技术领域
[0001] 本发明涉及电力系统技术领域，具体而言，涉及一种基于联邦学习的电力节约方法、电力节约装置、计算机可读存储介质和计算机程序产品。
相关背景技术
[0002] 涉及到多个数据持有方的联邦学习技术目前在金融风控、智能医疗等领域，得到了越来越广泛的应用。然而，目前使用联邦学习模型的调试技术对中央空调系统，又称供暖、通风和空调(Heating Ventilation and Air Conditioning，HVAC)系统，提供电力节约方案仍然处于空白领域，造成这一现象的主要原因有以下几点：1)隐私保护原因：数据隐私问题：HVAC系统的电力数据涉及到用户的日常生活习惯和企业的运营情况，这些数据具有高度的敏感性和隐私性。传统的数据共享方式可能会导致数据泄露，而联邦学习技术可以在不直接共享数据的情况下进行模型训练，从而保护数据隐私；2)电力数据分布原因：由于不同电力系统的运行模式、用户行为和地理差异，电力数据的规模、质量和特征分布存在显著差异，这导致在联邦学习框架下，各参与方难以形成有效的数据共享和模型协同，从而影响了联邦学习算法的性能和稳定性；3)参与方配合原因：在联邦学习模型面临问题时候，传统工作流程通常需要发起方与数据提供方人工参与数据采集、系统搭建过程，此类过程本不仅费时费力的，而且过多的人工参与还可能进一步引发隐私泄漏问题。
[0003] 机器学习在众多领域都有着广泛的应用，在电力和智能建筑领域也不例外。由于物联网技术的兴起，建筑及其设备中通常都会安装各种类型的传感器，以达到各种目的，例如：自动控制照明系统、室内空气管理系统。智能建筑(Smart Building)，作为集现代科学技术之大成的产物，也就应运而生。智能建筑利用传感器等各种物联网设备，结合现代通信技术，能够自动化地为用户调整建筑中的各种设施的运行状态，可以对用户提供最适宜的居住条件和便利的活动方式。智能建筑中的一个典型应用是：通过机器学习技术节省建筑物中央空调系统的能源消耗。在建筑中，HVAC系统，占据了建筑中主要电力消耗的一大部分，有时甚至高于50％，与此同时很多地区的电价也在持续上涨。在世界各地，建筑物电力消耗持续增加、电力价格持续上涨的情况普遍存在，给物业和设施管理人员带来不小的财务压力，而设施管理人员需要在满足中央空调系统制冷、通风需求的前提下，尽量减少所产生的电力消耗，从而节省建筑在电费方面的支出。
具体实施方式
[0026] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0027] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0028] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0029] 为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
[0030] 联邦：一种多个数据持有方的组合形式，支持使用多个数据持有方的数据进行共同计算；
[0031] 联邦学习：一种机器学习的框架，能够有效帮助多个机构在满足用户隐私保护、数据安全和相关法规的要求下进行数据使用和机器学习建模；
[0032] 能源效率：能源利用中，发挥作用的与实际消耗的能源量之比。
[0033] 正如背景技术中所介绍的，现有技术中建筑物电力消耗持续增加、电力价格持续上涨的情况普遍存在，给物业和设施管理人员带来不小的财务压力，为解决建筑物各个内耗能设备节能效益低下的问题，本申请的实施例提供了一种基于联邦学习的电力节约方法、电力节约装置、计算机可读存储介质和计算机程序产品。
[0034] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0035] 本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种基于联邦学习的电力节约方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
[0036] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
[0037] 在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的基于联邦学习的电力节约方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0038] 图2是根据本申请实施例的基于联邦学习的电力节约方法的流程图。如图2所示，该方法包括以下步骤：
[0039] 步骤S201，建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者，上述本地元数据包括上述建筑物的属性数据和传感器数据，上述属性数据至少包括上述建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，上述传感器数据为上述建筑物内部的多个特定传感器的检测数据，上述资格校验条件用于检验上述建筑物是否能够参与训练过程，上述参与者至少包括一个上述建筑物。
[0040] 具体地，通过建筑物内的传感器获取上述建筑物的本地元数据，本地元数据如图3所示，包括但不限于图3中所展示的数据。同时根据上述建筑物内的所有设备的关系构建设备关系图谱，以冷水机为例，一个建筑物内冷水机的关系图谱如图4所示，设备关系图谱将存储于Mortar公共数据集中，Mortar公共数据集用于存储和查询建筑物的所有数据以支持分析并提供了一种数据格式化和提取的标准方法。根据资格校验条件筛选满足条件的建筑物作为参与者进行后续的联邦学习训练，如图5所示，参与者可有多个，所有的参与者均只与参数服务器进行数据交互。
[0041] 步骤S202，上述建筑物中所有的上述参与者向参数服务器发送联邦学习开始信号和上述本地元数据，以使上述参数服务器根据上述本地元数据进行聚类处理并向所有的上述参与者发送训练开始信号以及对应的全局模型，上述全局模型根据上述聚类处理的结果分为多种模型，不同的上述参与者仅接收相对应的一个上述全局模型。
