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！

申请/专利权人：齐鲁工业大学(山东省科学院);山科华智(山东)机器人智能科技有限责任公司

摘要：本发明涉及风力发电领域，特别是涉及基于混沌‑同态加密和联邦学习的风电预测系统及方法，所述系统包括密钥生成端、代理端、服务端和本地客户端。本发明采用联邦学习技术，能够实现高度准确的风电预测，有助于提高风电能源的利用效率；通过混沌‑同态加密技术，严格保护本地数据，不会泄露敏感信息，确保数据在本地客户端的安全性与隐私性；鼓励利益相关者之间的合作，共同构建了本地客户端和云服务端之间的风电预测系统，有助于促进风电场的高效并网以及现代能源系统中数据的高效利用和共享，解决了现有风电预测系统中存在的敏感数据隐私泄露风险和安全性不足的问题。

主权项：1.基于混沌-同态加密和联邦学习的风电预测方法，其特征在于，包括以下步骤：步骤1、密钥生成端生成四阶密钥矩阵，并将所述密钥矩阵处理后分发给服务端、代理端和对应的本地客户端Pj，j=1,2,3,...,l，l为本地客户端的总数；然后退出系统并销毁所有与密钥相关的信息，同时服务端初始化联邦学习模型中的全局模型参数并指定交流轮数T；步骤2、服务端随机选择n个本地客户端参与联邦学习的建模任务，在初次通信时，服务端将经过初始化后未加密的全局模型参数通过代理端分发给参与联邦学习建模的本地客户端，并标记为Nj，j=1,2,3,...,n；步骤3、本地客户端Nj在接收到模型参数后，加载本地风电场数据集，然后使用分发得到的模型参数进行本地训练，按照预先定义的迭代次数训练本地数据，将本次训练好的模型参数使用本地密钥K’j进行初次加密并上传至代理端；代理端将经过初次加密后的模型参数使用对应的代理密钥K’’j再次对模型参数进行加密，并将再次加密后的模型参数上传至服务端；步骤4、服务端确认已收集到来自n个本地客户端的加密模型参数，对各个已加密模型参数使用对应的服务密钥K’’’j再次加密；并在不知道真实参数的情况下对经过服务端密钥加密后的加密模型参数进行同态运算以获得密文聚合参数，同时将获得的密文聚合参数更新到服务端的全局模型参数；步骤5、服务端将聚合后的密文全局模型参数经过对应的服务密钥K’’’j解密发送至代理端，同时重新随机选择m个本地客户端；步骤6、代理端接收到来自服务端的加密模型参数后，使用相应的代理密钥K’’j对模型参数进行解密，将解密后的模型参数分别发送至对应的本地客户端Nj；步骤7、本地客户端Nj在接收到代理端发送的解密后的模型参数后，使用本地密钥K’j对解密后的模型参数再次执行解密操作，并加载本地风电场数据集，然后使用解密后的模型参数进行本地训练，并按照预先定义的迭代次数训练本地数据，并将本次训练好的模型参数使用本地密钥K’j进行加密并上传至代理端；然后代理端将经过初次加密后的模型参数使用对应的代理密钥K’’j再次对模型参数进行加密，并将加密后的模型参数上传至服务端；步骤8、服务端重新确认已收集到来自m个本地客户端的加密模型参数，对各个已加密模型参数使用对应的服务密钥K’’’j再次加密，并在不知道真实参数的情况下对经过服务端密钥加密后的加密模型参数进行聚合操作以获得密文聚合参数，同时将获得的密文聚合参数更新到服务端的全局模型参数；步骤9、按预先定义循环执行步骤5至步骤8操作T次后生成训练好的全局模型；服务端将训练好的全局模型通过代理端端分发至各个本地客户端Pj，然后本地客户端Pj更新本地模型，将采集到的风电数据参数输入到训练好的模型中，完成风电预测，所述风电数据参数包括风力和风向；步骤1具体包括以下步骤：步骤1.1、密钥生成端首先确定混合阶复Lorenz混沌系统的