买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南方电网数字电网研究院股份有限公司申请的专利基于联邦学习的云边协同多居民区负荷预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114462683B 。

龙图腾网通过国家知识产权局官网在2025-05-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210029647.1，技术领域涉及：G06Q10/04；该发明授权基于联邦学习的云边协同多居民区负荷预测方法是由彭勇刚;孙静;胡丹尔;杨晋祥;莫浩杰;韦巍;蔡田田;邓清唐;陈波;杨英杰;冯起辉设计研发完成，并于2022-01-11向国家知识产权局提交的专利申请。

本基于联邦学习的云边协同多居民区负荷预测方法在说明书摘要公布了：本发明涉及电力系统短期负荷预测方法，旨在提供一种基于联邦学习的云边协同多居民区负荷预测方法。本发明采用云边协同技术，通过同态加密技术实现云端服务器与分布于各居民区的计算客户端之间的负荷预测模型参数传输，达到降低通信成本与保护居民数据隐私的目的；通过采用统一的全局模型而非各异的局部模型对居民区进行负荷预测，避免了居民区由于数据数量少或计算能力不够导致的负荷预测结果不佳的问题。本发明使用与负荷相关性高的气象数据作为模型特征参与模型训练，合理运用不同计算客户端之间的数据量差异，提升了训练精度和效率。将居民区的用户数据留在本地，只传输模型参数，显著降低了通信耗时与通信所需带宽，提高模型效率与经济性。

本发明授权基于联邦学习的云边协同多居民区负荷预测方法在权利要求书中公布了：1.一种基于联邦学习的云边协同多居民区负荷预测方法，其特征在于，包括以下步骤：1利用设于各居民区的计算客户端获取本居民区的历史用电负荷和历史气象数据；采用斯皮尔曼相关系数对历史气象数据与历史用电负荷的相关性进行计算与分析，获得相关度分级，并将满足预设条件的强相关气象数据作为模型的输入；所述斯皮尔曼相关系数的计算公式为： 式中，rs表示斯皮尔曼相关性系数；n表示两组数据各自的数量，原则上要求待分析的两组数据数量相同；di表示任意两个数据次序的差值，即：di＝rgXi-rgYi式中，Xi、Yi表示数据中任意两个数据点，rgXi表示Xi在数据中的排序位置；rgYi表示Yi在数据中的排序位置；根据斯皮尔曼相关系数的计算获得相关度之后，按下述判定准则进行分级： 2搭建基于注意力机制的长短期记忆网络模型attention-lstm，并分别部署在云端服务器和各计算客户端中；3以云端服务器随机选择若干个居民区，由各计算客户端利用本居民区的用电负荷与气象数据对模型进行局部训练，并将训练后的模型参数以同态加密算法加密之后传输给云端服务器；云端服务器采用虚拟客户端法进行随机选择：统计每个可能参与训练的计算客户端i的数据条目数量为Fi，将该计算客户端i在全局模型中的重要度Pir表示为：基于所有原始计算客户端，依据重要度生成k个复制对象作为虚拟客户端，第i个客户端生成的复制对象个数为：Mi＝Pir·k；将虚拟客户端与原始客户端整合，云端服务器随机挑选客户端进行模型训练时，第i个客户端被选取的概率为：在k与N的取值确定的情况下，某客户端在全局模型中的重要度越高，则在每次训练时被选取的概率就越大，以此保证重要度高的客户端具有更多的训练次数；4云端服务器接收并解密来自计算客户端的模型参数，对全局模型进行聚合与更新，并将更新后的模型参数下发给所有计算客户端；所述步骤4是利用FedAvg算法进行全局模型的聚合与更新，具体使用了下述公式： 其中，Gt+1表示第t+l轮聚合之后的全局模型；Gt表示第t轮聚合之后的全局模型；λ表示设置的更新系数；Lt+1i表示第i个计算客户端在第t+1轮本地局部训练更新后的模型；5重复步骤3-4并达到预设的训练轮数之后，云端服务器利用最终获得的全局模型对各居民区的用电负荷进行预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南方电网数字电网研究院股份有限公司，其通讯地址为：510700 广东省广州市黄埔区中新广州知识城亿创街1号406房之86；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。