(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 202211113688.5 (22)申请日 2022.09.14 (71)申请人 国网辽宁省电力有限公司信息通信 分公司 地址 110006 辽宁省沈阳市和平区宁波路 18号 申请人 国家电网有限公司 (72)发明人 胡楠　高强　教传铭　刘晓强　 冉冉　胡非　夏雨　白亮　曲睿婷　 (74)专利代理 机构 沈阳维特专利商标事务所 (普通合伙) 21229 专利代理师 李娜 (51)Int.Cl. G06Q 50/26(2012.01) G06N 20/00(2019.01)G06K 9/62(2022.01) (54)发明名称 联邦学习框架下的应急方案生 成方法、 系统 及存储介质 (57)摘要 本发明属于联邦学习技术领域， 提供了一种 联邦学习框架下的应急方案生 成方法， 包括如下 步骤， 采集本地历史应急案例数据， 对应急案例 数据进行预处理存储形成训练数据集； 接受中心 服务器发送的训练指令， 基于各自训练数据集协 同训练K均值聚类模型； 接受中心服务器发送的 目标案例的特征值向量， 利用训练后的K均值聚 类模型提取本地历史案例应急方案并按照相似 度排序发送至中心服务器。 本发 明引入基于案例 推理的技术， 通过判断目前要解决的目标案例问 题与历史案例具有的相似性， 根据历史应急案例 采取的应急方案来制定现在目标应急案例的应 急方案， 使应急案例更准确。 权利要求书3页 说明书7页 附图3页 CN 115456842 A 2022.12.09 CN 115456842 A 1.联邦学习框架下的应急方案生成方法， 该框架由n个企业客户端和一个中心服务器 构成， 其特 征在于： 包括如下步骤， 采集本地历史应急案例数据， 对应急案例数据进行 预处理存储形成训练数据集； 接受中心服 务器发送的训练指令， 基于各自训练数据集协同训练K均值聚类模型； 接受中心服务器发送的目标案例的特征值向量， 基于目标案例的特征值向量利用训练 后的K均值聚类模型， 计算目标案例与历史应急案例的相似度， 按照相似度排序提取各历史 应急案例的应急方案发送至中心服 务器。 2.如权利要求1所述的联邦学习框架下的应急方案生成方法， 其特征在于： 所述企业客 户端， 接受中心服 务器发送的数据预处 理规范式， 基于上述数据规范式对本地应急案例数据进行特征提取及统一规范化展示形成训练 数据集。 3.如权利要求2所述的联邦学习框架下的应急方案生成方法， 其特征在于： 所述规范化 范式包括， 企业集为F＝{F1,F2,…,Fn}， Fi为第i个企业， 存在n个参与方企业； 企业的历史应急案例集为Z ＝{Z1,Z2,…,Zn}， Zi为第i个企业的历史案例集， 目标案例为 Z*； 企业历史应急案例集的数据规模为S＝{S1,S2,…,Sn}， Si为第i个企业拥有的历史应急 案例数量； 为第i个企业历史应急案例集中的第a个历史案例， 其中i∈{1,2, …,n},a＝{1, 2,…,Si}； 每个应急案例的特征集为C＝{C1,C2,…,Ck}， 其中Ck为每个应急案例的第k个特征， k∈ {1,2,…,K}； 历史案例的案例特 征值向量 为 目标案例的案例特 征值向量 为 4.如权利要求1所述的联邦学习框架下的应急方案生成方法， 其特征在于： 协同训练K 均值聚类模型， 包括， 所述每 个企业客户端， 获取中心服务器在t时刻向其发送初始化的K均值聚类全局模型参数wt及初始化迭代次 数； 基于本地的历史案例数据集与模型参数wt训练局部 K均值聚类模型， 并更新全局模型参 数wt为局部模型参数wt,i发送至中心服 务器； 获取中心服务器聚合各个企业客户端发送的局部模型参数wt,i， 更新全局模型参数及 迭代次数， 判断更新后的迭代次数未达到最大迭代次数， 所发送的K均值聚类模 型参数及迭 代次数继续训练指令 。 5.如权利要求4所述的联邦学习框架下的应急方案生成方法， 其特征在于： 中心服务器 采用联邦平均算法对接受到的所有局部模型参数进行聚合更新， 具体为：权　利　要　求　书 1/3 页 2 CN 115456842 A 2其中， Si为第i个企业拥有的历史应急案例数量， wt,i为在t时刻第i个企业客户端训练的 局部模型的参数， wt+1在t+1时刻更新的全局模型的参数。 6.如权利要求4所述的联邦学习框架下的应急方案生成方法， 其特征在于： K均值聚类 模型的训练中， 各企业 客户端对 全局模型参数wt的更新， 包括以下步骤： 1)对中心服 务器全局模型参数wt进行解密， 选择m个中心， 即α ＝α1, α2,…, αm； 2)基于本地的历史案例数据集， 针对数据集中每个案例 根据每个案例的特征值向 量 计算它到m个聚类中心的距离， 并将其分到距离最小的 聚类中心所对应的类中； 3)各个企业 客户端针对每 个类别αj， 重新计算它的聚类中心 4)重复2)3)， 直到没有聚类中心再发生变化， 各个企业客户端根据最终的聚类中心， 加 密后成为更新的局部模型参数wt,i。 7.如权利要求1所述的联邦学习框架下的应急方案生成方法， 其特 征在于： 历史应急案例和目标案例之间的相似度通过如下公式计算， 具体为 其中， 为第i个企业历史应急案例集中的第a个历史案例的案例 特征值向量， 为该案例特征值向量的第 k个特征值， 为目标案例的案 例特征值向量， pk为目标案例的案例特 征值向量的第k个特 征值， k∈{1,2, …,K}。 8.一种联邦学习框架下的应急方案生成系统， 其特 征在于： 包括： 数据获取模块， 用于采集本地历史应急案例数据， 对应急案例数据进行预处理存储形 成训练数据集； 模型训练模块， 用于接受中心服务器发送的训练指令， 基于各自训练数据集协同训练K 均值聚类模型； 方案生成模块， 用于接受中心服务器发送的目标案例的特征值向量， 基于目标案例的 特征值向量利用训练后的K均值聚类模 型， 计算目标案例与历史应急案例的相似度， 按照相 似度排序提取 各历史应急案例的应急方案发送至中心服 务器。 9.如权利要求8所述的一种联邦学习框架下的应急方案生成系统， 其特 征在于： 所述数据获取模块中， 所述企业 客户端， 接受中心服 务器发送的数据预处 理规范式， 基于上述数据规范式对本地应急案例数据进行特征提取及统一规范化展示形成训练 数据集； 所述模型训练模块中， 协同训练K均值聚类模型， 包括， 所述每 个企业客户端， 获取中心服务器在t时刻向其发送初始化的K均值聚类全局模型参数wt及初始化迭代次 数；权　利　要　求　书 2/3 页 3 CN 115456842 A 3