[0042] 具体地，联邦学习的训练过程如图6所示，所有的上述参与者向参数服务器发送联邦学习过程开始信号，以告知上述参数服务器参与本轮迭代中，该参与者可以用参数服务器所拥有的数据参与训练，对应图6的步骤①，在规定的时间之内，上述参数服务器统计到了足够数量的参与者可以参与本轮联邦学习之后，参数服务器向所有的上述参与者发送本轮训练开始信号，并发送对应的全局模型，当第一轮训练时，参数服务器则生成一个空模型发送给所有的参与者，对应图6的步骤②；在每轮联邦学习开始之后，所有的上述参与者需要将本建筑物内的本地元数据发送给参数服务器，作为基于元数据的参与者聚类过程的输入，对应图6的步骤③；参数服务器在使用本地元数据完成聚类之后，将每个参与者建筑所属的簇信息传输给参与者，对应图6的步骤④。
[0043] 步骤S203，上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据，并将上述本地更新数据发送至上述参数服务器，以使上述参数服务器根据上述本地更新数据对相应的上述全局模型进行更新并将更新后的上述全局模型下发至对应的上述参与者，上述本地训练数据包括上述本地元数据和时间序列数据，上述时间序列数据为上述特定传感器根据检测时间形成的序列数据，上述本地更新数据为对上述全局模型训练结束后上述全局模型所更新的内容。
[0044] 具体地，联邦学习中的每个参与者(建筑物)在本地训练在本建筑物内收集的数据集，通过参数服务器交换模型更新内容，从而更新全局模型，整体框架图如图7所示。参与者开始训练模型，参与者使用本地训练数据在全局模型的基础上进行训练，并在训练结束后将全局模型更新的内容发送给参数服务器，对应图6的步骤⑤；参数服务器接收到来自参与者的本地更新内容之后整合每个聚类的上述本地更新内容更新对应的全局模型，至此联邦学习的一轮训练结束，对应图6的步骤⑥。
[0045] 步骤S204，上述建筑物中所有的上述参与者根据更新后的上述全局模型进行电力消耗分析，得到电力消耗优化决策，以根据上述电力消耗优化决策实现电力节约。
[0046] 具体地，全局模型的输出为能源效率，根据对能源效率进行分析得到电力消耗优化决策，控制执行上述电力消耗优化决策实现电力节约。
[0047] 本实施例中，首先，建筑物获取对应的本地元数据并根据本地元数据选取满足资格校验条件的建筑物作为参与者，本地元数据包括建筑物的属性数据和传感器数据，属性数据至少包括建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，传感器数据为建筑物内部的多个特定传感器的检测数据，资格校验条件用于检验建筑物是否能够参与训练过程，参与者至少包括一个建筑物；然后，建筑物中所有的参与者向参数服务器发送联邦学习开始信号和本地元数据，以使参数服务器根据本地元数据进行聚类处理并向所有的参与者发送训练开始信号以及对应的全局模型，全局模型根据聚类处理的结果分为多种模型，不同的参与者仅接收相对应的一个全局模型；之后，建筑物中所有的参与者使用对应的本地训练数据对接收的全局模型进行联邦学习训练得到对应的本地更新数据，并将本地更新数据发送至参数服务器，以使参数服务器根据本地更新数据对相应的全局模型进行更新并将更新后的全局模型下发至对应的参与者，本地训练数据包括本地元数据和时间序列数据，时间序列数据为特定传感器根据检测时间形成的序列数据，本地更新数据为对全局模型训练结束后全局模型所更新的内容；最后，建筑物中所有的参与者根据更新后的全局模型进行电力消耗分析，得到电力消耗优化决策，以根据电力消耗优化决策实现电力节约。本申请中先对建筑物进行筛选，因为建筑物的应用中都会要求本地数据集中必须包含来自特定种类传感器的数据，所有参与联邦学习的建筑物必须拥有相同类型的传感器的数据，没有特定类型传感器数据的智能建筑是不符合资格的。通过筛选的参与者采用联邦学习方法的“客户端‑‑服务器”模式进行训练，通过在隐私保护的前提下，对建筑物的环境、电力数据进行联邦学习，从而提供电力节约方案。不仅提高了建筑物内耗能设备的电力节约能力，而且促进了电力数据的智能管理和优化，为电力行业带来了显著的节能效益。本申请解决了现有技术中建筑物各个内耗能设备节能效益低下的问题。
[0048] 为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的基于联邦学习的电力节约方法的实现过程进行详细说明。
[0049] 为了保证联邦学习的有效性，在一种可选地实施方式中，在上述步骤S201之前，该方法还包括：
[0050] 步骤S301，对上述建筑物的类型属性进行限制，得到属性限制，上述类型属性至少包括上述建筑物的上述楼层数、上述使用面积和上述实际用途；
[0051] 步骤S302，对上述建筑物进行数据可用性约束，上述数据可用性约束包括上述传感器数据的可用性，上述可用性用于判断上述特定传感器检测的历史数据量和采样分辨率；
[0052] 步骤S303，将上述属性限制和上述数据可用性约束确定为上述资格校验条件。
[0053] 在上述实施例中，每一个建筑物的应用中都会要求数据集中必须包含来自特定种类传感器的数据，以冷水机的能源效率问题为例，制冷需求(Cooling Load)、电力消耗(Electricity)、冷水机出水温度(Return Temperature)就是一些必不可少的特征。如果某些建筑物不能在数据集中提供这些传感器的数据，使用这样的数据集训练的机器学习模型一定无法获得令人满意的性能。另外，由于联邦学习有多个参与者参与，所以只有上述参与者之间必须在训练开始前达成关于数据集、模型类型的共识，才可以顺利进行模型训练过程。也就是说，所有参与联邦学习的上述建筑物必须拥有相同类型的传感器数据，没有特定类型传感器数据的上述建筑物是不符合资格的，当不符合资格的建筑物进入联邦学习的训练过程时，由于无法提供真实采集的数据，不符合资格建筑物的数据集只会让联邦学习模型的性能变差，由此可见，让此类建筑参与联邦学习训练过程则失去了提升模型性能的意义，在联邦学习开始前对建筑物能否参与联邦学习进行资格检查是必要的。经过建筑物资格检查之后，符合建筑物应用所必需的传感器数据、时间数据等条件的建筑物才可以允许进入联邦学习的训练过程。建筑物资格检查可以保证在不同建筑物不泄露自己具体数据的前提下，各个建筑物参与的联邦学习活动是具有实际意义的，而不是得到一个不可用的机器学习模型。上述历史数据量要求上述传感器所监测到的数据量必须要达到设定数据量，上述采样分辨率为上述传感器相邻两次监测数据的时间间隔，用于保证数据的可靠性。
