【技术实现步骤摘要】
本专利技术属于智能电网系统异常流量监测，涉及元启发式算法，尤其涉及联邦学习的电力数据预测生成方法，特别是一种面向智能电网通信数据异常流量监测及预测方法。
技术介绍
1、为了保护电网通信安全采取实时监测和控制从而提高电网的稳定性，需要访问家庭物联网设备中的通信数据来训练机器学习模型。然而，家庭的物联网设备中的通信数据包含相当隐私的敏感信息。需要仔细处理和保护这些数据，因此最近出现了数据匿名化、加密和差异隐私等技术。但是，即使有强大的隐私和安全保障，用户通常也不愿意访问他们的电力使用数据。
2、在此背景下，联邦学习模型发挥着了巨大潜能，可以专门用于数据所有者由于隐私问题而不想共享其数据的情况。它们在确保物联网设备中数据的机密性和安全性方面是有效的，并且它们使多个本地节点能够在不共享数据的情况下协同训练机器学习模型，这些数据保存在本地。本地机器模型在用户的设备上进行训练，然后传输到中央服务器，该服务器将它们聚合并集成到共享的全局模型中。中央服务器将学习到的全球模型发送回用户的设备，以进一步改进并最终使用。
3、现有的方案开始注重采取高级聚合方法来处理搜索空间的复杂性的问题。在这种情况下，本专利技术认为生物启发的基于种群的启发式方法比基于平均的解决方案更适合在中央服务器上执行更优化的聚合。基于种群的元启发式使用初始化和迭代进化阶段来探索解决方案空间并产生高质量的解决方案。生成并评估初始种群，识别出最佳个体。
4、在过去几年提出的元启发式算法中，灰狼优化算法在物联网领域和优化案例的某些情况下显示出有效性
5、本专利技术尤其适合于实时监控智能电网下电压、电流、功率等通讯数据的流量情况，通过预测值和实时数据的比对，快速准确地监测出系统中的异常流量。这对于早期发现网络攻击、系统故障、预防电力中断和避免潜在的设备损坏至关重要。在电网安全领域，监测和防范网络攻击和数据篡改是一大挑战，本专利技术通过灰狼优化算法增强的联邦学习模型，能够提高对异常行为的识别精度，从而加强对智能电网的安全防护。通过早期监测潜在的安全威胁，如网络攻击或系统篡改行为，可以快速采取防御措施，防止安全事故的发生，保护电网免受恶意攻击的破坏。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种面向智能电网通信数据异常流量监测及预测方法，该方法利用灰狼优化算法对智能电网的通信数据流量进行合理性预测，提高预测的准确性和异常流量监测的高效性。深入分析历史通信数据，能够准确预测周期性和趋势性的流量变化，并得到用户的物联网设备的数据变化。这种分析帮助系统识别数据流量变化趋势；实时监测和控制电网状态，响应电网负荷变化和潜在故障提升电网的可靠性和经济性，确保电网的高效和稳定运行。
2、技术方案：一种面向智能电网通信数据异常流量监测及预测方法，该方法基于智能电网中地理分布的本地节点部署局部模型和全局模型，所述的局部模型和全部模型包括利用dlinear时间序列预测模型进行训练，通过dlinear时间序列预测模型实现对本地节点的通信数据流量进行监测和预测；
3、该方法基于联邦学习框架，获取智能电网中各个本地节点上的时间序列数据并存储在本地节点上；然后通过聚类在边缘节点形成k个集群，每个集群将一组具有同构的时间序列数据的本地节点聚合在一起，所述的边缘节点用于在训练中协调全局模型聚合和局部模型的参数更新；
4、所述的局部模型和全局模型的训练和优化包括如下步骤：
5、首先中央服务器将初始随机模型参数发送给本地节点上进行初始的局部模型训练；边缘节点将聚合后的每一簇发送到中央服务器应用灰狼优化算法进行聚合，随后将聚合后的模型参数返回给边缘节点，由边缘节点给对应的本地节点下发模型参数进行局部模型的训练，完成局部模型的初次训练；同时，在每聚类中使用灰狼优化算法来聚合各个本地节点上训练得到的局部模型参数，生成一个全局的预测模型，在初次之后的训练中，每一轮由本地节点训练后的局部模型直接上传到中央服务器，进行多次迭代直至完全收敛。
6、进一步地，该方法采用联邦学习框架，通过智能电网中分布在每个节点上的物联网计量设备获取时间序列数据，并在本地存储数据，所采集的时间序列数据包括电力消耗的数据流量、环境参数和用户行为模式；
7、然后通过聚类在边缘节点形成k个集群，每个集群将一组具有同构的数据的本地节点聚集在一起，并由边缘节点来协调联邦模型聚合和模型参数更新；
8、对于不同边缘节点上的非独立同分布的数据采用k-means算法进行聚类，从而实现将具有的相似数据流量规模值进行聚类；所述的k-means算法将具有相似相似数据流量规模的物联网节点进行分组，然后将相似的数据分组成k个簇，并在每个簇中应用灰狼优化算法以实现数据聚合。
9、上述方法中，时间序列数据的预处理包括：
10、归一化处理，将所述的时间序列数据缩放至相同的范围内，还包括使用皮尔逊相关系数计算各个数据特征之间的相关性；
11、数据重构以满足模型输入格式的要求，按照时间序列数据获取对应的时间间隔，将其转换对应时间步长的输入序列，每个时间步长包含电力消耗、环境参数和用户行为模式在内的数据特征；
12、将重构的时间序列数据转换为张量格式，用于传入局部模型进行训练和预测。
13、结合上述的方法，本专利技术将一个中心节点设置为中央服务器nc，在每个聚类中，由中央服务器nc运行灰狼优化算法来确定最佳权重向量，即模型参数minheuristic，进而聚类生成全局损失最小的最佳全局模型gl，表示为：
