本發(fā)明涉及電網(wǎng)線(xiàn)路故障診斷，尤其是一種基于聯(lián)邦學(xué)習(xí)的電網(wǎng)線(xiàn)路故障巡檢方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著智能電網(wǎng)的建設(shè)不斷推進(jìn)，電網(wǎng)系統(tǒng)越來(lái)越復(fù)雜，這不僅要求電網(wǎng)具備高效的數(shù)據(jù)處理能力，還必須能夠?qū)崟r(shí)響應(yīng)各種工況變化。為了保證電網(wǎng)的可靠性和穩(wěn)定性，對(duì)電網(wǎng)線(xiàn)路進(jìn)行準(zhǔn)確且及時(shí)的故障診斷就成為了不可或缺的一環(huán)。傳統(tǒng)的故障診斷方法如人工巡檢或常規(guī)監(jiān)控系統(tǒng)已經(jīng)無(wú)法滿(mǎn)足現(xiàn)代電網(wǎng)的需求，它們往往存在擴(kuò)展性差、響應(yīng)速度慢等問(wèn)題，并且面對(duì)海量數(shù)據(jù)的處理顯得力不從心。

2、然而，在應(yīng)用機(jī)器學(xué)習(xí)（machine?learning，ml）技術(shù)進(jìn)行電網(wǎng)故障診斷的過(guò)程中，面臨著諸多挑戰(zhàn)。首先，由于電網(wǎng)數(shù)據(jù)量龐大，傳統(tǒng)的集中式學(xué)習(xí)框架可能變得效率低下，同時(shí)也會(huì)消耗大量的計(jì)算資源。此外，電網(wǎng)數(shù)據(jù)通常包含敏感信息，因此如何在確保數(shù)據(jù)隱私和安全的前提下高效地分析數(shù)據(jù)成為了一個(gè)亟待解決的問(wèn)題。再者，電網(wǎng)故障模式復(fù)雜多變，單一的學(xué)習(xí)模型難以應(yīng)對(duì)所有情況。

3、現(xiàn)有的集中式和分散式學(xué)習(xí)框架雖然能夠在一定程度上提高故障診斷模型的準(zhǔn)確性，但是這些框架都要求數(shù)據(jù)被收集并集中處理，這不僅增加了數(shù)據(jù)泄露的風(fēng)險(xiǎn)，同時(shí)也使得系統(tǒng)在面對(duì)大規(guī)模和高維度數(shù)據(jù)時(shí)難以有效地?cái)U(kuò)展。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明實(shí)施例提供一種基于聯(lián)邦學(xué)習(xí)的電網(wǎng)線(xiàn)路故障巡檢方法、設(shè)備及介質(zhì)，能夠確保數(shù)據(jù)在不離開(kāi)本地環(huán)境的情況下進(jìn)行模型訓(xùn)練，從而有效保護(hù)敏感信息。

2、本發(fā)明第一方面提供了一種基于聯(lián)邦學(xué)習(xí)的電網(wǎng)線(xiàn)路故障巡檢方法，包括以下步驟：

3、各個(gè)客戶(hù)端獲取本地電網(wǎng)線(xiàn)路的運(yùn)行數(shù)據(jù)，作為本地?cái)?shù)據(jù)集；

4、中央服務(wù)器生成初始模型參數(shù)，將初始模型參數(shù)作為第一輪的全局模型參數(shù)；

5、中央服務(wù)器向各個(gè)客戶(hù)端分發(fā)全局模型參數(shù)，各個(gè)客戶(hù)端根據(jù)所述全局模型參數(shù)建立本地模型；

6、各個(gè)客戶(hù)端使用本地?cái)?shù)據(jù)集對(duì)所述本地模型進(jìn)行訓(xùn)練，計(jì)算初始模型參數(shù)在客戶(hù)端本地?cái)?shù)據(jù)集上產(chǎn)生的梯度損失；

7、各個(gè)客戶(hù)端將計(jì)算得到的梯度損失上傳至中央服務(wù)器，中央服務(wù)器對(duì)各個(gè)客戶(hù)端上傳的梯度損失進(jìn)行聚合處理，得到新一輪的全局模型參數(shù)；