[0054] 为了确保模型训练的准确性，在一种可选地实施方式中，在上述步骤S202之后，该方法还包括：
[0055] 步骤S401，控制上述参数服务器对所有的上述本地元数据进行归一化处理，得到归一元数据，并采用K均值聚类算法对上述归一元数据进行聚类处理，得到聚类信息，根据所有的上述参与者对上述聚类信息进行分类以使对应的上述聚类信息发送至相应的上述参与者。
[0056] 在上述实施例中，控制上述参数服务器使用K‑均值(K‑Means)聚类算法对各个上述建筑物的本地元数据进行聚类操作，得到聚类结果。由于不同的特征在数值分布上存在较大差异，在执行聚类操作前需要对数据进行归一化处理，从而得到预期的聚类结果。根据聚类结果建立多个上述全局模型，不同的建筑物将接收对应的全局模型，相比于所有建筑物的数据训练同一个全局模型，该方法可以将数据分布相似的建筑物分为同组进行训练，聚类的每个簇中建筑物训练的全局模型在当前簇的建筑物中的性能，其性能都强于直接使用建筑物数据训练的模型。
[0057] 为了保证获取时间序列数据操作的一致性，在一种可选地实施方式中，在上述步骤S203之前，该方法还包括：
[0058] 步骤S501，根据时间序列参数获取所有的上述特定传感器检测的上述传感器数据，形成多条时间序列数据，上述时间序列参数至少包括起始时间、结束时间、采样间隔以及处理方式，上述起始时间为开始获取上述传感器数据的时间，上述结束时间为停止获取上述传感器数据的时间，上述采样间隔为相邻两次获取上述传感器数据的时间间隔，上述处理方式为对上述检测数据进行处理的方式，至少包括最大值处理，最小值处理和平均值处理，一条上述时间序列数据为自上述起始时间至上述结束时间所获取的上述传感器数据；
[0059] 步骤S502，对所有的上述时间序列数据进行数据清洗得到有效时间序列数据，并将上述有效时间序列数据存储至时间序列数据库。
[0060] 在上述实施例中，建筑物中的传感器数据属于时间序列数据，拥有等长的采样间隔，对传感器所代表的物理量的变化过程进行持续的跟踪和测量。为了保证获取时间序列数据操作的一致性，需要所有的上述参与者在开始联邦学习训练前，时间序列的采样间隔、特征顺序达成提前的共识，这样才可以保证各个上述参与者可以训练出高性能的模型。对于时间序列数据的统计信息包括：最小值、平均值、最大值等。对于集成在Mortar的数据，参与者直接使用Mortar提供的API进行获取；对于未集成进Mortar的私有数据集，如时间序列数据，使用伯克利树结构数据库(Berkeley Tree Database，BTrDB)存储，伯克利树结构数据库即上述时间序列数据库，能够使用内部节点能够在任意时间范围内统计汇总上述统计信息，随着新数据的到达或现有数据的更改，BTrDB可以通过遍历树的根节点快速重新计算相关的统计信息。在获取时间序列数据前，需要依据时间序列的统计信息指定提取时间序列使用的相关参数，需要指定的参数有：1)时间序列的起始时间，以时间戳格式提交；2)时间序列的结束时间，以时间戳格式提交；3)时间序列的采样间隔(15分钟、30分钟等)；4)采样间隔内传感器数据的处理方式(最小值、最大值、平均值等)。
[0061] 为了确保数据的完整性减小模型训练的误差，在一种可选地实施方式中，上述步骤S502包括：
[0062] 步骤S5021，根据上述时间序列数据的类型对每一类上述时间序列数据设定正常范围和时间阈值，上述正常范围为用于检测上述时间序列数据是否为正确数值，上述时间阈值为检测上述时间序列数据是否存在缺失；
[0063] 步骤S5022，在上述时间序列数据处于上述正常范围之外的情况下，判定上述时间序列数据为错误值并将上述时间序列数据进行删除；
[0064] 步骤S5023，在上述时间序列数据处于上述正常范围内的情况下，保留上述时间序列数据；
[0065] 步骤S5024，在上述时间序列数据中存在缺失值的情况下，采用三阶指数平滑方法对上述缺失值进行填补，得到完整时间序列数据，上述缺失值为缺失时段小于上述时间阈值的数据；
[0066] 步骤S5025，根据保留的上述时间序列数据和上述完整时间序列数据得到上述有效时间序列数据。
[0067] 在上述实施例中，数据清洗(Data Cleaning)的目的是将时间序列数据中的错误值、缺失值进行填补、去除等操作，使得时间序列数据在后续的应用中不会因为数据本身的异常，对应用模型造成偏差或者误导，数据清洗步骤广泛存在于各种机器学习应用中。由于在建筑物的本地元数据中，传感器、零件的物理故障不可避免，在长期的数据采集过程中，上述本地元数据很有可能包含各类错误数据，而上述错误数据会对模型的训练产生负面影响，所以数据清洗在建筑物的本地元数据中非常必要。针对建筑物的本地元数据经常出现的两类不同的异常值，采用了两种不同的数据清洗方法：第一类错误数据，某时刻传感器数据出现极高或极低等不符合实际情况的测量数值，称为错误值。上述错误值通常是由于设备故障或建筑物管理系统记录故障所致。错误值会在模型的训练过程中对联邦学习算法产生过拟合等问题，影响模型性能，针对这类错误值，采用删除操作。在错误值检测方面，通过提前对每类数据设定阈值来检测错误值，例如：室外温度传感器的正常阈值为‑20摄氏度至40摄氏度，当时间序列数据中某条室外温度记录值大于40摄氏度或小于‑20摄氏度时，认为上述室外温度数据为错误值。第二类错误数据，出现缺失时段小于24小时的数据，该时段称为缺失值，上述缺失值通常是由于建筑物管理系统记录故障所致。上述缺失值会让某些不兼容缺失值的机器学习算法(例如：神经网络)无法正常执行，影响模型的训练过程。针对上述缺失值采用填补操作处理，具体可采用三阶指数平滑方法填补缺失值，填补时缺失时段前8周的数据作为三阶指数平滑方法的输入，当然上述24小时和前8周等限定性数值可根据时间情况进行选取。
[0068] 为了保证本地数据的安全性且获取更全面的信息，在一种可选地实施方式中，上述步骤S203包括：
[0069] 步骤S2031，上述建筑物中各上述参与者采用联邦学习法根据上述本地训练数据在接收的上述全局模型的基础上进行本地迭代训练，得到对应的上述本地更新数据，一个上述参与者对应一个上述本地更新数据且各上述参与者之间无数据交互；
[0070] 步骤S2032，上述建筑物中所有上述参与者均向上述参数服务器发送上述本地更新数据以供上述参数服务器整合各类别相应的上述本地更新数据，对应得到更新后的上述全局模型，并将各更新后的上述全局模型发送至对应的上述参与者。