14、
15、基于灰狼优化算法寻找一个最优解(ωc,l,ω)，其中ωc是候选解集合，代表聚类模型的向量参数，l是需要最小化的损失函数或目标函数；lnc是全局模型对应的最小化的损失函数或目标函数，ω表示约束条件；n表示本地节点的个数；
16、结合联邦学习算法，决策变量的值域形成了优化问题的搜索空间，表示为约束集ω，对于学习到的模型参数正式定义为：
17、
18、ω作用在于约束权重为非负性。
19、在每个聚类级别执行联邦训练后，如果发现性能有所提升，则更新节点的局部模型权重，由此实现权重聚合过程和聚类模型的构建在保持整体精度和性能方面是最佳的，然后通过边缘节点将更新后的局部模型参数下发到所属本地节点，表示为：
20、
21、当在某个聚类级别上训练后的模型权重nnc比原始权重w在局部节点上的性能更本文档来自技高网...
【技术保护点】
1.一种面向智能电网通信数据异常流量监测及预测方法，其特征在于，该方法基于智能电网中地理分布的本地节点部署局部模型和全局模型，所述的局部模型和全部模型包括利用Dlinear时间序列预测模型进行训练，通过Dlinear时间序列预测模型实现对本地节点的通信数据流量进行监测和预测；
2.根据权利要求1所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，该方法采用联邦学习框架，通过智能电网中分布在每个节点上的物联网计量设备获取时间序列数据，并在本地存储数据，所采集的时间序列数据包括电力消耗的数据流量、环境参数和用户行为模式；
3.根据权利要求2所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，时间序列数据的预处理包括：
4.根据权利要求1所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，将一个中心节点设置为中央服务器NC，在每个聚类中，由中央服务器NC运行灰狼优化算法来确定最佳权重向量，即模型参数minheuristic，进而聚类生成全局损失最小的最佳全局模型GL，表示为：
5.根据权利要求1或4所述的面向
6.根据权利要求4所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，通过灰狼优化算法聚合局部模型的权重的具体过程包括：
7.根据权利要求1或4所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，局部模型的权重需要在全局模型聚合阶段建立统一的基于适应度的评价标准，以减少数据的异构性；
8.根据权利要求1所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，所述的Dlinear时间序列预测模型考虑时间序列数据的特点，包括趋势层和季节性层以实现分离趋势和季节性成分，提高本地模型的通信数据流程的捕捉和流量模式预测的精准度；
9.根据权利要求8所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，所述的Dlinear时间序列预测模型包括引入正则化方法来显示模型的复杂度和避免过拟合。
10.根据权利要求1所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，该方法对于超出预测正常阈值的异常通信流量值进行分析，能够将异常值产生的原因进行诊断，具体包括：
...【技术特征摘要】
1.一种面向智能电网通信数据异常流量监测及预测方法，其特征在于，该方法基于智能电网中地理分布的本地节点部署局部模型和全局模型，所述的局部模型和全部模型包括利用dlinear时间序列预测模型进行训练，通过dlinear时间序列预测模型实现对本地节点的通信数据流量进行监测和预测；
2.根据权利要求1所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，该方法采用联邦学习框架，通过智能电网中分布在每个节点上的物联网计量设备获取时间序列数据，并在本地存储数据，所采集的时间序列数据包括电力消耗的数据流量、环境参数和用户行为模式；
3.根据权利要求2所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，时间序列数据的预处理包括：
4.根据权利要求1所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，将一个中心节点设置为中央服务器nc，在每个聚类中，由中央服务器nc运行灰狼优化算法来确定最佳权重向量，即模型参数minheuristic，进而聚类生成全局损失最小的最佳全局模型gl，表示为：
5.根据权利要求1或4所述的面向智能电网通信数据异常流量监测及预测方法，其特征在于，灰狼优化算法通过对种群中的每个权重向量应用探索和开发策略来更新权重向量的种群，在第一轮聚类后，边缘节点返回本地节点的模型参数是带标签的，在第一轮结束后，之后每一轮不需要...
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。