[发明专利]一种基于IPFS和联邦学习的用户用电量预测方法

说明书

本发明涉及用户用电量预测技术领域，公开了一种基于IPFS和联邦学习的用户用电量预测方法，包括S1、搭建基于IPFS与联邦学习的BIFL框架；S2、搭建基于BIFL的层次化联邦学习框架；S3、构建基于BIFL的用电量预测模型。本申请通过引入区块链与IPFS技术，具有一定创新性地解决了传统中心式联邦学习中的单点故障与主服务器瓶颈问题，设计并实现基于区块链与IPFS的层次化联邦学习框架，提升了框架可扩展性并降低通讯成本。

技术领域

本发明涉及用户用电量预测技术领域，更具体地说，它涉及一种基于IPFS和联邦学习的用户用电量预测方法。

背景技术

在电网场景中，内部数据通常由各个子公司的采集点采集并存储在子公司下属的计量中心，并由于公司信息安全管理限制存在一定的数据壁垒，较难直接交换原始数据，这种分布式地存储结构与联邦学习的应用场景契合，可尝试进行联邦学习建模，从而进行电网领域用电量预测。

相较于需将数据从各子公司收集并存储至网级数据中心本地的建模方式，采用联邦学习的方式建模存在以下优势：成本角度，因建模训练通常要求大量的数据样本，传统建模在样本的传输过程将占用较多带宽与流量，并且为存储这些数据，网级数据中心需付出额外的数据库资源，而联邦学习建模可避免这种冗余存储；合作角度，随着企业对数据安全与用户隐私的重视，数据的敏感性不断提升，企业内部对于数据的管理条例也较为严格，跨部门的数据传输通常需要有较长的行政流程并经过层层审批，联邦学习建模方式可降低合作门槛，易于合作的促成。如进一步将应用场景推广至跨机构数据合作，联邦学习可保证各个参与方在无需交换原始数据的情况下共同建模，避免了敏感数据的外泄，提高了外部合作过程中信息的安全性。

目前，使用较为广泛的联邦学习框架大多采用中心式的结构，即存在一个中央服务器的角色负责训练调度、收集各个参与方上传的更新参数、执行全局参数聚合工作并将更新后的参数分发给参与方。这种结构由于依赖单一节点稳定性较差，中央服务器故障可能导致全局训练中断、参数丢失等问题；另一方面，参数集中存储在中央服务器时，联邦学习的所有参与方均需从中央服务器处获取最新的全局参数以完成本地模型的更新，这一过程有可能因中央服务器的网络带宽而产生瓶颈。

发明内容

为了克服现有技术中所存在的上述缺陷，本发明提供了一种基于IPFS和联邦学习的用户用电量预测方法，通过引入区块链与IPFS技术，具有一定创新性地解决了传统中心式联邦学习中的单点故障与主服务器瓶颈问题，设计并实现基于区块链与IPFS的层次化联邦学习框架，提升了框架可扩展性并降低通讯成本。

本发明的上述技术目的是通过以下技术方案得以实现的：一种基于IPFS和联邦学习的用户用电量预测方法，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。

进一步的，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；