[0071] 在上述实施例中，在训练过程中，全局模型由参数服务器(Parameter Server)进行汇总，所有的上述参与者(Participant)在本地训练上述全局模型，能够保证参与者不向服务器发送本地训练数据。各参与者采用联邦学习法开始训练模型，各参与者使用本地训练数据在全局模型的基础上进行训练，并在训练结束后将全局模型更新的内容发送给参数服务器，对应图6中的步骤⑤；参数服务器接收到来自各上述参与者的全局模型更新数据即上述本地更新数据，之后相应更新全局模型并将更新后的全局模型发回至对应的参与者，至此联邦学习的一轮训练结束，对应图6中的步骤⑥。
[0072] 为了提高能源效率，在一种可选地实施方式中，上述步骤S204包括：
[0073] 步骤S2041，根据更新后的上述全局模型的输出得到上述参与者对应的能源效率；
[0074] 步骤S2042，根据上述能源效率采用冷水机组控制优化策略进行计算对应的运行功率序列；
[0075] 步骤S2043，根据上述运行功率序列进行负荷分配，得到电力消耗优化决策。
[0076] 在上述实施例中，以冷水机为例，中央空调系统占据了建筑中很大一部分电力消耗，其中冷水机则是中央空调系统在制冷时最耗电的部分。可以通过预测冷水机的能源效率，对冷水机的运行功率序列进行优化，从而在满足制冷需求的前提下，降低冷水机的功耗，节省电力消耗。如果能源效率很低(例如：由于维护不善)，那么将消耗更多的电力来满足所需的冷却需求。
[0077] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0078] 本申请实施例还提供了一种基于联邦学习的电力节约装置，需要说明的是，本申请实施例的基于联邦学习的电力节约装置可以用于执行本申请实施例所提供的用于基于联邦学习的电力节约方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0079] 以下对本申请实施例提供的基于联邦学习的电力节约装置进行介绍。
[0080] 图8根据本申请实施例的基于联邦学习的电力节约装置的结构框图。如图8示，该装置包括：
[0081] 筛选单元10，用于建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者，上述本地元数据包括上述建筑物的属性数据和传感器数据，上述属性数据至少包括上述建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，上述传感器数据为上述建筑物内部的多个特定传感器的检测数据，上述资格校验条件用于检验上述建筑物是否能够参与训练过程，上述参与者至少包括一个上述建筑物。
[0082] 具体地，通过建筑物内的传感器获取上述建筑物的本地元数据，本地元数据如图3所示，包括但不限于图3中所展示的数据。同时根据上述建筑物内的所有设备的关系构建设备关系图谱，以冷水机为例，一个建筑物内冷水机的关系图谱如图4所示，设备关系图谱将存储于Mortar公共数据集中，Mortar公共数据集用于存储和查询建筑物的所有数据以支持分析并提供了一种数据格式化和提取的标准方法。根据资格校验条件筛选满足条件的建筑物作为参与者进行后续的联邦学习训练，如图5所示，参与者可有多个，所有的参与者均只与参数服务器进行数据交互。
[0083] 发送单元20，用于上述建筑物中所有的上述参与者向参数服务器发送联邦学习开始信号和上述本地元数据，以使上述参数服务器根据上述本地元数据进行聚类处理并向所有的上述参与者发送训练开始信号以及对应的全局模型，上述全局模型根据上述聚类处理的结果分为多种模型，不同的上述参与者仅接收相对应的一个上述全局模型。
[0084] 具体地，联邦学习的训练过程如图6所示，所有的上述参与者向参数服务器发送联邦学习过程开始信号，以告知上述参数服务器参与本轮迭代中，该参与者可以用参数服务器所拥有的数据参与训练，对应图6的步骤①，在规定的时间之内，上述参数服务器统计到了足够数量的参与者可以参与本轮联邦学习之后，参数服务器向所有的上述参与者发送本轮训练开始信号，并发送对应的全局模型，当第一轮训练时，参数服务器则生成一个空模型发送给所有的参与者，对应图6的步骤②；在每轮联邦学习开始之后，所有的上述参与者需要将本建筑物内的本地元数据发送给参数服务器，作为基于元数据的参与者聚类过程的输入，对应图6的步骤③；参数服务器在使用本地元数据完成聚类之后，将每个参与者建筑所属的簇信息传输给参与者，对应图6的步骤④。
[0085] 训练单元30，用于上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据，并将上述本地更新数据发送至上述参数服务器，以使上述参数服务器根据上述本地更新数据对相应的上述全局模型进行更新并将更新后的上述全局模型下发至对应的上述参与者，上述本地训练数据包括上述本地元数据和时间序列数据，上述时间序列数据为上述特定传感器根据检测时间形成的序列数据，上述本地更新数据为对上述全局模型训练结束后上述全局模型所更新的内容。
[0086] 具体地，联邦学习中的每个参与者(建筑物)在本地训练在本建筑物内收集的数据集，通过参数服务器交换模型更新内容，从而更新全局模型，整体框架图如图7所示。参与者开始训练模型，参与者使用本地训练数据在全局模型的基础上进行训练，并在训练结束后将全局模型更新的内容发送给参数服务器，对应图6的步骤⑤；参数服务器接收到来自参与者的本地更新内容之后整合每个聚类的上述本地更新内容更新对应的全局模型，至此联邦学习的一轮训练结束，对应图6的步骤⑥。
[0087] 分析单元40，用于上述建筑物中所有的上述参与者根据更新后的上述全局模型进行电力消耗分析，得到电力消耗优化决策，以根据上述电力消耗优化决策实现电力节约。
[0088] 具体地，全局模型的输出为能源效率，根据对能源效率进行分析得到电力消耗优化决策，控制执行上述电力消耗优化决策实现电力节约。
