一种基于边缘设备的联邦学习方法、装置、服务器及介质与流程

本技术涉及互联网，尤其涉及一种基于边缘设备的联邦学习方法、装置、服务器及介质。

背景技术：

1、智能电网被视为电网未来的发展方向，智能电网的电量预测模型通过精准预测未来某一时期内的用电高峰期和用电低谷期，以及各个地区的用电需求情况，为电力公司提供了制定合理电力供应计划的重要依据。这种预测能力使得电力公司能够灵活地调配电力资源，保障供需平衡，从而提高了电力系统的效率和可靠性。

2、然而，在电量预测模型的训练过程中，大量的边缘设备需要持续收集、处理和传输数据，因此边缘设备很多，如何确定目标集群的边缘设备是亟需解决的问题。此外，现有的电量预测模型依赖人工评估，评估过程繁琐，不利于提高电量预测模型的评估效率。因此，如何获取目标集群的边缘设备和如何评估电量预测模型，都是亟需解决的问题。

技术实现思路

1、本技术实施例提供一种基于边缘设备的联邦学习方法、装置、服务器及介质，以解决上述如何确定目标集群的边缘设备和如何评估电量预测模型的技术问题。

2、第一方面，本技术实施例提供了一种基于边缘设备的联邦学习方法，应用于联邦学习系统的中心服务器，所述中心服务器连接多个边缘设备，所述中心服务器存储所述联邦学习系统的第一全局模型，所述联邦学习方法包括：

3、获取所述边缘设备上传的热编码向量，通过不同的所述热编码向量将多个边缘设备划分成不同的集群，根据所述集群中所述边缘设备的选中个数、计算功耗、传输功耗以及预设的总功耗生成模型，生成所述集群对应的总功耗；

4、将最小的所述总功耗对应的所述集群标记为目标集群；

5、向所述目标集群的多个所述边缘设备发送上传指令；

6、获取所述边缘设备基于所述上传指令返回的本地模型参数，将多个所述本地模型参数进行聚合，得到更新参数，将所述第一全局模型的初始参数修改为所述更新参数，将使用所述更新参数的所述第一全局模型设置为第二全局模型；

7、获取所述目标集群的预设影响特征，将所述预设影响特征以及所述预设影响特征对应的预设电量组成一组样本数据，将多组所述样本数据划分成所述第二全局模型的训练集和测试集；

8、将所述训练集的所述预设影响特征输入到所述第二全局模型中，获取所述第二全局模型基于所述预设影响特征输出的预测电量，判断所述预设电量和所述预测电量之间的损失值是否小于预设值，并判断训练轮数是否大于预设轮数；

9、当所述损失值小于所述预设值或所述训练轮数大于预设轮数时，将所述第二全局模型设置为所述目标集群的电量预测模型，获取所述电量预测模型在所述测试集上的评估数据，根据所述评估数据和预设的整体评估值生成模型，生成电量预测模型的整体评估值。

10、示例性地，所述选中个数为所述边缘设备参与所述联邦学习系统的联邦学习训练的设备数量。

11、示例性地，所述总功耗生成模型，包括：

12、；

13、所述为所述集群对应的总功耗，为所述集群中所述边缘设备的选中个数，为所述集群中所述边缘设备的序号，所述为第个所述边缘设备每小时的计算功耗，所述为第个所述边缘设备每小时的传输功耗，所述表示所述边缘设备是否被选中，表示没有被选中，表示被选中。

14、示例性地，总功耗生成模型为所述总功耗的生成模型。

15、示例性地，所述集群对应的总功耗越高，表示所述集群中所述边缘设备的整体功耗越高；所述集群对应的总功耗越低，表示训练后的所述第二全局模型的整体功耗越低。

16、示例性地，整体评估值生成模型为整体评估值的生成模型，所述整体评估值为当前的整体评估值，所述预设评估值为预设的整体评估值。

17、示例性地，整体评估值与训练后的所述第二全局模型整体性能的关系是正相关。所述整体评估值越高，表示训练后的所述第二全局模型的整体性能越高；整体评估值越低，表示训练后的所述第二全局模型的整体性能越低。

18、示例性地，所述整体评估值生成模型，包括：

19、s=w1×s1+w2×s2+w3×s3+w4×s4；

20、其中，所述s为所述整体评估值，所述w1为所述s1的权重系数，w2为所述s2的权重系数，所述w3为所述s3的权重系数，所述w4为所述s4的权重系数，所述s1为所述准确率的当前值与所述准确率的预设值的比值，所述s2为所述决定系数的当前值与所述决定系数的预设值的比值，所述s3为所述平均绝对误差的预设值与所述平均绝对误差的当前值的比值，所述s4为所述均方根差的预设值与所述均方根差的当前值的比值。

21、在第一方面的一种可能的实现方式中，所述将最小的所述总功耗对应的所述集群标记为目标集群，包括：

22、对各个所述集群各自对应的所述总功耗进行排序，获取最小的所述总功耗对应的所述集群的统计数量；

23、当所述统计数量为一个时，将最小的所述总功耗对应的所述集群标记为所述目标集群；

24、当所述统计数量为多个时，将最小的所述总功耗且最大的所述选中个数对应的所述集群标记为所述目标集群。

25、在第一方面的一种可能的实现方式中，所述当所述统计数量为多个时，将最小的所述总功耗且最大的所述选中个数对应的所述集群标记为所述目标集群，包括：

26、当所述统计数量为多个时，判断最小的所述总功耗对应的所述集群是否包括集群a、集群b；

27、当最小的所述总功耗对应的所述集群包括所述集群a、集群b时，获取所述集群a的第一数量，获取所述集群b的第二数量，所述第一数量为所述集群a的所述边缘设备的选中个数，所述第二数量为所述集群b的所述边缘设备的选中个数；

