【技术实现步骤摘要】
本专利技术涉及电网线路故障诊断，尤其是一种基于联邦学习的电网线路故障巡检方法、设备及介质。
技术介绍
1、随着智能电网的建设不断推进，电网系统越来越复杂，这不仅要求电网具备高效的数据处理能力，还必须能够实时响应各种工况变化。为了保证电网的可靠性和稳定性，对电网线路进行准确且及时的故障诊断就成为了不可或缺的一环。传统的故障诊断方法如人工巡检或常规监控系统已经无法满足现代电网的需求，它们往往存在扩展性差、响应速度慢等问题，并且面对海量数据的处理显得力不从心。
2、然而，在应用机器学习（machine learning，ml）技术进行电网故障诊断的过程中，面临着诸多挑战。首先，由于电网数据量庞大，传统的集中式学习框架可能变得效率低下，同时也会消耗大量的计算资源。此外，电网数据通常包含敏感信息，因此如何在确保数据隐私和安全的前提下高效地分析数据成为了一个亟待解决的问题。再者，电网故障模式复杂多变，单一的学习模型难以应对所有情况。
3、现有的集中式和分散式学习框架虽然能够在一定程度上提高故障诊断模型的准确性，但是这些框架都要求数据被收集并集中处理，这不仅增加了数据泄露的风险，同时也使得系统在面对大规模和高维度数据时难以有效地扩展。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种基于联邦学习的电网线路故障巡检方法、设备及介质，能够确保数据在不离开本地环境的情况下进行模型训练，从而有效保护敏感信息。
2、本专利技术第一方面提供了一种基于联邦学习的电网线路
3、各个客户端获取本地电网线路的运行数据，作为本地数据集；
4、中央服务器生成初始模型参数，将初始模型参数作为第一轮的全局模型参数；
5、中央服务器向各个客户端分发全局模型参数，各个客户端根据所述全局模型参数建立本地模型；
6、各个客户端使用本地数据集对所述本地模型进行训练，计算初始模型参数在客户端本地数据集上产生的梯度损失；
7、各个客户端将计算得到的梯度损失上传至中央服务器，中央服务器对各个客户端上传的梯度损失进行聚合处理，得到新一轮的全局模型参数；
8、返回所述中央服务器向各个客户端分发全局模型参数这一步骤；各个客户端重新执行所述根据所述全局模型参数建立本地模型、使用本地数据集对所述本地模型进行训练、计算初始模型参数在客户端本地数据集上产生的梯度损失、计算得到的梯度损失上传至中央服务器的步骤；直至全局模型参数收敛和/或梯度损失聚合处理次数达到预设上限值；
9、各个客户端使用最后一次建立的本地模型进行电网线路故障巡检工作。
10、进一步地，所述本地电网线路的运行数据，至少包括传感器数据、电网状态数据和历史故障记录。
11、进一步地，所述中央服务器生成初始模型参数，具体包括以下步骤：
12、获取预设初始化策略；
13、根据预设初始化策略对预设模型框架 θ进行赋值，得到初始模型参数 θ0。
14、进一步地，所述中央服务器向各个客户端分发全局模型参数，具体包括以下步骤：
15、建立客户端数据集；
16、根据所述客户端数据集建立每个客户端单独的数据传输通道，同时复制出多组分发给每个客户端的初始模型参数；
17、通过所建立数据传输通道向每个客户端分发初始模型参数。
18、进一步地，所述各个客户端计算初始模型参数在客户端本地数据集上产生的梯度损失，具体包括以下步骤：
19、对本地数据集进行标注，使得本地数据集中的每个样本 x都具有对应的标签 y；
20、使用所述本地数据集对本地模型 θt进行参数估计，通过以下公式计算本地模型 θt的梯度损失：
21、；
22、其中，( x, y)表示本地数据集中的单个样本， l表示损失函数，表示单个样本在本地模型 θt中关于损失函数 l所呈现的梯度，表示本地模型 θt的梯度损失。
23、进一步地，所述中央服务器对各个客户端上传的梯度损失进行聚合处理，具体包括以下步骤：
24、收集每个客户端上传的梯度损失，建立梯度损失集合；
25、使用以下公式对每个客户端上传的梯度损失进行加权平均，得到新一轮的全局模型参数 θt+1：
26、；
27、其中， i表示每个客户端， t表示当前轮次， mi表示每个客户端的本地数据集样本数量，表示每个客户端的梯度损失。
28、进一步地，所述全局模型参数收敛，具体通过以下公式判断：
29、；
30、其中，表示学习率，当学习率低于预设幅度时，判断全局模型参数已收敛。
31、进一步地，所述各个客户端使用最后一次建立的本地模型进行电网线路故障巡检工作，具体包括以下步骤：
32、获取电网线路实时运行参数，对电网线路实时运行参数进行数据预处理；
33、将电网线路实时运行参数输入所述最后一次建立的本地模型，获取所述最后一次建立的本地模型输出的电网线路故障参数，具体故障类型和故障地点；
34、根据所输出电网线路故障参数，具体故障类型和故障地点进行故障排查。
35、本专利技术第二方面公开一种电子设备，包括处理器以及存储器；
36、所述存储器用于存储程序；
37、所述处理器执行所述程序实现所述的一种基于联邦学习的电网线路故障巡检方法。
38、本专利技术第三方面一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现所述的一种基于联邦学习的电网线路故障巡检方法。
39、本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
40、本专利技术的实施例具有如下方面有益效果：本专利技术实施例提出了一种基于联邦学习的电网线路故障巡检方法、设备及介质，能够确保数据在不离开本地环境的情况下进行模型训练，从而有效保护敏感信息。另外，针对集中式学习在处理大规模数据集时效率低下和资源消耗大的问本文档来自技高网...
【技术保护点】
1.一种基于联邦学习的电网线路故障巡检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述本地电网线路的运行数据，至少包括传感器数据、电网状态数据和历史故障记录。
3.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述中央服务器生成初始模型参数，具体包括以下步骤：
4.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述中央服务器向各个客户端分发全局模型参数，具体包括以下步骤：
5.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述各个客户端计算初始模型参数在客户端本地数据集上产生的梯度损失，具体包括以下步骤：
6.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述中央服务器对各个客户端上传的梯度损失进行聚合处理，具体包括以下步骤：
7.根据权利要求6所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述全局模型参数收敛，具体通过以下公式判
8.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述各个客户端使用最后一次建立的本地模型进行电网线路故障巡检工作，具体包括以下步骤：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-8中任一项所述的一种基于联邦学习的电网线路故障巡检方法。
...【技术特征摘要】
1.一种基于联邦学习的电网线路故障巡检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述本地电网线路的运行数据，至少包括传感器数据、电网状态数据和历史故障记录。
3.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述中央服务器生成初始模型参数，具体包括以下步骤：
4.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述中央服务器向各个客户端分发全局模型参数，具体包括以下步骤：
5.根据权利要求1所述的一种基于联邦学习的电网线路故障巡检方法，其特征在于，所述各个客户端计算初始模型参数在客户端本地数据集上产生的梯度损失，具体包括以下步骤：
【专利技术属性】
技术研发人员：梅海鹏，邓传华，刘惠灵，曾毅，曾远双，黄鑫益，林晓旭，
申请(专利权)人：广东电网有限责任公司河源供电局，
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。