8、返回所述中央服務(wù)器向各個(gè)客戶(hù)端分發(fā)全局模型參數(shù)這一步驟；各個(gè)客戶(hù)端重新執(zhí)行所述根據(jù)所述全局模型參數(shù)建立本地模型、使用本地?cái)?shù)據(jù)集對(duì)所述本地模型進(jìn)行訓(xùn)練、計(jì)算初始模型參數(shù)在客戶(hù)端本地?cái)?shù)據(jù)集上產(chǎn)生的梯度損失、計(jì)算得到的梯度損失上傳至中央服務(wù)器的步驟；直至全局模型參數(shù)收斂和/或梯度損失聚合處理次數(shù)達(dá)到預(yù)設(shè)上限值；

9、各個(gè)客戶(hù)端使用最后一次建立的本地模型進(jìn)行電網(wǎng)線(xiàn)路故障巡檢工作。

10、進(jìn)一步地，所述本地電網(wǎng)線(xiàn)路的運(yùn)行數(shù)據(jù)，至少包括傳感器數(shù)據(jù)、電網(wǎng)狀態(tài)數(shù)據(jù)和歷史故障記錄。

11、進(jìn)一步地，所述中央服務(wù)器生成初始模型參數(shù)，具體包括以下步驟：

12、獲取預(yù)設(shè)初始化策略；

13、根據(jù)預(yù)設(shè)初始化策略對(duì)預(yù)設(shè)模型框架 θ進(jìn)行賦值，得到初始模型參數(shù) θ0。

14、進(jìn)一步地，所述中央服務(wù)器向各個(gè)客戶(hù)端分發(fā)全局模型參數(shù)，具體包括以下步驟：

15、建立客戶(hù)端數(shù)據(jù)集；

16、根據(jù)所述客戶(hù)端數(shù)據(jù)集建立每個(gè)客戶(hù)端單獨(dú)的數(shù)據(jù)傳輸通道，同時(shí)復(fù)制出多組分發(fā)給每個(gè)客戶(hù)端的初始模型參數(shù)；

17、通過(guò)所建立數(shù)據(jù)傳輸通道向每個(gè)客戶(hù)端分發(fā)初始模型參數(shù)。

18、進(jìn)一步地，所述各個(gè)客戶(hù)端計(jì)算初始模型參數(shù)在客戶(hù)端本地?cái)?shù)據(jù)集上產(chǎn)生的梯度損失，具體包括以下步驟：

19、對(duì)本地?cái)?shù)據(jù)集進(jìn)行標(biāo)注，使得本地?cái)?shù)據(jù)集中的每個(gè)樣本 x都具有對(duì)應(yīng)的標(biāo)簽 y；

20、使用所述本地?cái)?shù)據(jù)集對(duì)本地模型 θt進(jìn)行參數(shù)估計(jì)，通過(guò)以下公式計(jì)算本地模型 θt的梯度損失：

21、；

22、其中，( x, y)表示本地?cái)?shù)據(jù)集中的單個(gè)樣本， l表示損失函數(shù)，表示單個(gè)樣本在本地模型 θt中關(guān)于損失函數(shù) l所呈現(xiàn)的梯度，表示本地模型 θt的梯度損失。

23、進(jìn)一步地，所述中央服務(wù)器對(duì)各個(gè)客戶(hù)端上傳的梯度損失進(jìn)行聚合處理，具體包括以下步驟：

24、收集每個(gè)客戶(hù)端上傳的梯度損失，建立梯度損失集合；

25、使用以下公式對(duì)每個(gè)客戶(hù)端上傳的梯度損失進(jìn)行加權(quán)平均，得到新一輪的全局模型參數(shù) θt+1：

26、；

27、其中， i表示每個(gè)客戶(hù)端， t表示當(dāng)前輪次， mi表示每個(gè)客戶(hù)端的本地?cái)?shù)據(jù)集樣本數(shù)量，表示每個(gè)客戶(hù)端的梯度損失。

