【技术实现步骤摘要】
本专利技术属于家庭能源系统非侵入式负荷分解领域，具体涉及一种基于分层联邦学习的非侵入式用电负荷检测方法及系统。
技术介绍
1、随着智能电网的发展和人们生活水平不断提升，居民用户对精准精益用电服务需求也在不断增长。用户希望提供更精细化用能服务，比如家庭能效评估、家庭用电及时获取等。如今通过负荷检测有助于实现设备级用电分解，负荷检测有侵入式负荷检测和非侵入式负荷检测。传统的侵入式用户负荷检测需要在设备端安装专用终端、采集传感器等，成本高且需要改变现有电能采集架构。由此产生了非侵入式负荷检测，非侵入式负荷检测指的是在用户总线入口处安装一台监测设备，通过智能算法将所采集的总负荷电气量分解为各用电器的独立运行数据，并识别各个用电器工作状态以及分析用户用电行为。非侵入式负荷检测容易部署且成本底不需要改变现有电能采集架构，非侵入式负荷检测是未来电力测量方面的发展趋势。目前非侵入式负荷检测大部分都是数据驱动型的，模型效果依赖于训练数据的质量，训练数据足够多对模型的效果有很大的帮助，然而多个地方都出台了关于个人隐私保护与信息安全的法律法规，这导致将本地用户数据都传输到一个集中式模型是很困难的，且非侵入式负荷检测存在一定的安全隐患，非法访问者可以通过用户用电数据的分析推断出用户的生活习惯，造成用户隐私泄露，甚至造成用户的经济损失。
2、部分学者提出使用联邦学习技术应用于非侵入式负荷检测领域，然而目前仍存在以下问题：随着客户端数量的增加，通信开销也激增；由于本地数据量有限，模型前期容易偏离；全局模型对某些数据集缺乏个性化。
>技术实现思路
1、本专利技术的目的在于解决联邦非侵入式负荷检测模型存在的通信开销大、本地模型偏离、全局模型缺乏个性化的问题，针对现有的非侵入式负荷检测模型的不足提出了完整的模型架构；提出的基于分层联邦学习的非侵入式负荷检测模型对于训练非侵入式负荷检测模型具有指导意义。
2、本专利技术提供了一种基于分层联邦学习的非侵入式用电负荷检测方法。
3、所述方法包括如下步骤：
4、将用户的用户用电总负荷数据输入至对应的用户个性化模型中，得到该用户的各用电器的用电负荷数据；
5、所述用户个性化模型通过如下步骤得到：
6、1)全局服务器将当前时刻其内存储的全局模型加密分发给相应的多个边缘服务器，边缘服务器接收所述全局模型，再将其加密分发给各自的多个边缘客户端；其中，初始时刻的全局模型基于一个或多个区域内的用户用电总负荷数据及用户的各用电器的用电负荷数据获得；
7、2)边缘客户端将获得的模型作为本地模型，并对本地模型进行训练，得到训练后的本地模型，获取训练后的本地模型的模型更新参数，并将所述模型更新参数加密后传输给边缘服务器；其中，所述本地模型为初始时刻的全局模型时，基于边缘客户端内的本地用户的用户用电总负荷数据及本地用户的各用电器的用电负荷数据获得训练后的本地模型；
8、3)边缘服务器接收所有边缘客户端输入的模型更新参数并将模型更新参数与当前时刻边缘服务器内所存储的模型进行模型聚合，得到更新后的模型，并将所述更新后的模型传输给边缘客户端，并重复步骤2)和3)直至设定轮数，最后一轮边缘服务器内模型聚合得到的结果为边缘全局模型；
9、4)边缘服务器获取边缘全局模型相比于当前轮次全局服务器输入至边缘服务器的全局模型的模型更新梯度信息，并将所述模型更新梯度信息加密后发送给全局服务器；
10、5)全局服务器接收全部边缘服务器发送的所述模型更新梯度信息，并将各个边缘服务器发送的所述模型更新梯度信息分别与当前时刻全局服务器内所存储的全局模型进行模型聚合，得到多个更新后的全局模型，重复步骤1)-步骤5)至预设轮数，最后一轮循环中全局服务器内模型聚合得到的结果即为各个边缘服务器的所述用户个性化模型；
11、6)全局服务器将各个边缘服务器的所述用户个性化模型加密分发给相应的边缘服务器，边缘服务器接收各自的用户个性化模型，再将其加密分发给各自的多个边缘客户端。
12、本专利技术还提供了一种实现所述的方法的非侵入式用电负荷检测系统，包括全局服务器、边缘服务器、边缘客户端和第三方可信平台；
13、所述全局服务器用于生成全局模型并对全局模型进行更新，最终得到多个用户个性化模型，并将其内存储的模型加密分发给相应的多个边缘服务器；
