【技术实现步骤摘要】
本专利技术涉及变压器故障诊断，具体是一种基于个性化联邦学习的变压器故障诊断方法、终端及介质。
技术介绍
1、作为变电站中的重要设备，变压器承担着不同电气设备间的电压转换和电能传输任务，其运行状态对整个电网系统的安全稳定运行有着直接影响。若没有对变压器故障及时诊断预警，不仅会增加维修成本，甚至会发生重大事故，对整个电网系统造成严重危害。因此，对变压器运行状态进行监测具有重要意义，可以防患于未然，发现潜在隐患并尽早处理。
2、目前，相比于传统的变压器故障诊断方法，利用人工智能与传统的预防性试验相结合来诊断变压器的异常运行状态已经逐渐成为了国内外学者的研究热点。但由于ai算法对数据的依赖性，面临着两大挑战：一是在变压器故障诊断试验中，样本数据量少、数据质量差的问题；二是监管机构加强数据保护，禁止信息共享，数据大多以孤岛的形式存在。虽然可以基于少量有效信息进行变压器故障诊断，但由于样本数据量过少，预测精度不高。因此，为了改进电力变压器故障诊断效果，亟需一种可以完成在保障数据合法性和安全性基础上，提高变压器故障预测和诊断准确性的方法。
技术实现思路
1、为解决现有技术中存在的技术问题，本专利技术提供了一种基于个性化联邦学习的变压器故障诊断方法、终端及介质。本专利技术通过将本地客户端个性化的概念应用于传统联邦学习中，能够保证在数据异构情况下每个客户端的良好个性化性能，实现在保障数据合法性和安全性基础上，提高变压器故障预测和诊断准确性，完成私人客户端的定制化。
2、为实现
3、本专利技术公开一种基于个性化联邦学习的变压器故障诊断方法，包括步骤s1~s6。
4、s1.获取n个变压器站点的异构变压器数据，分别作为n个客户端的本地私有数据集；异构变压器数据包括变压器处于工作状态下产生的至少两种波形数据。
5、s2.利用中央服务器初始化联邦学习的训练环境，生成初始化的全局模型并配置融合网络，客户端对各自的异构变压器数据进行预处理。
6、s3.客户端初始化本地个性化模型和联邦模型。
7、s4.中央服务器每轮选中n个客户端参与个性化联邦学习训练，向参与训练的客户端下发最新的全局模型并更新客户端的联邦模型；参与训练的客户端接收到最新的全局模型之后开始本地训练，训练过程中使用动态正则化算法和本地私有数据集更新自身的本地个性化模型；n∈(1,n)。
8、s5.中央服务器接收所有参与训练的客户端更新后的联邦模型，使用模型聚合算法更新全局模型，然后返回步骤s4以进行下一轮训练，直至全局模型收敛或达到指定迭代次数，从而各客户端均得到经过训练的本地个性化模型即最优变压器故障诊断模型；
9、s6.将目标变压器站点的实时异构变压器数据输入至对应的最优变压器故障诊断模型中，从而输出目标变压器站点的故障诊断结果。
10、作为上述方案的进一步改进，波形数据的种类包括：变压器声音波形数据和绕组振动波形数据。
11、作为上述方案的进一步改进，步骤s2中，客户端对各自的异构变压器数据进行预处理的过程包括：
12、将每种波形数据在图像预处理层中进行序列化处理并转换成嵌入矩阵，序列化处理的表达公式为：
13、；
14、式中，x j, i’表示第 j个块中的第 i’个位置的序列化特征向量； b j, i’表示第 j个块中的第 i’个位置； f(·)表示特定的非线性变换函数； vec(·)表示将矩阵展平成向量处理； w0和 p j, i’是可学习参数。
15、作为上述方案的进一步改进，步骤s3包括以下具体步骤，即s31~s32。
16、s31.在初始轮中，每个客户端接收从中心服务器下发的全局模型 g，将全局模型 g设置为客户端的联邦模型 f，并复制联邦模型 f的结构以设置客户端的本地个性化模型 l中的共享层，随后利用融合网络下发的权重参数初始化本地个性化模型 l中的共享层。
17、s32.使用不同的随机种子，初始化联邦模型 f和本地个性化模型 l。
18、作为上述方案的进一步改进，步骤s4中，在中央服务器向参与训练的客户端下发最新的全局模型时，还请求本地更新；随后参与训练的客户端从各自的本地私有数据集中采样若干条波形数据用于本次本地更新。
19、在本地更新期间，客户端的本地个性化模型与联邦模型之间存在低损失子空间，表达公式为：
20、；
21、式中，表示客户端 i对应的低损失子空间， λ为混合常数； i∈[1,n]；为客户端 i的联邦模型参数；为客户端 i的本地个性化模型参数。