系统参数ρ、r、b、q1、q2和初始值x1、x2、x3、y1、y2；所述混合阶复Lorenz混沌系统为： ；其中，ρ、r、b、q1、q2均为系统参数，且ρ、r、b均大于0；状态变量ωi=xi+jyi是复变量，xi、yi是实变量，j为虚部单位，i=1,2；表示ωi的qi阶导数，分别为ω1、ω2的共轭变量，x’3表示x3的一阶导数；将复变量ωi展开得： ；步骤1.2、利用预估校正方法求解展开后的混合阶复Lorenz混沌系统，生成一个含有n个元素的混沌序列X=[x1,x2,x3,…,xn]，然后从X随机截取一段混沌序列X’并将其转换为密钥序列keyj，即keyj=X’=[xz+16×j+1,xz+16×j+2,…,xz+16×j+1]，其中，j=1,2...,l，z为随机截取的初始值，l表示本地客户端的总数；步骤1.3、选取缩放因子γ，整数N=∏j=12lnj，并将整数N作为模操作中的模数，其中，nj均为素数，j=1,2,...,2l；步骤1.4、将每个密钥序列keyj与缩放因子γ相乘后进行模操作生成key’j，其中j=1,2...,l，然后将key’j重组成4阶方阵kj，称之为密钥矩阵；最后将密钥矩阵kj存入密钥库keys中；步骤1.5、随机从密钥库keys选取密钥矩阵K，针对每个本地客户端Pj分别构造本地密钥K’j、代理密钥K’’j和服务密钥K’’’j： K ’ j =Kmodni，K’’j=Kmodnj，K’’’j=K’’j-1K’j-1K；其中，ni、nj是构造整数N的素数，i≠j，i,j=1,2,..,2l；K’j-1、K’’j-1分别是本地密钥K’j和代理密钥K’’j的逆矩阵，并要求服务密钥K’’’j存在逆矩阵K’’’j-1；步骤1.6、将本地密钥K’j、代理密钥K’’j和服务密钥K’’’j分别发送至本地客户端Pj、代理端和服务端，随后退出系统并销毁所有与密钥相关的信息；步骤3中，所述本地客户端Nj利用本地数据进行本地训练的具体过程如下所示：步骤3.1、本地客户端Nj确定本地训练次数E；步骤3.2、作为当前轮次的参与方，本地客户端Nj需从代理端获取明文状态下的全局模型参数θ，并根据以下公式计算近端项pr并更新本地模型参数： ；其中，μ表示近端项系数；步骤3.3、本地客户端Nj进行本地训练迭代E次，并计算每次迭代的输出outji、损失函数Lij和梯度gradij： out i j =fpxj,θj； L i j =lossyj,outij+pr； grad i j =bpfLij,xj,θj；其中，i=1,...,E，xj、yj分别表示本地客户端Nj的本地训练数据及其标签，fp表示前向传播函数，loss表示损失函数，bpf表示后向传播函数；然后更新本地模型参数θj： θ j =θ j -lr×gradij；步骤3中，本地客户端将训练好的模型参数进行初次加密并上传至代理端的具体过程如下所示：首先，将模型参数θj转换为加密所需的4阶矩阵： ；其中，N2M表示将数字构造成四阶矩阵，且，a、b为整数域ZN中的随机数，B和C为2阶随机方阵，0为2阶全0方阵；其次，使用本地客户端密钥K’j对参数进行加密： ；其中，Enc表示加密操作；最后，本地客户端Nj将模型参数发送至代理端；步骤3中，所述代理端将模型参数使用对应由于客户端Nj的代理密钥K’’j通过以下公式执行加密操作得到模型参数： ，步骤4中，所述服务端对模型参数使用对应于客户端Nj的服务密钥K’’’j，根据以下公式执行加密操作得到模型参数： 。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 山科华智(山东)机器人智能科技有限责任公司 基于混沌-同态加密和联邦学习的风电预测系统及方法