[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

本發明提供一種基于去中心化聯邦學習的非侵入式負荷檢測方法，非侵入式電力負荷檢測方法步驟包括：選取數據、電力負荷數據特征預處理、建立本地模型和去中心化聯邦學習網絡構建，本發明通過每次聚合的客戶端各自進行，每個客戶端設為一個節點，每個節點有一個模型，搭建一個網絡架構允許每個節點的模型，實現對聯邦學習方法的去中心化，并根據GNN網絡的特點進行參與的客戶端模型結合，確保各個客戶端之間地位平等，且能夠保證模型進行順利的交互，實現了非侵入式負荷檢測基于單個用戶的檢測效果有所提高，且速度更快。

技術領域

本發明屬于非侵入式負荷檢測聯邦學習技術領域，更具體地說是一種基于去中心化聯邦學習技術的用戶用電非侵入式電力負荷檢測方法。

背景技術

針對個體商戶用電主要存在是否偷電的問題，若存在偷電則會嚴重損害個體商戶的利益；因此需要對用戶進行非侵入式電力負荷檢測，以確保用戶在偷電、違規用電等情況時能夠及時發現。

聯邦學習是一種分布式機器學習框架，其做到了在保障數據隱私安全及合法合規的基礎上，實現數據共享，共同建模；聯邦學習通過數據的變化來判斷是否負荷運行狀態發生了異常的變換，并依據多個特征數據進行判斷，其中包括有功特征、無功特征以及穩態的電壓-電流軌跡特征等，依據此類數據的對比進行判斷用戶用電是否存在異常，從而在保護用戶隱私的同時實現電力負荷非侵入式檢測，其中因為用戶的電力數據存儲客戶端分布都是不規則分布的，傳統意義上的機器學習方法不能夠很好的解決客戶端之間的通信問題，所以在電力負荷檢測過程中還會引入圖神經網絡(GNN)推薦系統解決用戶數據分散的問題；

雖然上述方法能夠實現對用戶用電情況的非侵入式檢測，但是現有的聯邦學習和GNN推薦技術仍存在以下不足之處：

(1)傳統的聯邦學習方法，需要可靠的中心化服務器，需要消耗大量的設備資源，如果中心化服務器出現故障，則整個系統癱瘓，無法正常運行；

(2)GNN推薦系統從圖結構上進行節點連接，參與的客戶端多且雜，缺少可靠性，彼此客戶端直接缺少一個信任機制；同時單一的GNN推薦系統，不能夠保護用戶的隱私安全，容易造成數據泄露，不能很好的保護用戶的數據安全。

因此，本發明提供了一種基于去中心化聯邦學習的非侵入式負荷檢測方法，以解決上述聯邦學習方法和GNN推薦系統存在的問題。

發明內容

為了解決上述技術問題，本發明提供一種基于去中心化聯邦學習的非侵入式負荷檢測方法，以解決現有技術中聯邦學習方法對服務器要求高、占用設備資源，以及GNN推薦系統容易出現數據泄露的的問題。

一種基于去中心化聯邦學習的非侵入式負荷檢測方法，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。

優選的，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。

其中，電力數據集采集的是各個供電臺區全部的n個用戶h個月的用電總能量數據構成的月負荷序列矩陣L_n×h,用戶i第k個月的負荷數據為l_i,k。