[0089] 本实施例中，筛选单元，用于建筑物获取对应的本地元数据并根据本地元数据选取满足资格校验条件的建筑物作为参与者，本地元数据包括建筑物的属性数据和传感器数据，属性数据至少包括建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，传感器数据为建筑物内部的多个特定传感器的检测数据，资格校验条件用于检验建筑物是否能够参与训练过程，参与者至少包括一个建筑物；发送单元，用于建筑物中所有的参与者向参数服务器发送联邦学习开始信号和本地元数据，以使参数服务器根据本地元数据进行聚类处理并向所有的上参与者发送训练开始信号以及对应的全局模型，全局模型根据聚类处理的结果分为多种，不同的参与者仅接收相对应的一个全局模型；训练单元，用于建筑物中所有的参与者使用对应的本地训练数据对接收的全局模型进行迭代训练得到对应的本地训练数据，并将本地训练数据发送至参数服务器，以使参数服务器根据本地训练数据对相应的全局模型进行更新并将更新后的全局模型下发至对应的参与者，本地训练数据为对全局模型训练结束后全局模型所更新的内容，本地训练数据包括本地元数据和时间序列数据，时间序列数据为特定传感器根据检测时间形成的序列数据；分析单元，用于建筑物中所有的参与者根据更新后的全局模型进行电力消耗分析，得到电力消耗优化决策，以根据电力消耗优化决策实现电力节约。本申请中先对建筑物进行筛选，因为建筑物的应用中都会要求本地数据集中必须包含来自特定种类传感器的数据，所有参与联邦学习的建筑物必须拥有相同类型的传感器的数据，没有特定类型传感器数据的智能建筑是不符合资格的。通过筛选的参与者采用联邦学习方法的“客户端‑‑服务器”模式进行训练，通过在隐私保护的前提下，对建筑物的环境、电力数据进行联邦学习，从而提供电力节约方案。不仅提高了建筑物内耗能设备的电力节约能力，而且促进了电力数据的智能管理和优化，为电力行业带来了显著的节能效益。本申请解决了现有技术中建筑物各个内耗能设备节能效益低下的问题。
[0090] 为了保证联邦学习的有效性，在一种可选地实施方式中，该装置还包括：
[0091] 限制单元，用于在建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者之前，对上述建筑物的类型属性进行限制，得到属性限制，上述类型属性至少包括上述建筑物的上述楼层数、上述使用面积和上述实际用途；
[0092] 约束单元，用于对上述建筑物进行数据可用性约束，上述数据可用性约束包括上述传感器数据的可用性，上述可用性用于判断上述特定传感器检测的历史数据量和采样分辨率；
[0093] 确定单元，用于将上述属性限制和上述数据可用性约束确定为上述资格校验条件。
[0094] 在上述实施例中，每一个建筑物的应用中都会要求数据集中必须包含来自特定种类传感器的数据，以冷水机的能源效率问题为例，制冷需求(Cooling Load)、电力消耗(Electricity)、冷水机出水温度(Return Temperature)就是一些必不可少的特征。如果某些建筑物不能在数据集中提供这些传感器的数据，使用这样的数据集训练的机器学习模型一定无法获得令人满意的性能。另外，由于联邦学习有多个参与者参与，所以只有上述参与者之间必须在训练开始前达成关于数据集、模型类型的共识，才可以顺利进行模型训练过程。也就是说，所有参与联邦学习的上述建筑物必须拥有相同类型的传感器数据，没有特定类型传感器数据的上述建筑物是不符合资格的，当不符合资格的建筑物进入联邦学习的训练过程时，由于无法提供真实采集的数据，不符合资格建筑物的数据集只会让联邦学习模型的性能变差，由此可见，让此类建筑参与联邦学习训练过程则失去了提升模型性能的意义，在联邦学习开始前对建筑物能否参与联邦学习进行资格检查是必要的。经过建筑物资格检查之后，符合建筑物应用所必需的传感器数据、时间数据等条件的建筑物才可以允许进入联邦学习的训练过程。建筑物资格检查可以保证在不同建筑物不泄露自己具体数据的前提下，各个建筑物参与的联邦学习活动是具有实际意义的，而不是得到一个不可用的机器学习模型。上述历史数据量要求上述传感器所监测到的数据量必须要达到设定数据量，上述采样分辨率为上述传感器相邻两次监测数据的时间间隔，用于保证数据的可靠性。
[0095] 为了确保模型训练的准确性，在一种可选地实施方式中，该装置还包括：
[0096] 控制单元，用于在上述建筑物中所有的上述参与者向上述参数服务器发送联邦学习开始信号和上述本地元数据之后，控制上述参数服务器对所有的上述本地元数据进行归一化处理，得到归一元数据，并采用K均值聚类算法对上述归一元数据进行聚类处理，得到聚类信息，根据所有的上述参与者对上述聚类信息进行分类以使对应的上述聚类信息发送至相应的上述参与者。
[0097] 在上述实施例中，控制上述参数服务器使用K‑均值(K‑Means)聚类算法对各个上述建筑物的本地元数据进行聚类操作，得到聚类结果。由于不同的特征在数值分布上存在较大差异，在执行聚类操作前需要对数据进行归一化处理，从而得到预期的聚类结果。根据聚类结果建立多个上述全局模型，不同的建筑物将接收对应的全局模型，相比于所有建筑物的数据训练同一个全局模型，该方法可以将数据分布相似的建筑物分为同组进行训练，聚类的每个簇中建筑物训练的全局模型在当前簇的建筑物中的性能，其性能都强于直接使用建筑物数据训练的模型。
[0098] 为了保证获取时间序列数据操作的一致性，在一种可选地实施方式中，该装置还包括：
[0099] 获取单元，用于在上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据之前，根据时间序列参数获取所有的上述特定传感器检测的上述传感器数据，形成多条时间序列数据，上述时间序列参数至少包括起始时间、结束时间、采样间隔以及处理方式，上述起始时间为开始获取上述传感器数据的时间，上述结束时间为停止获取上述传感器数据的时间，上述采样间隔为相邻两次获取上述传感器数据的时间间隔，上述处理方式为对上述检测数据进行处理的方式，至少包括最大值处理，最小值处理和平均值处理，一条上述时间序列数据为自上述起始时间至上述结束时间所获取的上述传感器数据；
[0100] 数据处理单元，用于对所有的上述时间序列数据进行数据清洗得到有效时间序列数据，并将上述有效时间序列数据存储至时间序列数据库。
