(19)中华 人民共和国 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 202111331379.0 (22)申请日 2021.11.11 (71)申请人 新智我来网络科技有限公司 地址 100102 北京市朝阳区望京东路1号 (72)发明人 刘胜伟　杨杰　余真鹏　 (74)专利代理 机构 北京嘉科知识产权代理事务 所(特殊普通 合伙) 11687 代理人 司彦斌 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) (54)发明名称 基于联合学习的烟气含氧量负荷预测方法 及装置 (57)摘要 本发明提供了一种基于联合学习的烟气含 氧量负荷预测方法及装置。 该方法包括： 通过参 与方分别确定本地多组设备的数据集和目标设 备数据集对应的样本权重； 根据本地多组设备的 数据集和对应的样本权重， 训练得到多组设备的 预测神经网络模 型； 将本地多组设备的预测神经 网络模型上传到中心节点进行模 型聚合， 以得到 聚合后的预测神经网络模型； 根据预设训练条件 训练聚合后的预测神经网络模型， 以得到联合预 测模型； 根据联合预测模型和目标设备数据集对 应的样本权重， 预测目标设备烟气含氧量值。 本 发明解决了现有技术中因无法提高能源设备的 烟气含氧量负荷预测的准确性的而造成资源浪 费问题。 权利要求书2页 说明书9页 附图2页 CN 114118543 A 2022.03.01 CN 114118543 A 1.一种基于联合学习的烟气含氧量负荷预测方法， 其特 征在于， 包括： 参与方分别确定 本地多组设备的数据集和目标设备 数据集对应的样本 权重； 根据本地多组设备的数据集和对应的样本权重， 训练得到多组设备的预测神经网络模 型； 将本地多组设备的预测神经网络模型上传到 中心节点进行模型聚合， 以得到聚合后的 预测神经网络模型； 根据预设训练条件训练聚合后的预测 神经网络模型， 以得到联合预测模型； 根据联合预测模型和目标设备 数据集对应的样本 权重， 预测目标设备烟气含氧量 值。 2.根据权利要求1所述的方法， 其特征在于， 参与方分别确定本地多组设备的数据集和 目标设备 数据集对应的样本 权重包括： 参与方选取本地多组设备的数据集与目标设备的数据集； 合并本地多组的设备的数据集与目标设备的数据集， 以得到合并数据； 利用所述 合并数据训练核密度估计模型； 根据核密度估计模型， 分别确定本地多组 的设备的数据集和目标设备的数据集对应的 样本权重。 3.根据权利要求1所述的方法， 其特征在于， 将本地多组设备的预测神经网络模型上传 到中心节点进行模型聚合， 以得到聚合后的预测 神经网络模型包括： 将本地多组设备的预测 神经网络模型 上传到中心 节点； 响应于中心 节点反馈的信息； 接收中心 节点下发的聚合后的预测 神经网络模型。 4.根据权利要求1所述的方法， 其特征在于， 根据 预设训练条件训练聚合后的预测神经 网络模型， 以得到联合预测模型包括： 响应于中心 节点下发的聚合后的预测 神经网络模型； 确定预设训练条件； 根据预设训练条件训练聚合后的预测 神经网络模型， 以得到联合预测模型。 5.根据权利要求1所述的方法， 其特征在于， 根据联合预测模型和目标设备数据集对应 的样本权重， 预测目标设备烟气含氧量 值包括： 参与方将联合预测模型 上传至中心 节点进行 联合学习训练； 响应与中收引擎反馈的对联合预测模型的联合学习训练； 将经过联合学习训练的联合预测模型发送至目标设备； 根据联合预测模型和目标设备 数据集对应的样本 权重， 预测目标设备烟气含氧量 值。 6.根据权利要求1所述的方法， 其特 征在于， 还 包括： 参与方利用本地多组设备的数据集建立预测 神经网络模型训练样本； 利用目标设备的数据集建立预测 神经网络模型测试样本； 根据所述模型训练样本和模型测试样本， 得到样本预测值； 根据样本预测值与样本期望值的误差矩阵的范数， 得到预测神经网络模型的适应度 值； 根据所述适应度值对预测神经网络模型中的种群中的粒子进行更新， 以得到优化的预 测神经网络模型。权　利　要　求　书 1/2 页 2 CN 114118543 A 27.根据权利要求1至6中任一项所述的方法， 其特征在于， 参与方和中心节点均为联合 学习架构中。 8.一种基于联合学习的烟气含氧量负荷预测装置， 其特 征在于， 包括： 确定模块， 用于参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本 权重； 第一训练模块， 用于根据本地多组设备的数据集和对应的样本权重， 训练得到多组设 备的预测 神经网络模型； 聚合模块， 用于将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合， 以得到聚合后的预测 神经网络模型； 第二训练模块， 根据预设训练条件训练聚合后的预测神经网络模型， 以得到联合预测 模型； 预测模块， 用于根据联合预测模型和目标设备数据集对应的样本权重， 预测目标设备 烟气含氧量 值。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并且可以在所述处 理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要 求1至7中任一项所述方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时实现如权利要求1至7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114118543 A 3