一种基于联邦学习的电力通信网络故障预警方法技术

本发明专利技术公开了一种基于联邦学习的电力通信网络故障预警方法，包括以下步骤：以分布式计算方案在电力通信网络各个通信节点搜集并保存数据；基于联邦学习方法，在本地通信节点以传统方法和网络通信训练局部预测模型，在本地通信节点以传统方法和网络通信训练全局预测模型；局部预测模型和全局预测模型通过滑动平均得到真实预测模型；根据真实预测模型以及当前通信节点的真实运行数据对通信节点运行状态进行预测。状态进行预测。状态进行预测。

【技术实现步骤摘要】
一种基于联邦学习的电力通信网络故障预警方法


[0001]本专利技术涉及一种基于联邦学习的电力通信网络故障预警方法，属于设备故障预警


技术介绍

[0002]作为现代电力网络的重要基础设施之一，电力通信网络不仅需要辅助电力网络进行自动的设备管理，还需要将各种设备以及传感器的监控信号通过网络进行专属。包括设备运转状态、网络拓扑以及传感器告警信号在内的各种数据直接地反映了整个电力网络设备的运行情况和潜在风险。因此，电力通信网络已经逐渐演变为电网正常运行的一个关键环节。能够实时准确的对电力通信网上各节点的通信状态进行监控并评估其稳定性本身也变得非常重要。传统的故障预测算法通常是通过运行的历史数据以机器学习的方案实现对可能故障的预测。传统的通信电力网络故障预警机制通常于服务器端集中运行，通过网络收集各通信节点上的历史操作数据以及各种设备传感数据，通过模型学习对可能发生的故障进行预警。这种方案的缺陷在于传输样本所需的通信贷款占用较高，且对全网缺陷进行定位和预测复杂度更高，导致需要的模型复杂度更高。
[0003]由于通信电力网络以多节点网络模式分布式运行，且每个节点上出现故障的机会并不频繁，总体数据呈现偏向性高，结构复杂等特征，对其进行故障预测仍具有一定挑战性。传统方案通常采用的架构为基于网络通信从各节点搜集数据至中央服务器，在该服务器上通过对全网数据的学习实现故障的预测和定位。这种方案带来的问题在于，首先由于大量节点上搜集到的数据需要传输至服务器进行处理，额外增加了网络通信的开销；其次由于全网各节点面临的不同情况所产生的数据需要在服务器上进行统一学习，增加了对于网络故障定位与预测问题学习的复杂度，对模型能力的要求更高。以上问题限制了电力通信网络故障预测方法在实际运用中的预测性能和学习效率。

