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！

龙图腾网获悉江苏智慧用能低碳技术研究院有限公司;深能源(深圳)创新技术有限公司;深圳能源集团股份有限公司申请的专利一种基于联邦学习的边缘节点用户负荷预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121118003B 。

龙图腾网通过国家知识产权局官网在2026-03-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511660073.8，技术领域涉及：G06F18/27；该发明授权一种基于联邦学习的边缘节点用户负荷预测方法及系统是由荆志军;沈俊;邓万力;冯桂青;王庆;张士成设计研发完成，并于2025-11-13向国家知识产权局提交的专利申请。

本一种基于联邦学习的边缘节点用户负荷预测方法及系统在说明书摘要公布了：本发明公开了一种基于联邦学习的边缘节点用户负荷预测方法及系统，首先构建用于边缘节点用户负荷预测的联邦学习架构，再基于联邦学习架构在移动边缘计算节点MEC根据采集的本地用户负荷数据执行本地负荷预测模型的训练并生成本地模型参数，接着对本地模型参数进行加密并获得加密模型参数；本发明实现了具有采用本地数据不出域及仅传输加密模型参数的机制对边缘节点用户负荷进行精确预测的功能，且通过引入基于相似度矩阵的脏模型抑制策略显著增强了联邦学习框架在边缘异构环境下的鲁棒性，同时避免了低质量或恶意模型更新对全局性能的破坏，不仅保障了用户用电数据的隐私安全，还符合电力系统对数据合规性的严格要求。

本发明授权一种基于联邦学习的边缘节点用户负荷预测方法及系统在权利要求书中公布了：1.一种基于联邦学习的边缘节点用户负荷预测方法，其特征在于：包括以下步骤， 步骤A、构建用于边缘节点用户负荷预测的联邦学习架构，其中所述联邦学习架构包含智能电表SM、移动边缘计算节点MEC、云服务器Cloud、电力供应商PS和证书颁发机构CA，所述智能电表SM用于采集用户侧的用电数据，所述移动边缘计算节点MEC用于执行本地负荷预测模型训练并作为联邦学习的客户端训练节点，所述云服务器Cloud用于采用联邦学习方式的对相应模型参数进行筛选和聚合，所述电力供应商PS用于发布和管理短期负荷预测服务，所述证书颁发机构CA用于为移动边缘计算节点MEC和智能电表SM进行身份认证并分发安全通信证书； 步骤B，基于联邦学习架构在移动边缘计算节点MEC根据采集的本地用户负荷数据执行本地负荷预测模型的训练并生成本地模型参数，其中所述本地负荷预测模型具体采用轻量化神经网络模型，所述轻量化神经网络模型包括两个LSTM层和一个全连接层，且两个所述LSTM层分别用于捕捉负荷的短期波动特征和长期周期性规律，所述全连接层采用ReLU激活函数，且所述全连接层用于非线性映射； 步骤C，对本地模型参数进行加密并获得加密模型参数，再将加密模型参数上传至云服务器Cloud，其中对本地模型参数进行加密具体采用的是同态加密或差分隐私机制； 步骤D，利用云服务器Cloud接收各移动边缘计算节点MEC的加密模型参数，再基于相似度矩阵对上传的加密模型参数进行筛选并获得筛选后模型参数，其中对上传的加密模型参数进行筛选具体是计算各移动边缘计算节点MEC加密模型参数之间的余弦相似度并构建相似度矩阵，再设定动态阈值并将与主流本地负荷预测模型更新方向差异显著及相似度低于动态阈值的加密模型参数剔除，具体步骤如下， 步骤D1，计算各移动边缘计算节点MEC加密模型参数之间的余弦相似度并构建相似度矩阵，具体如公式1所示， 1 其中，为加密模型参数之间的余弦相似度，和分别为第个和第j个边缘节点的模型参数向量； 步骤D2，设定动态阈值并将与主流本地负荷预测模型更新方向差异显著及相似度低于动态阈值的加密模型参数剔除，具体如公式2所示， 2 其中，为动态阈值，和分别为当前轮次所有边缘计算节点MEC的平均相似度和标准差，为调节系数； 步骤E，采用动态权重机制对筛选后模型参数进行加权聚合并获得聚合后模型参数，其中所述动态权重机制具体是计算各移动边缘计算节点MEC的聚合权重，具体如公式3所示， 3 其中，为第k个移动边缘计算节点MEC的本地有效数据量，为本地训练过程中梯度变化的倒数变异系数，均为可调超参数； 步骤F，将聚合后模型参数下发至各移动边缘计算节点MEC，再由移动边缘计算节点MEC根据聚合后模型参数更新本地负荷预测模型并获得更新后本地负荷预测模型，其中所述根据聚合后模型参数更新本地负荷预测模型如公式4所示， 4 其中，为更新后本地负荷预测模型的模型参数，为更新前本地负荷预测模型的模型参数，为第k个移动边缘计算节点MEC的聚合后模型参数； 步骤G，利用更新后本地负荷预测模型对边缘节点所在区域的用户负荷进行预测并输出未来时段的负荷预测值，其中所述本地负荷预测模型包含输入层和输出层，所述本地负荷预测模型的输入层用于接收过去96个时间步的历史负荷序列、时间特征和气象数据，所述本地负荷预测模型的输出层用于输出未来24小时的负荷预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏智慧用能低碳技术研究院有限公司;深能源(深圳)创新技术有限公司;深圳能源集团股份有限公司，其通讯地址为：211100 江苏省南京市江宁区龙眠大道568号1幢724室(江宁高新园)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。