[發明專利]基于聯邦學習的計量裝置告警預測方法及設備

在審

• 申請號: 202010594593.4
• 申請日: 2020-06-28
• 公開（公告）號: CN111737749A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 錢斌;肖勇;鄭楷洪;周密
• 申請（專利權）人: 南方電網科學研究院有限責任公司
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06F21/60;G06N3/04;G06N3/08;G06N20/00;G06Q10/04;G06Q50/06
• 代理公司: 煙臺雙聯專利事務所(普通合伙) 37225
• 代理人: 申國棟

1.一種基于聯邦學習的計量裝置告警預測方法，其特征在于步驟為：在多個本地計量數據上設置具有相同結構的故障預測模型；對多個本地計量數據進行特征維度上的對齊與加密；訓練本地模型；將中間訓練參數上傳到訓練協作者；訓練協作者融合上傳參數并回傳給各本地模型進行更新以完成共享模型的訓練；

模型建立時，將聯邦學習框架下的本地數據作為參與者，設置用于告警預測任務的神經網絡模型，包括：各數據方即電力計量公司以獨立參與者使用自己的本地數據；本地數據的貢獻表現為對共享模型訓練的提升；基于預測神經網絡模型構建電力計量裝置告警預測模型，用于預測潛在的告警發生概率；輸入自己本地的數據對各模型進行訓練，且訓練樣本的特征為所有數據集重疊部分。

2.如權利要求1所述的基于聯邦學習的計量裝置告警預測方法，其特征在于：訓練過程不進行本地存儲器到訓練協作者存儲器的數據傳輸；訓練參數的傳輸通過協作者提供的密鑰進行加密；構成的聯邦學習數據集為在各本地數據互相隔離狀態下提取的公共特征與不同用戶群體的聯合數據。

3.如權利要求1所述的基于聯邦學習的計量裝置告警預測方法，其特征在于：數據在進行提取特征交集以及聯合用戶群體之后，各本地模型的訓練還包括：每次迭代過程包括模型訓練與參數上傳兩個步驟；其中，模型訓練過程為加載本地數據集中的訓練樣本批次；參數上傳過程是將每輪訓練過程中的損失函數、梯度等神經網絡訓練中的參數以加密形式發送到訓練協作者的本地機器上。

4.如權利要求3所述的基于聯邦學習的計量裝置告警預測方法，其特征在于：整個訓練過程要利用訓練協作者協調各本地模型的訓練，具體為將參數進行匯總，包括：匯總各參與者發送過來的損失函數和梯度信息，完成梯度信息的融合，生成全局損失函數，以保證整體訓練在向著收斂的方向不斷優化。

5.如權利要求4所述的基于聯邦學習的計量裝置告警預測方法，其特征在于：共享模型以全局優化函數為目標進行訓練，每一輪通信使用訓練協作者提供的更新參數，整個過程在電力系統內部網絡進行。

6.用于實施如權利要求1至5任一所述的基于聯邦學習的計量裝置告警預測方法的設備，其特征在于，本地模型計算設備包含：

處理器，用于讀寫數據，還具備電力系統內網通信功能；

數據存儲模塊，用于進行本地訓練數據的存儲/讀寫操作、保存模型數據、保存訓練參數；

本地網絡通信模塊，用于承擔訓練過程的參數上傳任務，將數據通過電網內網進行傳輸；

聯邦學習協作者的本地設備同樣具有存儲裝置，用來存儲匯總信息。