[0101] 在上述实施例中，建筑物中的传感器数据属于时间序列数据，拥有等长的采样间隔，对传感器所代表的物理量的变化过程进行持续的跟踪和测量。为了保证获取时间序列数据操作的一致性，需要所有的上述参与者在开始联邦学习训练前，时间序列的采样间隔、特征顺序达成提前的共识，这样才可以保证各个上述参与者可以训练出高性能的模型。对于时间序列数据的统计信息包括：最小值、平均值、最大值等。对于集成在Mortar的数据，参与者直接使用Mortar提供的API进行获取；对于未集成进Mortar的私有数据集，如时间序列数据，使用伯克利树结构数据库(Berkeley Tree Database，BTrDB)存储，伯克利树结构数据库即上述时间序列数据库，能够使用内部节点能够在任意时间范围内统计汇总上述统计信息，随着新数据的到达或现有数据的更改，BTrDB可以通过遍历树的根节点快速重新计算相关的统计信息。在获取时间序列数据前，需要依据时间序列的统计信息指定提取时间序列使用的相关参数，需要指定的参数有：1)时间序列的起始时间，以时间戳格式提交；2)时间序列的结束时间，以时间戳格式提交；3)时间序列的采样间隔(15分钟、30分钟等)；4)采样间隔内传感器数据的处理方式(最小值、最大值、平均值等)。
[0102] 为了确保数据的完整性减小模型训练的误差，在一种可选地实施方式中，上述数据处理单元包括：
[0103] 设定模块，根据上述时间序列数据的类型对每一类上述时间序列数据设定正常范围和时间阈值，上述正常范围为用于检测上述时间序列数据是否为正确数值，上述时间阈值为检测上述时间序列数据是否存在缺失；
[0104] 判定模块，在上述时间序列数据处于上述正常范围之外的情况下，判定上述时间序列数据为错误值并将上述时间序列数据进行删除；
[0105] 保留模块，在上述时间序列数据处于上述正常范围内的情况下，保留上述时间序列数据；
[0106] 填补模块，在上述时间序列数据中存在缺失值的情况下，采用三阶指数平滑方法对上述缺失值进行填补，得到完整时间序列数据，上述缺失值为缺失时段小于上述时间阈值的数据；
[0107] 确定模块，根据保留的上述时间序列数据和上述完整时间序列数据得到上述有效时间序列数据。
[0108] 在上述实施例中，数据清洗(Data Cleaning)的目的是将时间序列数据中的错误值、缺失值进行填补、去除等操作，使得时间序列数据在后续的应用中不会因为数据本身的异常，对应用模型造成偏差或者误导，数据清洗步骤广泛存在于各种机器学习应用中。由于在建筑物的本地元数据中，传感器、零件的物理故障不可避免，在长期的数据采集过程中，上述本地元数据很有可能包含各类错误数据，而上述错误数据会对模型的训练产生负面影响，所以数据清洗在建筑物的本地元数据中非常必要。针对建筑物的本地元数据经常出现的两类不同的异常值，采用了两种不同的数据清洗方法：第一类错误数据，某时刻传感器数据出现极高或极低等不符合实际情况的测量数值，称为错误值。上述错误值通常是由于设备故障或建筑物管理系统记录故障所致。错误值会在模型的训练过程中对联邦学习算法产生过拟合等问题，影响模型性能，针对这类错误值，采用删除操作。在错误值检测方面，通过提前对每类数据设定阈值来检测错误值，例如：室外温度传感器的正常阈值为‑20摄氏度至40摄氏度，当时间序列数据中某条室外温度记录值大于40摄氏度或小于‑20摄氏度时，认为上述室外温度数据为错误值。第二类错误数据，出现缺失时段小于24小时的数据，该时段称为缺失值，上述缺失值通常是由于建筑物管理系统记录故障所致。上述缺失值会让某些不兼容缺失值的机器学习算法(例如：神经网络)无法正常执行，影响模型的训练过程。针对上述缺失值采用填补操作处理，具体可采用三阶指数平滑方法填补缺失值，填补时缺失时段前8周的数据作为三阶指数平滑方法的输入，当然上述24小时和前8周等限定性数值可根据时间情况进行选取。
[0109] 为了保证本地数据的安全性且获取更全面的信息，在一种可选地实施方式中，上述训练单元包括：
[0110] 训练模块，上述建筑物中各上述参与者采用联邦学习法根据上述本地训练数据在接收的上述全局模型的基础上进行本地迭代训练，得到对应的上述本地更新数据，一个上述参与者对应一个上述本地更新数据且各上述参与者之间无数据交互；
[0111] 更新模块，上述建筑物中所有上述参与者均向上述参数服务器发送上述本地更新数据以供上述参数服务器整合各类别相应的上述本地更新数据，对应得到更新后的上述全局模型，并将各更新后的上述全局模型发送至对应的上述参与者。
[0112] 在上述实施例中，在训练过程中，全局模型由参数服务器(Parameter Server)进行汇总，所有的上述参与者(Participant)在本地训练上述全局模型，能够保证参与者不向服务器发送本地训练数据。各参与者采用联邦学习法开始训练模型，各参与者使用本地训练数据在全局模型的基础上进行训练，并在训练结束后将全局模型更新的内容发送给参数服务器，对应图6中的步骤⑤；参数服务器接收到来自各上述参与者的全局模型更新数据即上述本地更新数据，之后相应更新全局模型并将更新后的全局模型发回至对应的参与者，至此联邦学习的一轮训练结束，对应图6中的步骤⑥。
[0113] 为了提高能源效率，在一种可选地实施方式中，上述分析单元包括：
[0114] 输出模块，根据更新后的上述全局模型的输出得到上述参与者对应的能源效率；
[0115] 计算模块，根据上述能源效率采用冷水机组控制优化策略进行计算对应的运行功率序列；
[0116] 分配模块，根据上述运行功率序列进行负荷分配，得到电力消耗优化决策。
[0117] 在上述实施例中，以冷水机为例，中央空调系统占据了建筑中很大一部分电力消耗，其中冷水机则是中央空调系统在制冷时最耗电的部分。可以通过预测冷水机的能源效率，对冷水机的运行功率序列进行优化，从而在满足制冷需求的前提下，降低冷水机的功耗，节省电力消耗。如果能源效率很低(例如：由于维护不善)，那么将消耗更多的电力来满足所需的冷却需求。
[0118] 上述基于联邦学习的电力节约装置包括处理器和存储器，上述筛选单元、发送单元和训练单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0119] 处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中建筑物各个内耗能设备节能效益低下的问题。
[0120] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
[0121] 本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述基于联邦学习的电力节约方法。
[0122] 具体地，基于联邦学习的电力节约方法包括：
