(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 202111331191.6 (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排 放预测方法及装置 (57)摘要 本发明公开了一种基于联合学习的烟气排 放预测方法及装置。 该方法包括： 根据本地能源 数据， 训练本地能源数据测模型； 基于联合学习 框架， 根据测试数据和目标能源设备的能源数据 训练本地能源 数据测模型， 得到测试数据预测模 型和目标能源 数据预测模型； 基于本地能源数据 预测模型、 测试数据预测模型和目标能源数据预 测模型， 计算第一样本迁移 权重和第二样本迁移 权重； 利用本地能源数据和第一样本迁移权重、 测试数据和第二样本迁移权重， 训练本地能源数 据网络模型和测试数据网络模型； 接收中心节点 对本地能源数据网络模型和测试数据网络模型 聚合训练的联合学习预测模型； 用联合学习预测 模型对目标能源设备进行烟气排 放的预测。 权利要求书2页 说明书7页 附图2页 CN 114118541 A 2022.03.01 CN 114118541 A 1.一种基于联合学习的烟气排 放预测方法， 其特 征在于， 包括： 根据本地能源数据， 训练本地能源数据测模型； 基于联合学习框架， 根据测试数据和目标能源设备的能源数据训练本地 能源数据测模 型， 分别得到测试 数据预测模型和目标能源数据预测模型； 基于本地能源数据预测模型、 测试数据预测模型和目标能源数据预测模型， 计算第一 样本迁移权重和第二样本迁移权重， 其中， 所述第一样本迁移权重为本地能源数据针对目 标能源设备的能源数据的样本迁移权重， 所述第二样本迁移权重为测试数据针对目标能源 设备的能源数据的样本 迁移权重； 利用本地能源数据和第一样本迁移权重、 测试数据和第二样本迁移权重， 分别训练本 地能源数据网络模型和 测试数据网络模型； 接收来自中心节点对本地能源数据网络模型和测试数据网络模型聚合训练后的联合 学习预测模型； 根据联合学习预测模型对目标能源设备进行烟气排 放的预测。 2.根据权利要求1所述的方法， 其特征在于， 所述根据本地能源数据， 训练本地能源数 据测模型之前包括： 选取样本数据集； 对所述样本数据集中的数据进行标签化， 并得到所述样本数据集中的数据对应的标签 数据； 分别确定 本地能源数据、 测试 数据和目标能源设备的能源数据对应的所述标签数据。 3.根据权利要求1所述的方法， 其特征在于， 基于联合学习框架， 根据测试数据和目标 能源设备的能源数据训练本地能源数据预测模型， 分别得到测试数据预测模型和目标能源 数据预测模型包括： 基于联合学习框架， 参与方将所述本地能源数据预测模型发送给中心 节点； 响应于中心节点的反馈信 息， 根据测试数据和目标能源设备的能源数据训练本地能源 数据测试模型， 分别得到测试 数据预测模型和目标能源数据预测模型。 4.根据权利要求1所述的方法， 其特征在于， 基于本地能源数据预测模型、 测试数据预 测模型和目标能源数据预测模型， 计算第一样本 迁移权重和第二样本 迁移权重包括： 基于联合学习框架， 参与方将所述本地能源数据预测模型、 测试数据预测模型和目标 能源数据预测模型发送给中心 节点； 响应于中心节点的反馈信息， 基于本地能源数据预测模型、 测试数据预测模型和目标 能源数据预测模型， 分别对所述本地能源数据、 测试数据和目标能源设备 的能源数据进行 目标分类； 根据所述目标分类， 计算第一样本 迁移权重和第二样本 迁移权重。 5.根据权利要求1所述的方法， 其特征在于， 利用本地能源数据和第一样本迁移权重、 测试数据和第二样本迁移权重， 分别训练本地能源数据网络模型和测试数据网络模型包 括： 利用本地能源数据和第一样本 迁移权重， 建立应用数据集； 根据所述应用数据集， 训练本地能源数据网络模型； 利用测试 数据和第二样本 迁移权重， 建立期望数据集；权　利　要　求　书 1/2 页 2 CN 114118541 A 2根据所述期望数据集， 训练测试 数据网络模型。 6.根据权利要求1所述的方法， 其特征在于， 接收来自中心节点对本地 能源数据网络模 型和测试数据网络模型聚合训练后的联合学习预测模型包括： 将本地能源数据网络模型和 测试数据网络模型 上传至中心 节点； 接收来自中心节点对本地能源数据网络模型和测试数据网络模型聚合训练后的联合 学习预测模型。 7.根据权利要求6中所述的方法， 其特 征在于， 还 包括： 根据预测条件， 对所述联合学习预测模型优化； 其中预测条件 包含： 模型参数的预测值和模型参数的适应度的判断。 8.一种基于联合学习的烟气排 放预测装置， 其特 征在于， 包括： 第一训练模块， 用于根据本地能源数据， 训练本地能源数据测模型； 第二训练模块， 用于基于联合学习框架， 根据测试数据和目标能源设备的能源数据训 练本地能源数据测模型， 分别得到测试 数据预测模型和目标能源数据预测模型； 计算模块， 用于基于本地能源数据预测模型、 测试数据预测模型和目标能源数据预测 模型， 计算第一样本迁移权重和 第二样本迁移权重， 其中， 所述第一样本迁移权重为本地能 源数据针对目标能源设备的能源数据的样本迁移权重， 所述第二样本迁移权重为测试数据 针对目标能源设备的能源数据的样本 迁移权重； 第三训练模块， 用于利用本地能源数据和第一样本迁移权重、 测试数据和第二样本迁 移权重， 分别训练本地能源数据网络模型和 测试数据网络模型； 建立模块， 用于接收来自中心节点对本地 能源数据网络模型和测试数据网络模型聚合 训练后的联合学习预测模型； 预测模块， 用于根据联合学习预测模型对目标能源设备进行烟气排 放的预测。 9.一种电子设备， 包括存储器、 处理器以及存储在所述存储器中并且可在所述处理器 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 114118541 A 3