【技术实现步骤摘要】
本专利技术涉及电力数据，特别是涉及一种基于联邦学习的电力多模态数据共享方法。
技术介绍
1、电力作为社会各项活动的关键能源，国家的年用电数据可以直观的反映出我国的社会经济发展水平。进行电力大数据研究，充分提取电力数据的社会化、商业化价值成为电力行业信息化发展的方向。电力多模态大数据处理的关键点包括：1、数据的采集与融合。电力系统涉及发电、输电、配电、用电等多个环节，每个环节都会产生大量数据。这些数据包括：电气数据：如电压、电流、功率、频率等。设备数据：如设备型号、运行状态、故障信息等。环境数据：如温度、湿度、风速等。人员数据：如巡检记录、检修记录等。2、数据处理与分析。电力多模态大数据处理需要对采集到的数据进行清洗、预处理、特征提取、模型训练、分析预测等。
2、电力多模态数据融合是电力系统中一个至关重要的环节，它涉及将来自不同源和模态的数据进行有效整合，以提供更全面、精确的信息来支持电力系统的运维、分析和决策。目前，电力多模态数据融合主要有三种融合方式：数据级融合、决策级融合和特征级融合。其中，数据级融合：将多个独立的数据集融合成一个单一的特征向量，然后输入到机器学习分类器中。这种方法能够充分利用原始数据的丰富信息，但可能面临数据冗余和特征提取的挑战。在实际应用中，前端融合常常与特征提取方法相结合，如主成分分析(pca)、最大相关最小冗余算法(mrmr)等，以剔除冗余信息并提取关键特征。决策级融合：将不同模态数据分别训练好的分类器输出打分(决策)进行融合。这种方法可以保留各个模态数据的独立性和特点，并在决策层面进行综
3、然而现有技术的电力数据分析方法的技术缺点主要有两点：1、现有的数据处理方法依赖于集中式的数据存储和处理，为数据共享与隐私保护带来了不便；2、现有的电力数据处理方式不能适应大量异构多模态电力数据的数据融合分析处理需求。
4、因此，设计一种基于联邦学习的电力多模态数据共享方法是十分有必要的。
技术实现思路
1、为了克服现有技术的不足，本专利技术的目的是提供一种基于联邦学习的电力多模态数据共享方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术第一方面提供了一种基于联邦学习的电力多模态数据共享方法，包括：
4、获取电力多模态数据，并对其进行预处理操作；
5、初始化联邦学习框架，并确定参与联邦学习的节点，建立安全的通信通道，将联邦学习框架分发至各个参与节点；
6、基于预处理操作后的参与节点的电力多模态数据对联邦学习的本地模型进行训练；
7、各个参与节点将训练得到的本地模型的参数发送至中央服务器或协调节点，中央服务器或协调节点对收到的参数进行聚合操作，得到全局模型参数；
8、中央服务器或协调节点将全局模型参数分发回各个参与节点，各个参与节点根据收到的全局模型参数更新本地模型，进行下一个迭代周期的训练；
9、重复进行上述步骤，直至满足预设的停止条件，结束迭代，得到全局模型；
10、对全局模型进行评估，若评估结果符合预设要求，则完成训练，若不符合，则重复进行本地模型训练、模型参数聚合及全局模型更新与分发，直至得到符合预设要求的全局模型。
11、优选地，获取电力多模态数据，并对其进行预处理操作，具体为：
12、参与节点获取来自不同电力数据源的多模态数据，并对获取的数据进行清洗、去噪及归一化操作。
13、优选地，所述联邦学习框架包括特征预处理模块、二次特征提取模块、注意力模块及mlp模块，所述特征预处理模块用于基于预训练的神经网络对多模态数据进行特征提取，得到初步特征；所述二次特征提取模块用于学习初步特征的时序特征及概率分布信息，得到多模态特征；所述注意力模块用于通过注意力机制处理多模态特征；所述mlp模块为多层感知机，用于输出最终预测结果。
14、优选地，所述特征预处理模块设置有三个预训练的神经网络，分别为mobilenetv2、mobilebert及mfcc，其中，mobilenetv2用于视频特征提取，mobilebert用于文本特征提取，所述mfcc用于音频特征提取。
15、优选地，所述中央服务器或协调节点通过fedavg算法对收到的参数进行聚合操作。
16、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
17、本专利技术提供了一种基于联邦学习的电力多模态数据共享方法，包括获取电力多模态数据，并对其进行预处理操作，初始化联邦学习框架，并确定参与联邦学习的节点，建立安全的通信通道，将联邦学习框架分发至各个参与节点，基于预处理操作后的参与节点的电力多模态数据对联邦学习的本地模型进行训练，各个参与节点将训练得到的本地模型的参数发送至中央服务器或协调节点，中央服务器或协调节点对收到的参数进行聚合操作，得到全局模型参数，中央服务器或协调节点将全局模型参数分发回各个参与节点，各个参与节点根据收到的全局模型参数更新本地模型，进行下一个迭代周期的训练，重复进行上述步骤，直至满足预设的停止条件，结束迭代，得到全局模型，对全局模型进行评估，若评估结果符合预设要求，则完成训练，若不符合，则重复进行本地模型训练、模型参数聚合及全局模型更新与分发，直至得到符合预设要求的全局模型。本专利技术能够在保护隐私的同时，利用分布式数据提升电力领域的模型性能。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的电力多模态数据共享方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取电力多模态数据，并对其进行预处理操作，具体为：
3.根据权利要求1所述的方法，其特征在于，所述联邦学习框架包括特征预处理模块、二次特征提取模块、注意力模块及MLP模块，所述特征预处理模块用于基于预训练的神经网络对多模态数据进行特征提取，得到初步特征；所述二次特征提取模块用于学习初步特征的时序特征及概率分布信息，得到多模态特征；所述注意力模块用于通过注意力机制处理多模态特征；所述MLP模块为多层感知机，用于输出最终预测结果。
4.如权利要求3所述的方法，其特征在于，所述特征预处理模块设置有三个预训练的神经网络，分别为MobileNetV2、MobileBERT及MFCC，其中，MobileNetV2用于视频特征提取，MobileBERT用于文本特征提取，所述MFCC用于音频特征提取。
5.根据权利要求1所述的方法，其特征在于，所述中央服务器或协调节点通过FedAvg算法对收到的参数进行聚合操作。
【技术特征摘要】
1.一种基于联邦学习的电力多模态数据共享方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取电力多模态数据，并对其进行预处理操作，具体为：
3.根据权利要求1所述的方法，其特征在于，所述联邦学习框架包括特征预处理模块、二次特征提取模块、注意力模块及mlp模块，所述特征预处理模块用于基于预训练的神经网络对多模态数据进行特征提取，得到初步特征；所述二次特征提取模块用于学习初步特征的时序特征及概率分布信息，得到多模态特征；所述注意力模块用于...
【专利技术属性】
技术研发人员：继雅，张伟，剧树春，潘红芳，汪啸，金翠，王明明，金琨，张菲然，刘嘉丽，李琦，都兰娜，王影，
申请(专利权)人：内蒙古电力集团有限责任公司内蒙古电力经济技术研究院分公司，
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。