22、作为上述方案的进一步改进，步骤s4中，客户端在本地训练过程中，使用以下损失函数完成联邦模型参数和本地个性化模型共享层参数的更新与优化：
23、；
24、；
25、式中，表示偏导数； l为本地个性化模型的优化目标； l’为交叉熵损失； μ为一个超参数，用于对联邦模型参数正则化；为另一超参数，用于在本地模型和联邦模型之间的子空间中诱导连通性；为全局模型参数；cos(·)为余弦函数。
26、作为上述方案的进一步改进，在个性化联邦学习训练的第 k个通信轮次中，客户端 i从中央服务器下载第 k-1个通信轮次更新聚合的参数，利用位于中央服务器的融合网络生成客户端 i本地个性化模型中的个性化层的投影矩阵 w i；其中 k∈(1,k]，k为指定训练次数；融合网络的参数更新表示为：
27、；
<本文档来自技高网...【技术保护点】
1.基于个性化联邦学习的变压器故障诊断方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，所述波形数据的种类包括：变压器声音波形数据和绕组振动波形数据。
3.根据权利要求1所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤S2中，所述客户端对各自的异构变压器数据进行预处理的过程包括：
4.根据权利要求1所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤S3包括以下具体步骤：
5.根据权利要求4所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤S4中，在中央服务器向参与训练的客户端下发最新的全局模型时，还请求本地更新；随后参与训练的客户端从各自的本地私有数据集中采样若干条波形数据用于本次本地更新；
6.根据权利要求5所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤S4中，客户端在本地训练过程中，使用以下损失函数完成联邦模型参数和本地个性化模型共享层参数的更新与优化：
7.根据权利要求6所述的基于个性化联邦学习
8.根据权利要求7所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤S5中，中央服务器使用模型聚合算法更新全局模型的表达公式如下：
9.一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并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程序时，实现如权利要求1至8中任意一项所述的基于个性化联邦学习的变压器故障诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时，实现如权利要求1至8中任意一项所述的基于个性化联邦学习的变压器故障诊断方法的步骤。
...【技术特征摘要】
1.基于个性化联邦学习的变压器故障诊断方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，所述波形数据的种类包括：变压器声音波形数据和绕组振动波形数据。
3.根据权利要求1所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤s2中，所述客户端对各自的异构变压器数据进行预处理的过程包括：
4.根据权利要求1所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤s3包括以下具体步骤：
5.根据权利要求4所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤s4中，在中央服务器向参与训练的客户端下发最新的全局模型时，还请求本地更新；随后参与训练的客户端从各自的本地私有数据集中采样若干条波形数据用于本次本地更新；
6.根据权利要求5所述的基于个性化联邦学习的变压器故障诊断方法，其特征在于，步骤s4中，客户端在本地训练过程中，使用以下损失函数完成联邦模型参数和本地个性化模型共享层参...
【专利技术属性】
技术研发人员：魏振春，裴文浩，向念文，吕增威，陈志伟，王超群，邵冰冰，李科杰，徐娟，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。