[發(fā)明專利]保護住戶數(shù)據(jù)隱私的住宅能源消耗預測方法

在審

• 申請?zhí)枺?/td>: 202211420218.3
• 申請日: 2022-11-15
• 公開（公告）號: CN115759387A
• 公開（公告）日: 2023-03-07
• 發(fā)明（設計）人: 陸悠;崔林倩;陳宇豪;張哲;傅啟明;王蘊哲;陳建平
• 申請（專利權(quán)）人: 蘇州科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F21/62;G06N3/08;G06N3/0442
• 代理公司: 北京科家知識產(chǎn)權(quán)代理事務所(普通合伙) 11427
• 代理人: 曹振中

本發(fā)明公開了保護住戶數(shù)據(jù)隱私的住宅能源消耗預測方法，屬于智能建筑技術(shù)領(lǐng)域，包括以下步驟：步驟一：收集用戶能耗數(shù)據(jù)；步驟二：通過LSTM網(wǎng)絡在用戶本地對步驟一采集的用戶能耗數(shù)據(jù)進行訓練；步驟三：云服務器獲取訓練后的用戶能耗數(shù)據(jù)，并據(jù)此計算出最優(yōu)全局模型，再將最優(yōu)全局模型下發(fā)至各用戶。本發(fā)明通過LSTM網(wǎng)絡在用戶本地對用戶能耗數(shù)據(jù)進行訓練，整個訓練過程中，用戶能耗數(shù)據(jù)不會與云服務器或其他家庭共享，避免了家庭數(shù)據(jù)泄露帶來的安全問題，同時由于是在用戶本地對用戶能耗數(shù)據(jù)進行訓練，因此也就解決了數(shù)據(jù)難以集中的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及智能建筑技術(shù)領(lǐng)域，具體為保護住戶數(shù)據(jù)隱私的住宅能源消耗預測方法。

背景技術(shù)

由于經(jīng)濟發(fā)展和人口增長，全球能源消耗每年都在急劇增加，并且能源消耗預測在提高建筑能源效率方面起著重要的作用，它可以促進許多建筑節(jié)能措施的實施。在以往的研究中主要是通過集中收集數(shù)據(jù)進行能源消耗預測，目前，我們可以根據(jù)分布式學習的方法在本地進行數(shù)據(jù)訓練，通過數(shù)據(jù)不出本地，我們可以對于住宅用戶的隱私進行保護。

迄今為止，利用將數(shù)據(jù)集中化進行住宅能耗預測的不同方法都取得了顯著的成果，其中，大多數(shù)都利用工程方法、統(tǒng)計方法和機器學習方法進行住宅能耗預測，但是這些方法都是集中化訓練模型，在數(shù)據(jù)集中化的過程中會造成數(shù)據(jù)泄露的問題，此外，許多關(guān)于數(shù)據(jù)安全和隱私的法律法規(guī)已經(jīng)頒布，使得數(shù)據(jù)難以集中，從而導致數(shù)據(jù)孤島問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供保護住戶數(shù)據(jù)隱私的住宅能源消耗預測方法，以解決上述背景技術(shù)中提出的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：保護住戶數(shù)據(jù)隱私的住宅能源消耗預測方法，包括以下步驟：

步驟一：收集用戶能耗數(shù)據(jù)；

步驟二：通過LSTM網(wǎng)絡在用戶本地對步驟一采集的用戶能耗數(shù)據(jù)進行訓練；

步驟三：云服務器獲取訓練后的用戶能耗數(shù)據(jù)，并據(jù)此計算出最優(yōu)全局模型，再將最優(yōu)全局模型下發(fā)至各用戶。

優(yōu)選的，步驟一中采用智能電表收集用戶能耗數(shù)據(jù)，并對收集的用戶能耗數(shù)據(jù)做預處理。

優(yōu)選的，步驟二中，在時刻t，采用能耗數(shù)據(jù)的歷史樣本的數(shù)量X＝|x|作為LSTM模型的輸入(包括t時記錄的值)，以預測t+1時的能耗，其中x＝{0，…，X-1}。

優(yōu)選的，所述LSTM網(wǎng)絡由一個單元、一個輸入門、一個輸出門和一個遺忘門組成；單元狀態(tài)始終存在于LSTM網(wǎng)絡中，f_t表示遺忘門；σ表示sigmoid函數(shù)，且σ∈【0,1】；tanh表示雙曲正切函數(shù)，且tanh∈【-1,1】；C表示控制參數(shù)，用于決定信息的保留和遺忘，w_f表示控制遺忘門的權(quán)重，具體定義如下：

輸入門用于決定信息是否存儲到單元狀態(tài)中，具體定義如下：

輸出門計算公式如下：

o_t＝σ(W_o·[h_t-1，x_t]+b_o)。

優(yōu)選的，步驟三中的云服務器采用強化學習中的Q-learning算法，Q網(wǎng)絡訓練用于計算最優(yōu)權(quán)重，再根據(jù)最優(yōu)權(quán)重計算最優(yōu)全局模型。

優(yōu)選的，所述Q-learning算法計算最優(yōu)權(quán)重算法如下：

A1.初始化本地家庭用戶模型W⁰；

A2.在所有家庭住戶中選擇一部分數(shù)據(jù)進行訓練；

A3.初始化Q網(wǎng)絡；