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！

龙图腾网获悉东南大学申请的专利一种面向区域分布式发电预测的联邦学习方法及系统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：CN116720574B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202310741400.7，技术领域涉及：G06N3/098；该发明授权一种面向区域分布式发电预测的联邦学习方法及系统是由喻洁;鄢鹏阳;钱长钰;潘祎;潘家伟设计研发完成，并于2023-06-21向国家知识产权局提交的专利申请。

本一种面向区域分布式发电预测的联邦学习方法及系统在说明书摘要公布了：本发明提供一种面向区域分布式发电预测的联邦学习方法及系统，涉及电力预测领域。该面向区域分布式发电预测的联邦学习方法，数据划分步骤，基于划分的数据需求节点和数据供给节点，构建联邦学习初始化模型节点，所述数据需求节点和数据供给节点基于构建的各分布式发电节点历史数据集中按需求数据或供给数据进行划分；成本计算步骤，计算数据供给节点的数据训练成本，判断数据供给节点是否参与数据交互参数训练步骤，将参与数据交互的数据供给节点的梯度参数上传并进行训练，将训练后的梯度参数上传至本地梯度需求节点。解决了如何实现分布式发电历史数据集的安全和高效交易并且提高各个数据用户提供真实数据的积极性的问题。

本发明授权一种面向区域分布式发电预测的联邦学习方法及系统在权利要求书中公布了：1.一种面向区域分布式发电预测的联邦学习方法，其特征在于，包括以下步骤： 数据划分步骤，基于划分的数据需求节点和数据供给节点，构建联邦学习初始化模型节点，所述数据需求节点和数据供给节点基于构建的各分布式发电节点历史数据集中按需求数据或供给数据进行划分； 成本计算步骤，计算数据供给节点的数据训练成本，判断数据供给节点是否参与数据交互：若数据训练成本小于需求节点提供的报酬中数据训练部分，则数据供给节点参与数据交互；若数据训练成本大于需求节点提供的报酬中数据训练部分，数据供给节点不参与数据交互； 参数训练步骤，将参与数据交互的数据供给节点的梯度参数上传并进行训练，将训练后的梯度参数上传至本地梯度需求节点； 发布数据需求通知的为数据需求节点，其余各区域称之为数据供给节点，其中N个数据供给节点表示为P={P1,P2,…,Pn}，M个数据需求节点表示为R={R1,R2,…,Rm}，其数据包括但不限于训练成本、所获得的报酬以及温度、光照、空气湿度和出力数据； 数据供给节点的数据训练成本由隐私成本、计算成本和数据成本组成，计算成本用于计算模型训练时自身所消耗的资源；隐私成本用于计算降低本地模型在上传时额外泄露隐私信息的成本，通过使用不同的梯度参数，达到最大程度减少隐私泄露的风险的效果；数据成本为不同区域获取本地数据时所花费的成本；将隐私成本、计算成本和数据成本量化得到训练成本； 所述训练成本的计算步骤为： 计算成本表示为： 其中，为成本调控因子，为获取数据过程中所需要花费的成本，为数据第i轮运算所需要花费的CPU周期；为第i轮迭代的样本容量,为CPU时钟频率； 经过差分隐私处理后的梯度参数表示为： 其中，表示Laplace中分布的位置参数和尺度参数，表示噪声局部敏感度，是差分隐私预算； 其中，隐私成本在计算过程中参考隐私预算i； 将隐私成本和计算成本量化后加上数据成本，得到最终的训练成本；训练成本表示为： 所述参数训练步骤具体包括： 在首轮数据交互时，每个节点采用Lstm神经网络对本地数据进行训练，生成并上传本地模型参数，训练完成后的模型参数为： 其中为节点经过LSTM神经网络训练轮过后的神经元权重系数，简称模型参数，为训练过程中的梯度下降，为Lstm神经网络训练过程中的学习率； 通过Fedavg算法得到全局模型参数，Fedavg算法生成第轮全局模型参数的公式如下： 其中，n为所有参与数据供给节点的总数；K为筛选出的节点个数； 在接收到梯度参数后，数据需求节点Ri支付报酬Bi，通过沙普利值对数据供给节点在联邦学习模型第r轮数据交互中的贡献进行报酬分配，实现数据供给激励；同时对于连续多次贡献度小于0的数据供给节点予以禁止参与交易处罚。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区新街口街道四牌楼2号；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”。

以上内容由龙图腾AI智能生成。