28、当所述第一数量大于所述第二数量时，将集群a标记为所述目标集群；

29、当所述第二数量大于所述第一数量时，将集群b标记为所述目标集群；

30、当所述第一数量等于所述第二数量时，将集群a或所述集群b标记为所述目标集群。

31、在第一方面的一种可能的实现方式中，所述向所述目标集群的多个所述边缘设备发送上传指令，包括：

32、通过预设网络，向所述目标集群的多个所述边缘设备发送所述上传指令，所述预设网络包括4g网络、5g网络、wifi网络、以太网中的其中一种或其组合。

33、在第一方面的一种可能的实现方式中，所述当所述损失值小于所述预设值或所述训练轮数大于预设轮数时，将所述第二全局模型设置为所述目标集群的电量预测模型，获取所述电量预测模型在所述测试集上的评估数据，根据所述评估数据和预设的整体评估值生成模型，生成电量预测模型的整体评估值，包括：

34、获取当所述损失值小于所述预设值或所述训练轮数大于预设轮数时，将所述第二全局模型设置为所述目标集群的电量预测模型；

35、获取所述电量预测模型在所述测试集上的评估数据，获取所述评估数据中的准确率、决定系数、平均绝对误差以及均方根差；

36、根据所述准确率、所述决定系数、所述平均绝对误差、所述均方根差以及预设的整体评估值生成模型，生成训练后的所述电量预测模型的整体评估值。

37、在第一方面的一种可能的实现方式中，在所述当所述损失值小于所述预设值或所述训练轮数大于预设轮数时，将所述第二全局模型设置为所述目标集群的电量预测模型，获取所述电量预测模型在所述测试集上的评估数据，根据所述评估数据和预设的整体评估值生成模型，生成电量预测模型的整体评估值之后，所述联邦学习方法，还包括：

38、获取预设评估，判断所述整体评估值是否大于所述预设评估值；

39、当所述整体评估值大于预设评估值时，保存所述电量预测模型。

40、在第一方面的一种可能的实现方式中，所述预设影响特征包括预设时间特征和预设天气特征中的其中一种或其组合，所述预设时间特征包括预设时间段、预设月份、预设季节中的其中一种或其组合，所述预设天气特征包括预设温度、预设湿度、预设风速、预设降雨量中的其中一种或其组合。

41、第二方面，本技术实施例提供了一种基于边缘设备的联邦学习装置，应用于联邦学习系统的中心服务器，所述中心服务器连接多个边缘设备，所述中心服务器存储所述联邦学习系统的第一全局模型，包括：

42、获取模块，用于获取所述边缘设备上传的热编码向量，通过不同的所述热编码向量将多个边缘设备划分成不同的集群，根据所述集群中所述边缘设备的选中个数、计算功耗、传输功耗以及预设的总功耗生成模型，生成所述集群对应的总功耗；

43、标记模块，用于将最小的所述总功耗对应的所述集群标记为目标集群；

44、发送模块，用于向所述目标集群的多个所述边缘设备发送上传指令；

45、更新模块，用于获取所述边缘设备基于所述上传指令返回的本地模型参数，将多个所述本地模型参数进行聚合，得到更新参数，将所述第一全局模型的初始参数修改为所述更新参数，将使用所述更新参数的所述第一全局模型设置为第二全局模型；

46、划分模块，用于获取所述目标集群的预设影响特征，将所述预设影响特征以及所述预设影响特征对应的预设电量组成一组样本数据，将多组所述样本数据划分成所述第二全局模型的训练集和测试集；

47、输入模块，用于将所述训练集的所述预设影响特征输入到所述第二全局模型中，获取所述第二全局模型基于所述预设影响特征输出的预测电量，判断所述预设电量和所述预测电量之间的损失值是否小于预设值，并判断训练轮数是否大于预设轮数；

48、评估模块，用于当所述损失值小于所述预设值或所述训练轮数大于预设轮数时，将所述第二全局模型设置为所述目标集群的电量预测模型，获取所述电量预测模型在所述测试集上的评估数据，根据所述评估数据和预设的整体评估值生成模型，生成电量预测模型的整体评估值。

49、第三方面，本技术实施例提供了一种中心服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项的联邦学习方法。

50、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项的联邦学习方法。

51、第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在中心服务器上运行时，使得中心服务器执行上述第一方面中任一项所述的联邦学习方法。

52、本技术实施例有益效果在于两方面，一方面，将最小的所述总功耗对应的所述集群标记为目标集群，向所述目标集群的多个所述边缘设备发送上传指令，因此能确定目标集群的边缘设备，由于目标集群外的边缘设备不会收到上传指令，因此目标集群外的边缘设备不用参与联邦学习训练，因此，减少了参与联邦学习训练的边缘设备的整体数量，有利于降低训练过程中边缘设备的整体能耗；另一方面，由于根据所述评估数据和预设的整体评估值生成模型，生成电量预测模型的整体评估值，因此简化了电量预测模型的评估过程，有利于提高电量预测模型的评估效率。