(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 202111491864.4 (22)申请日 2021.12.08 (71)申请人 国网上海能源互联网研究院有限公 司 地址 200131 上海市浦东 新区中国 （上海） 自由贸易试验区李冰路251号、 法拉第 路28号1幢4层、 5层 申请人 国家电网有限公司 　 国网浙江省电力有限公司嘉兴供电 公司 (72)发明人 岑维聪　吕广宪　陆一鸣　刘鹏　 王国庆　 (74)专利代理 机构 北京工信联合知识产权代理 有限公司 1 1266 专利代理师 夏德政(51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/04(2020.01) (54)发明名称 一种适用 于配电网分布式数据存储的模型 统合方法 (57)摘要 本发明公开了一种适用于配电网分布式数 据存储的模型统合方法及系统， 包括： 确定总部 和下级单位的拓扑结构， 并在总部搭建总部节 点， 在下级单位部署代理 agent节点； 总部节点下 发全局模型和模型信息至每个下级单位对应的 agent节点； 每个agent节点对所述全局模型进行 训练， 并计算训练前后参数的差值， 并将所述差 值返回至总部节点； 总部节点对所有agent节点 返回的差值进行聚合， 以重新确定全局模型； 对 所述重新确定的全局模型进行评估， 计算所述重 新确定的全局模 型的准确率与损失函数； 若所述 准确率与损失函数满足预设准确定率阈值和损 失函数阈值， 则确定所述重新确定的全局模型为 最优全局模型。 权利要求书2页 说明书8页 附图7页 CN 115270366 A 2022.11.01 CN 115270366 A 1.一种适用于配电网分布式数据存 储的模型统合方法， 其特 征在于， 所述方法包括： 确定总部和下级单位的拓扑结构， 并在总部搭建总部节点， 在下级单位部署代 理agent 节点； 总部节点下发全局模型和模型信息 至每个下级单位对应的a gent节点； 每个agent节点对所述全局模型进行训练， 并计算训练前后参数的差值， 并将所述差值 返回至总部节点； 总部节点对所有a gent节点返回的差值进行聚合， 以重新确定全局模型； 对所述重新确定的全局模型进行评估， 计算所述重新确定的全局模型的准确率与损失 函数； 若所述准确率与损失函数满足预设准确定率阈值和损失函数阈值， 则确定所述重新确 定的全局模型为 最优全局模型。 2.根据权利 要求1所述的方法， 其特征在于， 所述总部节点和每个agent节点基于UEP通 道进行数据交互； 所述模型信息包括： 模型名称、 节点信息、 全局迭代次数、 本地模型训练迭代次数和本 地训练的样本数。 3.根据权利要求1所述的方法， 其特征在于， 所述每个agent节点对所述全局模型进行 训练， 并计算训练前后参数的差值， 包括： 每个Agent节点将获取的全局模型覆盖本地模型， 并进行模型训练， 在过程使用交叉熵 损失函数公式计算交叉熵误差， 并使用梯度下降算法求 解参数， 计算差值； 其中， 所述交叉熵损失函数公式包括： 其中， L为 交叉熵误差； M为类别数量， yic为符号函数0 或1， 如果样本i的真实类别等于c， 则取1， 否则取0， pic为观测样本i属于类别c的预测概 率。 4.根据权利要求1所述的方法， 其特征在于， 所述总部节点对所有agent节点返回的差 值进行聚合， 以重新确定全局模型， 包括： 总 部 节 点 对 每 个 a g e n t 节 点 的 返 回 值 使 用 F e d A v g 算 法 ，利 用 公 式 进行聚合， 以重新确定全局模型； 其中， Gt表示第t轮 更新的全局模型参数， 表示第i个a gent节点在第t+1轮本地更新后的模型。 5.根据权利要求1所述的方法， 其特征在于， 所述对所述重新确定的全局模型进行评 估， 计算所述重新确定的全局模型的准确率与损失函数， 包括: 总部节点聚合所有的损失cross_entropy交叉熵函数计算损失， 获取最大的对数概率 的索引值， 根据最大的对数概率的索引值在所有 预测结果中选择可能性最大的作为最终的 分类结果， 统计预测结果与真实标签的匹配总 数， 根据匹配总 数计算当前 的全局模型 的准 确值与损失率。 6.一种适用于配电网分布式数据存 储的模型统合系统， 其特 征在于， 所述系统包括： 拓扑结构确定单元， 用于确定总部和下级单位的拓扑结构， 并在总部搭建总部节点， 在 下级单位部署代理a gent节点；权　利　要　求　书 1/2 页 2 CN 115270366 A 2模型下发单元， 用于总部节点下发全局模型和模型信息至每个下级单位对应的agent 节点； 训练单元， 英语每个agent节点对所述全局模型进行训练， 并计算训练前后参数的差 值， 并将所述差值返回至总部节点； 聚合单元， 用于总部节点对所有agent节点返回的差值进行聚合， 以重新确定全局模 型； 评估单元， 用于对所述重新确定的全局模型进行评估， 计算所述重新确定的全局模型 的准确率与损失函数； 最优全局模型确定单元， 用于若所述准确率与损失函数满足预设准确定率阈值和损失 函数阈值， 则确定所述重新确定的全局模型为 最优全局模型。 7.根据权利 要求6所述的系统， 其特征在于， 所述总部节点和每个agent节点基于UEP通 道进行数据交互； 所述模型信息包括： 模型名称、 节点信息、 全局迭代次数、 本地模型训练迭代次数和本 地训练的样本数。 8.根据权利 要求6所述的系统， 其特征在于， 所述训练单元， 每个 agent节点对所述全局 模型进行训练， 并计算训练前后参数的差值， 包括： 每个Agent节点将获取的全局模型覆盖本地模型， 并进行模型训练， 在过程使用交叉熵 损失函数公式计算交叉熵误差， 并使用梯度下降算法求 解参数， 计算差值； 其中， 所述交叉熵损失函数公式包括： 其中， L为 交叉熵误差； M为类别数量， yic为符号函数0 或1， 如果样本i的真实类别等于c， 则取1， 否则取0， pic为观测样本i属于类别c的预测概 率。 9.根据权利 要求6所述的系统， 其特征在于， 所述聚合单元， 总部节点对所有agent节点 返回的差值进行聚合， 以重新确定全局模型， 包括： 总 部 节 点 对 每 个 a g e n t 节 点 的 返 回 值 使 用 F e d A v g 算 法 ，利 用 公 式 进行聚合， 以重新确定全局模型； 其中， Gt表示第t轮 更新的全局模型参数， 表示第i个a gent节点在第t+1轮本地更新后的模型。 10.根据权利要求6所述的系统， 其特征在于， 所述评估单元， 对所述重新确定的全局模 型进行评估， 计算所述重新确定的全局模型的准确率与损失函数， 包括: 总部节点聚合所有的损失cross_entropy交叉熵函数计算损失， 获取最大的对数概率 的索引值， 根据最大的对数概率的索引值在所有 预测结果中选择可能性最大的作为最终的 分类结果， 统计预测结果与真实标签的匹配总 数， 根据匹配总 数计算当前 的全局模型 的准 确值与损失率。权　利　要　求　书 2/2 页 3 CN 115270366 A 3