【技术实现步骤摘要】
一种在智能电厂中基于联邦学习提升火灾检测效果的方法
本专利技术属于工业物联网提升联邦学习训练
,特别涉及一种在一种在智能电厂中基于联邦学习提升火灾检测效果的方法。
技术介绍
随着社会对清洁能源需求的不断增加,清洁能源的产业不断扩大,清洁能源特别是光伏产业规模在近年得到迅速增长。一些负责分布式新能源项目的投资、建设和运营工作的公司管理着多个分布式光伏电站,分布在国家的各个角落。公司建设有生产运营中心,对所有的分布式电站进行集中运行管理。同时光伏发电系统主要由光伏组件、控制器、逆变器、蓄电池及其他配件组成。随着光伏电站运行时间的增加,配件和线路逐渐老化,光伏板上热斑产生的概率不断增加。这不仅会降低光伏电站的发电效率,也可能导致火灾,带来巨大的经济损失。由于每个电厂都有各自数据,电厂之间的数据往往都各自存储,各自定义。每个电厂的数据就像一个个孤岛一样无法(或者极其困难)和其他电厂数据进行连接互动。我们把这样的情况称为数据孤岛。简单说就是数据间缺乏关联性,数据库彼此无法兼容。在这种情况下,可以使多个智能电厂基于联邦学习进行火灾检测,并采用异步联邦学习框架对训练效果进行优化。尽管目前可以通过使用数字孪生体(Digitaltwins,DTs)来提高智能电厂中物理设备信息的实时性和可靠性。然而,DTs是由数据驱动的,其决策必定会需要各种设备上的大量数据去支持。在现实中,由于竞争、隐私以及安全的问题,几乎不可能将分散在各个设备上的数据进行集中。因此,在智能电厂中,存在有着隐私保护,成本价格和数据安全等等问题。< ...
【技术保护点】
1.一种在智能电厂中基于联邦学习提升火灾检测效果的方法,其特征在于,包括以下步骤:/n步骤1,在给定资源预算的时变通信环境中得到局部更新和全局参数聚合,建立聚合频率问题模型,对其进行简化;/n步骤2,通过使用深度强化学习来解决本地频率更新的问题,DT通过与环境交互学习模型;将优化后的问题制定为MDP模型,其中包括系统状态S(t),动作空间A(t),策略P,奖励函数R和下一状态S(t+1);/n步骤3,基于DQN的聚合频率优化算法解决MDP问题;/n步骤4,基于DQN的异步联邦学习,通过聚类对具有不同计算能力的节点进行分类,并为每个聚类配置相应的管理者,使每个聚类能够以不同的本地聚合频率自主训练;对于集群,通过基于DQN的自适应聚合频率校准算法获得聚合频率。/n
【技术特征摘要】
1.一种在智能电厂中基于联邦学习提升火灾检测效果的方法,其特征在于,包括以下步骤:
步骤1,在给定资源预算的时变通信环境中得到局部更新和全局参数聚合,建立聚合频率问题模型,对其进行简化;
步骤2,通过使用深度强化学习来解决本地频率更新的问题,DT通过与环境交互学习模型;将优化后的问题制定为MDP模型,其中包括系统状态S(t),动作空间A(t),策略P,奖励函数R和下一状态S(t+1);
步骤3,基于DQN的聚合频率优化算法解决MDP问题;
步骤4,基于DQN的异步联邦学习,通过聚类对具有不同计算能力的节点进行分类,并为每个聚类配置相应的管理者,使每个聚类能够以不同的本地聚合频率自主训练;对于集群,通过基于DQN的自适应聚合频率校准算法获得聚合频率。
2.根据权利要求1所述的一种在智能电厂中基于联邦学习提升火灾检测效果的方法,其特征在于,步骤1具体包括:
聚合频率问题P1表述为:
其中wk表示第k个全局聚合之后的全局参数,F(wk)是第k次全局聚合后的损失值,{a0,a1,...,ak}是一组本地更新频率的策略,ai指示第i次全局更新所需的本地更新数量;条件(1a)表示现有资源的既定预算,β表示整个学习过程中资源消耗率的上限;通过信任聚合来校准由于DT在节点计算能力中的映射偏差而导致的计算能耗Ecmp的偏差;
经过k轮全局聚合,简化P1和长期资源预算约束,训练的损失值写为:
其中最优训练结果就是:
基于Lyapunov优化,将长期资源预算划分为每个时隙的可用资源预算,通过建立动态资源短缺队列,实现了P1的简化;资源短缺队列的长度被定义为所使用的资源和可用资源之间的差异;资源总量的限制是Rm,第k次聚合中可用的资源是βRm/k;资源短缺队列的表示如下:
Q(i+1)=max{Q(i)+(aiEcmp+Ecom)-βRm/k,0}(4)
其中,(aiEcmp+Ecom)-βRm/k是第k个聚合中资源的偏差;从而,原始问题P1转化为以下问题P2:
其中v和Q(i)是与性能提升难度和资源消耗队列有关的权重参数,v随着训练回合的增加而增加。
3.根据权利要求2所述的一种在智能电厂中基于联邦学习提升火灾检测效果的方法,其特征在于,公式(1)和条件(1a)中,损失值F(wk)和计算能耗Ecmp分别包含训练状态和计算能力f(i),由DT对其进行估计,确保能够掌握整个联邦学习的关键状态。
4.根据权利要求1所述的一种在智能电厂中基于联邦学习提升火灾...
【专利技术属性】
技术研发人员:杨端,许晓伟,韩志英,孙曼,雷施雨,张翰轩,
申请(专利权)人:西安君能清洁能源有限公司,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。