[0123] 步骤S201，建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者，上述本地元数据包括上述建筑物的属性数据和传感器数据，上述属性数据至少包括上述建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，上述传感器数据为上述建筑物内部的多个特定传感器的检测数据，上述资格校验条件用于检验上述建筑物是否能够参与训练过程，上述参与者至少包括一个上述建筑物；
[0124] 步骤S202，上述建筑物中所有的上述参与者向参数服务器发送联邦学习开始信号和上述本地元数据，以使上述参数服务器根据上述本地元数据进行聚类处理并向所有的上述参与者发送训练开始信号以及对应的全局模型，上述全局模型根据上述聚类处理的结果分为多种模型，不同的上述参与者仅接收相对应的一个上述全局模型；
[0125] 步骤S203，上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据，并将上述本地更新数据发送至上述参数服务器，以使上述参数服务器根据上述本地更新数据对相应的上述全局模型进行更新并将更新后的上述全局模型下发至对应的上述参与者，上述本地训练数据包括上述本地元数据和时间序列数据，上述时间序列数据为上述特定传感器根据检测时间形成的序列数据，上述本地更新数据为对上述全局模型训练结束后上述全局模型所更新的内容；
[0126] 步骤S204，上述建筑物中所有的上述参与者根据更新后的上述全局模型进行电力消耗分析，得到电力消耗优化决策，以根据上述电力消耗优化决策实现电力节约。
[0127] 本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述基于联邦学习的电力节约方法。
[0128] 具体地，基于联邦学习的电力节约方法包括：
[0129] 步骤S201，建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者，上述本地元数据包括上述建筑物的属性数据和传感器数据，上述属性数据至少包括上述建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，上述传感器数据为上述建筑物内部的多个特定传感器的检测数据，上述资格校验条件用于检验上述建筑物是否能够参与训练过程，上述参与者至少包括一个上述建筑物；
[0130] 步骤S202，上述建筑物中所有的上述参与者向参数服务器发送联邦学习开始信号和上述本地元数据，以使上述参数服务器根据上述本地元数据进行聚类处理并向所有的上述参与者发送训练开始信号以及对应的全局模型，上述全局模型根据上述聚类处理的结果分为多种模型，不同的上述参与者仅接收相对应的一个上述全局模型；
[0131] 步骤S203，上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据，并将上述本地更新数据发送至上述参数服务器，以使上述参数服务器根据上述本地更新数据对相应的上述全局模型进行更新并将更新后的上述全局模型下发至对应的上述参与者，上述本地训练数据包括上述本地元数据和时间序列数据，上述时间序列数据为上述特定传感器根据检测时间形成的序列数据，上述本地更新数据为对上述全局模型训练结束后上述全局模型所更新的内容；
[0132] 步骤S204，上述建筑物中所有的上述参与者根据更新后的上述全局模型进行电力消耗分析，得到电力消耗优化决策，以根据上述电力消耗优化决策实现电力节约。
[0133] 本发明实施例提供了一种电力节约系统，电力节约系统包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0134] 步骤S201，建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者，上述本地元数据包括上述建筑物的属性数据和传感器数据，上述属性数据至少包括上述建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，上述传感器数据为上述建筑物内部的多个特定传感器的检测数据，上述资格校验条件用于检验上述建筑物是否能够参与训练过程，上述参与者至少包括一个上述建筑物；
[0135] 步骤S202，上述建筑物中所有的上述参与者向参数服务器发送联邦学习开始信号和上述本地元数据，以使上述参数服务器根据上述本地元数据进行聚类处理并向所有的上述参与者发送训练开始信号以及对应的全局模型，上述全局模型根据上述聚类处理的结果分为多种模型，不同的上述参与者仅接收相对应的一个上述全局模型；
[0136] 步骤S203，上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据，并将上述本地更新数据发送至上述参数服务器，以使上述参数服务器根据上述本地更新数据对相应的上述全局模型进行更新并将更新后的上述全局模型下发至对应的上述参与者，上述本地训练数据包括上述本地元数据和时间序列数据，上述时间序列数据为上述特定传感器根据检测时间形成的序列数据，上述本地更新数据为对上述全局模型训练结束后上述全局模型所更新的内容；
[0137] 步骤S204，上述建筑物中所有的上述参与者根据更新后的上述全局模型进行电力消耗分析，得到电力消耗优化决策，以根据上述电力消耗优化决策实现电力节约。
[0138] 本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0139] 步骤S201，建筑物获取对应的本地元数据并根据上述本地元数据选取满足资格校验条件的上述建筑物作为参与者，上述本地元数据包括上述建筑物的属性数据和传感器数据，上述属性数据至少包括上述建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，上述传感器数据为上述建筑物内部的多个特定传感器的检测数据，上述资格校验条件用于检验上述建筑物是否能够参与训练过程，上述参与者至少包括一个上述建筑物；
[0140] 步骤S202，上述建筑物中所有的上述参与者向参数服务器发送联邦学习开始信号和上述本地元数据，以使上述参数服务器根据上述本地元数据进行聚类处理并向所有的上述参与者发送训练开始信号以及对应的全局模型，上述全局模型根据上述聚类处理的结果分为多种模型，不同的上述参与者仅接收相对应的一个上述全局模型；
