(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111265689.7 (22)申请日 2021.10.28 (71)申请人 新智我来网络科技有限公司 地址 100102 北京市朝阳区望京东路1号 (72)发明人 刘国柄　刘嘉　吕宏强　 (74)专利代理 机构 北京嘉科知识产权代理事务 所(特殊普通 合伙) 11687 代理人 陈俊宏 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于联合学习的电力负荷预测模型建立方 法和装置 (57)摘要 本公开涉及能源技术领域， 提供了一种基于 联合学习的电力负荷预测模型建立方法和装置。 该方法包括： 获取发起方的用电负荷数据的数据 集和至少一个参与方的用电负荷数据的数据集； 确定发起方的用电负荷数据的数据集与至少一 个参与方的用电负荷数据的数据集的相似度； 基 于相似度， 在至少一个参与方的用电负荷数据的 数据集中确定至少一个目标方的目标用电负荷 数据的数据集， 并基于发起方的用电负荷数据的 数据集和至少一个目标方的目标用电负荷数据 的数据集， 采用横向联合学习算法进行模型训 练； 根据模型训练的结果， 建立电力负荷预测模 型。 本公开 提高了电力负荷预测模型的准确性。 权利要求书2页 说明书13页 附图3页 CN 114004398 A 2022.02.01 CN 114004398 A 1.一种基于联合学习的电力负荷预测模型建立方法， 包括： 获取发起方的用电负荷数据的数据集和至少一个参与方的用电负荷数据的数据集； 确定发起方的用电负荷数据的数据集和至少一个参与方的用电负荷数据的数据集的 相似度； 基于所述相似度， 在所述至少一个参与 方的用电负荷数据的数据集中确定至少一个目 标方的目标用电负荷数据的数据集， 并基于所述 发起方的用电负荷数据的数据集和所述至 少一个目标 方的目标用电负荷数据的数据集， 采用横向联合学习算法进行模型训练； 根据所述模型训练的结果， 建立电力负荷预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述确定所述发起方的用电负荷数据的数 据集与所述至少一个参与方的用电负荷数据的数据集的相似度， 包括： 分别计算所述发起方的用电负荷数据的数据集与所述至少一个参与方中的每个参与 方的用电负荷数据的数据集的欧式距离， 其中， 所述欧式距离用于衡量所述发起方 的用电 负荷数据的数据集与所述 参与方的用电负荷数据的数据集的相似度。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述相似度， 在所述至少一个参 与方的用电负荷数据 的数据集中确定至少一个目标方的目标用电负荷数据 的数据集， 包 括： 基于所述欧式距离， 确定所述欧式距离是否小于或等于预设距离阈值； 在所述欧式距离小于或等于所述预设距离 阈值的情况下， 确定所述相似度大于或等于 预设相似度阈值； 将所述参与方的用电负荷数据的数据集中所述相似度大于或等于所述预设相似度阈 值对应的用电负荷数据的数据集确定为目标 方的目标用电负荷数据的数据集。 4.根据权利要求2所述的方法， 其特征在于， 所述基于所述相似度， 在所述至少一个参 与方的用电负荷数据 的数据集中确定至少一个目标方的目标用电负荷数据 的数据集， 包 括： 基于所述欧式距离的大小， 确定所述相似度的大小； 根据所述相似度从大到小的顺序对全部所述参与方的用电负荷数据的数据集进行排 序； 选取所述排序在前的预设个数的参与方的用电负荷数据的数据集作为目标方的目标 用电负荷数据的数据集。 5.根据权利要求1所述的方法， 其特征在于， 所述基于所述发起方的用电负荷数据的数 据集和所述至少一个目标方的目标用电负荷数据的数据集， 采用横向联合学习算法进 行模 型训练， 包括： 获取所述发起方的第一本地模型的模型参数和所述目标方的第二本地模型的模型参 数进行横向联合学习， 以得到学习参数， 其中， 所述第一本地模型是由所述 发起方采用机器 学习算法对所述 发起方的用电负荷数据的数据集在本地进 行训练得到的， 所述第二本地模 型是由所述目标方采用机器学习算法对所述目标方 的目标用电负荷数据的数据集在本地 进行训练得到的； 向所述发起方和所述目标方发送所述学习参数， 以使所述发起方基于所述学习参数更 新所述第一本地模型和所述目标 方基于所述学习参数 更新所述第二本地模型。权　利　要　求　书 1/2 页 2 CN 114004398 A 26.根据权利要求5所述的方法， 其特征在于， 所述基于所述发起方的用电负荷数据的数 据集和所述至少一个目标方的目标用电负荷数据的数据集， 采用横向联合学习算法进 行模 型训练， 还 包括： 获取所述第 一本地模型对应的模型权重值和所述第 二本地模型对应的模型权重值， 其 中， 所述模型权重值是基于所述用电负荷数据的数据集的样本数量和/或所述相似度预先 设定的； 基于所述第一本地模型的模型参数、 所述第一本地模型对应的模型权重值、 所述第二 本地模型 的模型参数和所述第二本地模型对应的模型权重值， 进行横向联合学习， 以得到 所述学习参数。 7.根据权利要求5所述的方法， 其特征在于， 所述根据所述模型训练的结果， 建立电力 负荷预测模型， 包括： 根据所述模型训练的结果， 将迭代至满足收敛条件的第 一本地模型确定为电力负荷预 测模型。 8.一种基于联合学习的电力负荷预测模型建立装置， 其特 征在于， 包括： 获取模块， 被配置为获取发起方的用电负荷数据的数据集和至少一个参与 方的用电负 荷数据的数据集； 确定模块， 被配置为确定所述发起方的用电负荷数据的数据集与所述至少一个参与方 的用电负荷数据的数据集的相似度； 训练模块， 被配置为基于所述相似度， 在所述至少一个参与方的用电负荷数据的数据 集中确定至少一个目标方的目标用电负荷数据的数据集， 并基于所述发起方的用电负荷数 据的数据集和所述至少一个目标方的目标用电负荷数据的数据集， 采用横向联合学习算法 进行模型训练； 建立模块， 被 配置为根据所述模型训练的结果， 建立电力负荷预测模型。 9.一种电子设备， 包括存储器、 处理器以及存储在所述存储器中并且可以在所述处理 器上运行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求 1 至7中任一项所述方法的步骤。 10.一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， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114004398 A 3