(19)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 202211004889.1 (22)申请日 2022.08.22 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 沈俊　高新强　李振兴　徐田园　 王浩　 (74)专利代理 机构 北京理工大 学专利中心 11120 专利代理师 郭德忠 (51)Int.Cl. G06F 16/9535(2019.01) G06N 20/00(2019.01) (54)发明名称 一种基于联邦学习与能源互联网的信息推 荐方法 (57)摘要 本发明提供一种基于联邦学习与能源互联 网的信息推荐方法， 包括： 本地工作平台获取本 地特征数据集； 本地工作平台采用横向联邦学习 算法对本地特征数据集进行联邦训练， 得到横向 联邦推荐模 型与本地训练模型参数； 本地工作平 台、 服务器、 本地能源供给方客户端、 本地能源需 求方客户端更新本地训练模型参数； 横向联邦推 荐模型按照个性化要求， 将本地能源 供给方客户 端的需求信息或者本地能源需求方客户端的需 求信息对应推送至本地能源需求方客户端或者 本地能源供给方客户端。 本发明所述基于联邦学 习与能源互联网的信息推荐 方法具有个性化、 隐 私性强、 过程简单、 预测准确等特征， 可广泛应用 于互联网信息 推荐领域。 权利要求书2页 说明书4页 附图2页 CN 115374356 A 2022.11.22 CN 115374356 A 1.一种基于联邦学习与能源互联网的信息推荐方法， 其特征在于， 所述信息推荐方法 包括如下步骤： 步骤1、 本地工作平台将采集的本地能源供给方特征数据集、 本地能源需求方特征数据 集构成本地特征数据集； 其中， 本地能源供给方的数量为一个以上， 本地能源需求方的数量 也为一个以上； 步骤2、 本地工作平台采用横向联邦学习算法对本地特征数据集进行联邦训练， 得到横 向联邦推荐模型与本地训练模型参数， 本地工作平台更新自身的本地训练参数； 本地工作 平台还将本地训练模型参数发送至本地能源供给方客户端、 本地能源需求方客户端、 服务 器； 服务器、 本地能源供 给方客户端、 本地能源需求方客户端更新本地训练模型参数； 步骤3、 横向联邦推荐模型按照本地能源供给方客户端的个性化要求或者本地能源需 求方客户端的个性化要求， 将本地能源供给方客户端的需求信息或者本地能源需求方客户 端的需求信息对应 推送至本地能源需求方客户端或者本地能源供 给方客户端。 2.根据权利要求1所述的基于联邦学习与能源互联网的信 息推荐方法， 其特征在于， 步 骤1中， 所述本地能源供给方特征数据集为本地工作平台从本地能源供给方客户端提取 的 能源供给方特征信息及其对应的特征数据组成的集合； 所述本地能源需求方特征数据集为 本地工作平台从本地需求方客户端端提取的能源需求特征信息及其对应的特征数据组成 的集合。 3.根据权利要求2所述的基于联邦学习与能源互联网的信 息推荐方法， 其特征在于， 所 述本地能源供给方特征信息包括： 供给种类、 供给库存、 供给最大量； 所述能源需求方特征 信息包括： 需求类型、 需求 量、 需求时间。 4.根据权利要求3所述的基于联邦学习与能源互联网的信 息推荐方法， 其特征在于， 所 述步骤1具体包括如下步骤： 步骤11、 本地工作平台分别对每个能源供给方与每个能源需求方进行关联性分析， 确 定各个供给需求群， 并确定每个供给需求群中的本地能源供给方、 本地能源需求方； 本地能 源供给方与本地能源需求方 是相对应的； 其中， 所述供 给需求群的数量 为一个以上； 步骤12、 本地工作平台进一步对每个供给需求群 中的所有本地 能源供给方与所有本地 能源需求方进行关联性分析， 获得各本地能源供给方特征信息、 各本地能源需求方特征信 息； 步骤13、 对于每个供给需求群， 本地工作平台采集各本地能源供给方特征信息、 各本地 能源需求方特征信息对应的数据， 构成各本地能源供给方特征数据集、 各本地能源需求方 特征数据集； 步骤14、 对各本地能源供给方特征数据集、 各本地能源需求方特征数据集进行对齐归 一化处理， 并将对应得到的能源供给方特征向量、 能源需求方特征向量作为本地样本训练 集。 5.根据权利要求4所述的基于联邦学习与能源互联网的信 息推荐方法， 其特征在于， 所 述步骤2具体包括如下步骤： 步骤21、 本地工作平台采用横向联邦学习算法对本地训练样本集进行 联邦训练； 步骤22、 横向联邦学习算法计算各本地能源需求方客户端的能源需求预测值、 能源损 失函数值、 各本地能源供给方特征信息梯度； 同时， 生成本地训练模型参数； 本地工作平台权　利　要　求　书 1/2 页 2 CN 115374356 A 2更新本地训练模型参数， 并将本地训练模型参数发送至服务器、 本地能源供给方客户端、 本 地能源需求方客户端； 步骤23、 服务器判定横向联邦学习算法是否收敛： 如果收敛， 则将该横向联邦学习算法 作为横向联邦推荐模型， 并执 行步骤24； 如果 不收敛， 则返回步骤21， 直至收敛； 步骤24， 服务器、 各本地能源供给方客户端、 各本地能源需求方客户端更新本地训练模 型参数。 6.根据权利要求4或5所述的基于联邦学习与能源互联网的信息推荐方法， 其特征在 于， 所述步骤3具体包括如下步骤： 步骤31、 横向联邦推荐模型获取对应供给需求群中的各本地能源供给方需求列表、 各 本地能源需求方需求列 表， 并获取各本地能源供给方需求列 表中的当前供给方需求特征数 据、 各本地能源需求方需求列表中的当前需求方需求特 征数据； 步骤32、 横向联邦推荐模型对各本地能源供给方的当前供给方需求或者各本地能源需 求方的当前需求进 行预测， 并进 行处理： 按照从大到小的排列方式， 对于每个本地能源需求 方的当前供给方需求的所有预测值对应进行排序； 按照 从大到小的排列方式， 对于每个本 地能源供 给方的当前需求方需求的所有预测值对应进行排序； 步骤33、 横向联邦推荐模型获取各本地 能源供给方客户端的个性化要求或者各本地 能 源需求方客户端的个性 化要求； 步骤34、 横向联邦推荐模型按照各本地能源供给方客户端的个性化要求， 将每个本地 能源供给方 的当前供给方需求的最大预测 值对应的信息个性化地推荐至对应供给需求群 的各本地能源需求方客户端； 横向联邦推荐模型按照各本地能源需求方客户端的个性化要 求， 将每个本地能源需求方的当前需求方需求的最大预测值对应的信息个性化地 发送至对 应供给需求群的各本地能源供 给方客户端。权　利　要　求　书 2/2 页 3 CN 115374356 A 3