[0141] 步骤S203，上述建筑物中所有的上述参与者使用对应的本地训练数据对接收的上述全局模型进行联邦学习训练得到对应的本地更新数据，并将上述本地更新数据发送至上述参数服务器，以使上述参数服务器根据上述本地更新数据对相应的上述全局模型进行更新并将更新后的上述全局模型下发至对应的上述参与者，上述本地训练数据包括上述本地元数据和时间序列数据，上述时间序列数据为上述特定传感器根据检测时间形成的序列数据，上述本地更新数据为对上述全局模型训练结束后上述全局模型所更新的内容；
[0142] 步骤S204，上述建筑物中所有的上述参与者根据更新后的上述全局模型进行电力消耗分析，得到电力消耗优化决策，以根据上述电力消耗优化决策实现电力节约。
[0143] 显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0144] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0145] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0146] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0147] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0148] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0149] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
[0150] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0151] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0152] 从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
[0153] 1)、本申请的基于联邦学习的电力节约方法，首先，建筑物获取对应的本地元数据并根据本地元数据选取满足资格校验条件的建筑物作为参与者，本地元数据包括建筑物的属性数据和传感器数据，属性数据至少包括建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，传感器数据为建筑物内部的多个特定传感器的检测数据，资格校验条件用于检验建筑物是否能够参与训练过程，参与者至少包括一个建筑物；然后，建筑物中所有的参与者向参数服务器发送联邦学习开始信号和本地元数据，以使参数服务器根据本地元数据进行聚类处理并向所有的参与者发送训练开始信号以及对应的全局模型，全局模型根据聚类处理的结果分为多种模型，不同的参与者仅接收相对应的一个全局模型；之后，建筑物中所有的参与者使用对应的本地训练数据对接收的全局模型进行联邦学习训练得到对应的本地更新数据，并将本地更新数据发送至参数服务器，以使参数服务器根据本地更新数据对相应的全局模型进行更新并将更新后的全局模型下发至对应的参与者，本地训练数据包括本地元数据和时间序列数据，时间序列数据为特定传感器根据检测时间形成的序列数据，本地更新数据为对全局模型训练结束后全局模型所更新的内容；最后，建筑物中所有的参与者根据更新后的全局模型进行电力消耗分析，得到电力消耗优化决策，以根据电力消耗优化决策实现电力节约。本申请中先对建筑物进行筛选，因为建筑物的应用中都会要求本地数据集中必须包含来自特定种类传感器的数据，所有参与联邦学习的建筑物必须拥有相同类型的传感器的数据，没有特定类型传感器数据的智能建筑是不符合资格的。通过筛选的参与者采用联邦学习方法的“客户端‑‑服务器”模式进行训练，通过在隐私保护的前提下，对建筑物的环境、电力数据进行联邦学习，从而提供电力节约方案。不仅提高了建筑物内耗能设备的电力节约能力，而且促进了电力数据的智能管理和优化，为电力行业带来了显著的节能效益。本申请解决了现有技术中建筑物各个内耗能设备节能效益低下的问题。
[0154] 2)、本申请的基于联邦学习的电力节约装置，筛选单元，用于建筑物获取对应的本地元数据并根据本地元数据选取满足资格校验条件的建筑物作为参与者，本地元数据包括建筑物的属性数据和传感器数据，属性数据至少包括建筑物的楼层数、使用面积、实际用途、位置坐标和中央空调系统安装时间，传感器数据为建筑物内部的多个特定传感器的检测数据，资格校验条件用于检验建筑物是否能够参与训练过程，参与者至少包括一个建筑物；发送单元，用于建筑物中所有的参与者向参数服务器发送联邦学习开始信号和本地元数据，以使参数服务器根据本地元数据进行聚类处理并向所有的上参与者发送训练开始信号以及对应的全局模型，全局模型根据聚类处理的结果分为多种，不同的参与者仅接收相对应的一个全局模型；训练单元，用于建筑物中所有的参与者使用对应的本地训练数据对接收的全局模型进行迭代训练得到对应的本地训练数据，并将本地训练数据发送至参数服务器，以使参数服务器根据本地训练数据对相应的全局模型进行更新并将更新后的全局模型下发至对应的参与者，本地训练数据为对全局模型训练结束后全局模型所更新的内容，本地训练数据包括本地元数据和时间序列数据，时间序列数据为特定传感器根据检测时间形成的序列数据；分析单元，用于建筑物中所有的参与者根据更新后的全局模型进行电力消耗分析，得到电力消耗优化决策，以根据电力消耗优化决策实现电力节约。本申请中先对建筑物进行筛选，因为建筑物的应用中都会要求本地数据集中必须包含来自特定种类传感器的数据，所有参与联邦学习的建筑物必须拥有相同类型的传感器的数据，没有特定类型传感器数据的智能建筑是不符合资格的。通过筛选的参与者采用联邦学习方法的“客户端‑‑服务器”模式进行训练，通过在隐私保护的前提下，对建筑物的环境、电力数据进行联邦学习，从而提供电力节约方案。不仅提高了建筑物内耗能设备的电力节约能力，而且促进了电力数据的智能管理和优化，为电力行业带来了显著的节能效益。本申请解决了现有技术中建筑物各个内耗能设备节能效益低下的问题。
[0155] 以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