28、進(jìn)一步地，所述全局模型參數(shù)收斂，具體通過(guò)以下公式判斷：

29、；

30、其中，表示學(xué)習(xí)率，當(dāng)學(xué)習(xí)率低于預(yù)設(shè)幅度時(shí)，判斷全局模型參數(shù)已收斂。

31、進(jìn)一步地，所述各個(gè)客戶(hù)端使用最后一次建立的本地模型進(jìn)行電網(wǎng)線(xiàn)路故障巡檢工作，具體包括以下步驟：

32、獲取電網(wǎng)線(xiàn)路實(shí)時(shí)運(yùn)行參數(shù)，對(duì)電網(wǎng)線(xiàn)路實(shí)時(shí)運(yùn)行參數(shù)進(jìn)行數(shù)據(jù)預(yù)處理；

33、將電網(wǎng)線(xiàn)路實(shí)時(shí)運(yùn)行參數(shù)輸入所述最后一次建立的本地模型，獲取所述最后一次建立的本地模型輸出的電網(wǎng)線(xiàn)路故障參數(shù)，具體故障類(lèi)型和故障地點(diǎn)；

34、根據(jù)所輸出電網(wǎng)線(xiàn)路故障參數(shù)，具體故障類(lèi)型和故障地點(diǎn)進(jìn)行故障排查。

35、本發(fā)明第二方面公開(kāi)一種電子設(shè)備，包括處理器以及存儲(chǔ)器；

36、所述存儲(chǔ)器用于存儲(chǔ)程序；

37、所述處理器執(zhí)行所述程序?qū)崿F(xiàn)所述的一種基于聯(lián)邦學(xué)習(xí)的電網(wǎng)線(xiàn)路故障巡檢方法。

38、本發(fā)明第三方面一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)有程序，所述程序被處理器執(zhí)行實(shí)現(xiàn)所述的一種基于聯(lián)邦學(xué)習(xí)的電網(wǎng)線(xiàn)路故障巡檢方法。

39、本發(fā)明實(shí)施例還公開(kāi)了一種計(jì)算機(jī)程序產(chǎn)品或計(jì)算機(jī)程序，該計(jì)算機(jī)程序產(chǎn)品或計(jì)算機(jī)程序包括計(jì)算機(jī)指令，該計(jì)算機(jī)指令存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中。計(jì)算機(jī)設(shè)備的處理器可以從計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)讀取該計(jì)算機(jī)指令，處理器執(zhí)行該計(jì)算機(jī)指令，使得該計(jì)算機(jī)設(shè)備執(zhí)行前面的方法。

40、本發(fā)明的實(shí)施例具有如下方面有益效果：本發(fā)明實(shí)施例提出了一種基于聯(lián)邦學(xué)習(xí)的電網(wǎng)線(xiàn)路故障巡檢方法、設(shè)備及介質(zhì)，能夠確保數(shù)據(jù)在不離開(kāi)本地環(huán)境的情況下進(jìn)行模型訓(xùn)練，從而有效保護(hù)敏感信息。另外，針對(duì)集中式學(xué)習(xí)在處理大規(guī)模數(shù)據(jù)集時(shí)效率低下和資源消耗大的問(wèn)題，本發(fā)明通過(guò)利用各參與方的本地計(jì)算資源，減少了對(duì)中心化計(jì)算能力的依賴(lài)，提高了模型訓(xùn)練的效率。同時(shí)，對(duì)于集中式和分散式學(xué)習(xí)框架在擴(kuò)展性方面的不足，本發(fā)明采用的聯(lián)邦學(xué)習(xí)方法具有更好的可擴(kuò)展性，能夠適應(yīng)不斷增長(zhǎng)的數(shù)據(jù)量和復(fù)雜性，確保系統(tǒng)的穩(wěn)定運(yùn)行。此外，本發(fā)明還致力于改善模型訓(xùn)練的延遲問(wèn)題，特別是在使用隨機(jī)森林和線(xiàn)性回歸模型時(shí)，通過(guò)優(yōu)化算法設(shè)計(jì)，降低訓(xùn)練時(shí)間，提高系統(tǒng)的實(shí)時(shí)響應(yīng)能力。綜上所述，本發(fā)明旨在通過(guò)引入聯(lián)邦學(xué)習(xí)技術(shù)，解決現(xiàn)有電力線(xiàn)故障診斷方法在數(shù)據(jù)隱私保護(hù)、資源效率、可擴(kuò)展性及模型訓(xùn)練延遲等方面的不足。

41、本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述部分中給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。