[發(fā)明專利]基于聯(lián)邦學(xué)習(xí)的智能電網(wǎng)設(shè)備異常檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110444328.2
• 申請日: 2021-04-23
• 公開（公告）號: CN113139600A
• 公開（公告）日: 2021-07-20
• 發(fā)明（設(shè)計）人: 林培斌;戚遠(yuǎn)航;劉毅
• 申請（專利權(quán)）人: 廣東安恒電力科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 廣州國鵬知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44511
• 代理人: 葛紅

1.一種基于聯(lián)邦學(xué)習(xí)的智能電網(wǎng)設(shè)備異常檢測方法，其特征在于，包括以下步驟：

每個智能電網(wǎng)設(shè)備建立自身的本地數(shù)據(jù)集；

每個所述智能電網(wǎng)設(shè)備對所述本地數(shù)據(jù)集執(zhí)行本地模型訓(xùn)練；

每個所述智能電網(wǎng)設(shè)備在進(jìn)行所述本地模型訓(xùn)練后，計算自身的模型更新并將所述自身的模型更新上傳至服務(wù)器；

所述服務(wù)器對接收到的所述模型更新執(zhí)行聚合操作得到新的全局模型，并將所述新的全局模型發(fā)送到每個所述智能電網(wǎng)設(shè)備；

循環(huán)執(zhí)行以上步驟，直到全局模型達(dá)到最佳收斂，并以該全局模型作為最佳全局模型，每個所述智能電網(wǎng)設(shè)備使用所述最佳全局模型執(zhí)行異常檢測任務(wù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，每個所述智能電網(wǎng)設(shè)備收集自身的傳感時間序列數(shù)據(jù)作為所述本地數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過所述服務(wù)器的云聚合器對接收到的所述模型更新執(zhí)行聚合操作得到新的全局模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述服務(wù)器根據(jù)每個所述智能電網(wǎng)設(shè)備的模型更新按照預(yù)設(shè)聚類方法分成若干個簇類，所述云聚合器通過聚合每個簇類中的所述智能電網(wǎng)設(shè)備上傳的模型更新來獲得所述新的全局模型。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述預(yù)設(shè)聚類方法包括：

采用預(yù)設(shè)算法找出與某一個設(shè)備i相似度超過閾值α最多的設(shè)備數(shù)；

將這些設(shè)備劃分為一個簇類中。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述預(yù)設(shè)算法為貪心算法。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述預(yù)設(shè)聚類方法還包括：將所述設(shè)備i與其他設(shè)備進(jìn)行余弦相似度判斷，并將大于閾值的設(shè)備歸為一個簇類中。

8.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述本地模型為深度異常檢測模型。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述深度異常檢測模型包括：

輸入層，所述輸入層用于輸入數(shù)據(jù)；

基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)單元，所述的基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)單元能夠捕獲所述輸入層輸入的數(shù)據(jù)的細(xì)粒度特征；

長短期記憶網(wǎng)絡(luò)單元，將所述基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)單元的輸出作為所述長短期記憶網(wǎng)絡(luò)單元的輸入，所述長短期記憶網(wǎng)絡(luò)單元能夠預(yù)測未來的時間序列數(shù)據(jù)以及檢測異常；

輸出層，所述輸出層與所述長短期記憶網(wǎng)絡(luò)單元連接，以輸出異常檢測結(jié)果。

10.一種基于聯(lián)邦學(xué)習(xí)的智能電網(wǎng)設(shè)備異常檢測系統(tǒng)，其特征在于，包括：

本地數(shù)據(jù)集建立模塊，所述本地數(shù)據(jù)集建立模塊為每個智能電網(wǎng)設(shè)備建立自身的本地數(shù)據(jù)集；

本地模型訓(xùn)練模塊，所述本地模型訓(xùn)練模塊能夠?qū)λ霰镜財?shù)據(jù)集執(zhí)行本地模型訓(xùn)練；

更新模塊，所述更新模塊能夠在每個所述智能電網(wǎng)設(shè)備進(jìn)行所述本地模型訓(xùn)練后，計算自身的模型更新并將所述自身的模型更新上傳至服務(wù)器；

聚合模塊，所述聚合模組能夠?qū)邮盏降乃瞿Ｐ透聢?zhí)行聚合操作得到新的全局模型，并將所述新的全局模型發(fā)送到每個所述智能電網(wǎng)設(shè)備。