基于纵向联邦学习的电力负荷预测方法、系统、设备及介质

摘要

本发明公开了基于纵向联邦学习的电力负荷预测方法、系统、设备及介质，解决了电力公司和工信局数据不能共享前提下的电力负荷预测问题。无标签的工信局和有标签的电力公司先通过隐私安全求交得到双方的共同样本ID；有标签的电力公司计算每个样本的一阶导数和二阶导数，然后利用k‑means聚类算法对样本进行分组，计算每组上的一阶导数和二阶导数之和，并利用同态加密技术将每组的样本ID和导数的密文发送给无标签的工信局；无标签的工信局计算每个样本的近似导数信息，计算每种特征划分的增益并将结果发送给电力公司；有标签的电力公司根据最大增益设置分裂点。本文基于同态加密和聚类的纵向联邦XGboost算法既保证双方传输信息的隐私安全，又显著降低通信开销。