[發明專利]一種基于去中心化聯邦學習的非侵入式負荷檢測方法

在審

• 申請號: 202211160060.0
• 申請日: 2022-09-22
• 公開（公告）號: CN115580446A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 陳楠;楊平化;徐俊杰;李強;彭龍江
• 申請（專利權）人: 南京富爾登科技發展有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;H04L67/10;G06F17/16;G06F21/62;G06N3/08;G06N20/00;G06Q50/06
• 代理公司: 上海申滬專利代理有限公司 31483
• 代理人: 趙磊

1.一種基于去中心化聯邦學習的非侵入式負荷檢測方法，其特征在于，所述非侵入式電力負荷檢測方法步驟如下：

S1：選取數據，選擇特定區域一段時間內的電力負荷數據作為檢測基礎；

S2：電力負荷數據特征預處理，根據獲取到的電力負荷數據進行相關特征參數提取，將其映射為向量的形式并計算；

S3：建立本地模型，利用正交變換將存在相關性的數據轉變為線性不相關的特征向量，然后選擇方差較大的特征信息作為主成分，實現數據空間對超平面空間的投影，在主成分分析的基礎上加入循環神經網絡GRU，構成本地模型主成分分析與循環神經網絡；

S4：去中心化聯邦學習網絡構建，基于圖神經網絡，在圖神經網絡節點處信任機制，采用平均誤差判斷是否存在偷電漏電情況。

2.如權利要求1所述基于去中心化聯邦學習的非侵入式負荷檢測方法，其特征在于：步驟S1中，收集的電力數據參數具有相關性，相關性包括目標任務、數據類型、特征變量。

3.如權利要求1所述基于去中心化聯邦學習的非侵入式負荷檢測方法，其特征在于：步驟S2中，從提取的相關電力負荷特征參數映射的向量形式為：X＝{x₁，x₂，...，x₁₂}。

4.如權利要求3所述基于去中心化聯邦學習的非侵入式負荷檢測方法，其特征在于：所述樣本集合X＝{x₁，x₂，...，x₁₂}表示為12個特征維度指標；其中x₁反映了用戶月負荷序列的上升趨勢，x₂反映了用戶月負荷序列的下降趨勢，x₃、x₄、x₅反映了用戶用電方式的首尾跨越差異度，分別從短期到中期進行考察，減小用戶外出或家庭人口變化帶來的用電行為習慣變動的影響；x₆、x₇、x₈從標準差的角度衡量了月負荷序列的波動程度，其中又細化為全部月份的標準差和前后6個月各自的標準差；三個指標的組合可以對用戶負荷波動發生的時間段有較好的反映；x₉、x₁₀、x₁₁主要是為了減小季節變化對用戶用電量的影響，每隔3個月取一次負荷均值，依次取3月、6月、9月、12月以反映一年的變化，x₁₂將每個用戶負荷序列同全部用戶的負荷中值序列做相關性分析。

5.如權利要求1所述基于去中心化聯邦學習的非侵入式負荷檢測方法，其特征在于：步驟S3中，根據S2中樣本集合X＝{x₁，x₂，...，x₁₂}，x_i∈R^d，根據主成分分析投影到平面坐標系為W＝{w₁，w₂，...w₁₂}，則樣本集合在新坐標系中投影可表示為：u_i＝Wx_i；

其中u_i投影后的數據集合，經過投影后的樣本數據在新坐標間，即特征空間的協方差矩陣Cov(U)表示為：Cov(U)＝(c_ij)_d×d；

根據特征空間協方差矩陣Cov(U)，求解以下約束條件的目標函數表示為：maxaTCov(U)a,s.t|a|＝1；

對上述協方差矩陣求解，得出特征值λ＝{λ₁，λ₂，...，λ_n}，并且根據特征值求出對應的特征向量α＝{α₁，α₂，...，α_n}，利用特征值較大的前k個對應的特征向量生成特征空間樣本集Y，公式表示為：Y_d×k＝a^TX_d×k；

第i個主成分的累計貢獻率為當累計主成分的貢獻率達到預定的設定值之后，則說明原始樣本數據集可以使用主成分進行替代，即實現了對原始樣本數據集的主成分提取。