一种基于IPFS和联邦学习的用户用电量预测方法，其特征在于，步骤S1中所述的基于IPFS与联邦学习的BIFL框架的搭建包括初始化阶段和训练阶段，所述初始化阶段对本次训练的模型与具体结构超参数达成共识，保证各方模型同构以进行后续的参数聚合，还对各方需调用区块链的智能合约注册参与方信息，确认智能合约在后续收集参数的过程中是否接收；所述训练阶段包括多轮联邦学习，所述联邦学习具体包括以下步骤：

(1)本地学习；

(2)参数上传至IPFS网络；

(3)存储Hash值至区块链；

(4)聚合调度；

(5)聚合方收取参数并聚合；

(6)聚合方上传参数；

(7)聚合参数的下载；

(8)本地更新。

3.根据权利要求1所述的一种基于IPFS和联邦学习的用户用电量预测方法，其特征在于，步骤S2中所述的基于BIFL的层次化联邦学习框架的搭建还包括预训练与分组配置，所述预训练与分组配置具体包括以下步骤：

(1)初始化；

(2)预训练；

(3)聚类样本收集；

(4)通过聚类算法划分组；

(5)组的初始化；

(6)组内训练；

(7)全局训练与聚合；

(8)分发更新模型；

(9)重复步骤(6)到(8)直至模型收敛。

4.根据权利要求1所述的一种基于IPFS和联邦学习的用户用电量预测方法，其特征在于，步骤S3中所述的基于BIFL的用电量预测模型的构建还包括数据预处理，所述数据预处理具体包括以下步骤：

(1)特征工程；

(2)数据清洗；

(3)分别处理特征中的类型变量和数值型变量。