14、所述边缘服务器用于对全局服务器输入的模型进行更新且得到所述模型更新梯度信息，并将所述模型更新梯度信息加密发送至全局服务器；以及接收所述模型更新参数并生成更新后的模型且将更新后的模型加密传输至边缘客户端；
15、所述边缘客户端用于对本地模型进行训练且生成所述模型更新参数，并将所述模型更新参数加密发送至边缘服务器；
16、所述第三方可信平台用于生成接收方和发送方的公私密钥并将公私秘钥进行分发；
17、其中，全局服务器最终生成的多个用户个性化模型被传输到相应的边缘客户端，边缘客户端利用自身的个性化模型得到用户的各用电器的用电负荷数据。
18、与现有技术相比，本专利技术所具有的有益效果有：
19、(1)本专利技术提出了一种基于分层联邦学习的非侵入式用电负荷检测方法及系统，其中包括全局服务器、边缘服务器、边缘客户端、和第三方可信平台。该方法可以得到不同区域个性化非侵入式用电负荷检测模型，同时为减少模型的通信开销，加入边缘服务器；针对分层联邦学习前期由于数据差异性容易导致模型偏离的问题，提出边缘客户端自蒸馏技术，使用边缘客户端历史最优模型指导当前模型。
20、(2)本专利技术可以减小传统非侵入式用电负荷检测模型数据泄露风险。传统的模型训练，数据需要传出本地，在数据传输过程中可以有数据泄露风险，同时在集中数据库中也有一定的数据泄露风险，本专利技术数据可以在本地，就可以训练模型，且设计了加密流程，保证模型梯度信息的安全传输。从而保证了数据的安全性。
本文档来自技高网...【技术保护点】
1.一种基于分层联邦学习的非侵入式用电负荷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1)中，所述初始时刻的全局模型基于一个或多个区域内的用户用电总负荷数据及用户的各用电器的用电负荷数据获得；具体包括如下步骤：
3.根据权利要求2所述的方法，其特征在于，所述步骤1a)具体为：
4.根据权利要求1所述的方法，其特征在于，所述步骤2)具体为：
5.根据权利要求4所述的方法，其特征在于，所述并对边缘客户端内的本地用户的用户用电总负荷数据及本地用户的各用电器的用电负荷数据进行预处理，得到第二可训练数据集，并使用第二可训练数据集训练相应的边缘客户端内的本地模型，具体为：
6.根据权利要求1所述的方法，其特征在于，所述步骤3)中，所述边缘服务器接收所有边缘客户端输入的模型更新参数并使用FedProx方法将模型更新参数进行模型聚合，得到更新后的全局模型。
7.根据权利要求1所述的方法，其特征在于，步骤5)中，全局服务器接收全部边缘服务器发送的所述模型更新梯度信息，并将各个边缘服务器发
8.根据权利要求3或5所述的方法，其特征在于，对季节维度信息进行编码为：当季节维度信息为1、2、12时，季节维度信息的编码结果为0；季节维度信息为3、4、5时，季节维度信息的编码结果为1；季节维度信息为6、7、8时，季节维度信息的编码结果为2；季节维度信息为9、10、11时，季节维度信息的编码结果为3；
9.一种实现权利要求7的方法的非侵入式用电负荷检测系统，其特征在于，包括全局服务器、边缘服务器、边缘客户端和第三方可信平台；
...【技术特征摘要】
1.一种基于分层联邦学习的非侵入式用电负荷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1)中，所述初始时刻的全局模型基于一个或多个区域内的用户用电总负荷数据及用户的各用电器的用电负荷数据获得；具体包括如下步骤：
3.根据权利要求2所述的方法，其特征在于，所述步骤1a)具体为：
4.根据权利要求1所述的方法，其特征在于，所述步骤2)具体为：
5.根据权利要求4所述的方法，其特征在于，所述并对边缘客户端内的本地用户的用户用电总负荷数据及本地用户的各用电器的用电负荷数据进行预处理，得到第二可训练数据集，并使用第二可训练数据集训练相应的边缘客户端内的本地模型，具体为：
6.根据权利要求1所述的方法，其特征在于，所述步骤3)中，所述边缘服务器接收所有边缘客户端输入的模型更新参数并使用...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。