技术实现思路

[0004]本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于联邦学习的电力通信网络故障预警方法，将原本需要在中央服务器上进行的模型训练和模型推理，可基于分布式存在的运行数据以极小的通信开销实现模型训练，以分布的方式运行于各网络节点上。网络节点和中央服务器之间由原来的传输大量高维样本数据转变为仅需传输极少量的低维模型参数信息，通过双模型同步的方法降低系统复杂度，极大的提升了整个故障预测系统的通信效率、降低了模型复杂度，实现快速高效的网络故障预警和定位。
[0005]为达到上述目的，本专利技术提供一种基于联邦学习的电力通信网络故障预警方法，包括以下步骤：
[0006]以分布式计算方案在电力通信网络各个通信节点搜集并保存数据；
[0007]基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型；
[0008]局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型；
[0009]根据真实局部故障预测模型以及当前通信节点的真实运行数据对通信节点运行状态进行预测。优先地，以分布式计算方案在电力通信网络各个节点搜集并保存数据，包括以下步骤：
[0010]采用联邦学习的框架于各类通信节点上独立学习预测模型，设置各类不同级别的通信节点的对应设备，各通信节点之间以相应的拓扑结构组成电力通信网络；
[0011]在拓扑结构中，在各通信节点上分布式搜集本地通信节点通信状态以及本地通信节点对应设备的运行状态，直接对本地通信节点通信状态以及本地通信节点对应设备的运行状态进行预处理，预处理包括数据清洗、数据拉直以及中心化，并学习故障预测模型；
[0012]各通信节点上的数据和相邻通信节点间通信的状态数据，作为可学习特征输入故障预测模型；各通信节点上的数据和相邻通信节点间通信的状态数据在输入故障预测模型前经过数据清洗、数据拉直以及中心化的处理。
[0013]优先地，基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型，包括以下步骤：
[0014]基于联邦学习方法对全网共享的全局预测模型进行学习，给定电力通信网络上总共有K个节点，在每一轮全局预测模型学习时，以C为比例更新对应通信节点上的全局预测模型，则全局预测模型的学习和更新总结为如下目标函数：
[0015][0016][0017]式中，ω为全局预测模型的可学习参数，ω为一个d维向量；表示d维实数空间；F
k
(
·
)即当前第k个通信节点上待学习的预测模型函数，也被称之为局部预测模型；I
k
为当前第k个通信节点上的训练样本集合，|I
k
|为当前第k个通信节点上对应的样本个数，n为总样本个数；l(
·
)为在当前样本输入x
i
下实际输出和已标记监督信息之间y
i
的损失函数，表示第k个通信节点未来是否发生故障；
[0018]在联邦学习方法的框架下，对于公式(1)的优化分为两个阶段，第一阶段在各通信节点上使用随机梯度下降方法优化全局预测模型，给定当前通信节点的训练样本集合I
k
＝{(x
i
，y
i
)|i∈|I
k
|}，对该训练样本集合本地迭代E轮，每轮随机抽样个数为b批次样本，基于随机梯度下降方法更新全局预测模型如下：
[0019][0020]公式(2)更新了可学习参数ω，η为步长超参数，为由当前损失函数计算得到的梯度；在得到所有的局部预测模型以后，第二步将多个通信节点上优化得到的局部预测模型传输回参数服务器进行平均，得到该轮最终的全局预测模型并分发，具体公式如下：
[0021][0022]其中t为全局迭代轮数，ω
t+1
表示全局预测模型，即公式(2)中的对ω进行迭代学习的结果，表示第k个通信节点上经过t+1轮迭代后的局部预测模型。
[0023]优先地，根据局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型，包括以下步骤：
[0024]在公式(3)迭代得到全局预测模型的基础上，在模型分发时不选择直接用全局预测模型覆盖真实局部故障预测模型，而是采用指数滑动平均的方式将真实局部故障预测模型更新，公式如下：
[0025]ω
←
αω+(1
‑
α)ω
g
ꢀꢀꢀ
(8)
[0026]式中ω
g
为公式(3)中得到的全局预测模型，α为指数滑动平均的更新常数，ω为最终的真实局部故障预测模型。
[0027]优先地，步骤4，根据真实局部故障预测模型以及当前通信节点真实运行数据对通信节点运行状态进行预测，包括以下步骤：
[0028]在得到电力通信网络中每个通信节点对应的真实局部故障预测模型以后，则在电力通信网络运行时对通信节点运行状态进行实时预测。
[0029]优先地，数据包括节点通信状态和对应设备运行状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的电力通信网络故障预警方法，其特征在于，包括以下步骤：以分布式计算方案在电力通信网络各个通信节点搜集并保存数据；基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型；局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型；根据真实局部故障预测模型以及当前通信节点的真实运行数据对通信节点运行状态进行预测。2.根据权利要求1所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，以分布式计算方案在电力通信网络各个节点搜集并保存数据，包括以下步骤：采用联邦学习的框架于各类通信节点上独立学习预测模型，设置各类不同级别的通信节点的对应设备，各通信节点之间以相应的拓扑结构组成电力通信网络；在拓扑结构中，在各通信节点上分布式搜集本地通信节点通信状态以及本地通信节点对应设备的运行状态，直接对本地通信节点通信状态以及本地通信节点对应设备的运行状态进行预处理，预处理包括数据清洗、数据拉直以及中心化，并学习故障预测模型；各通信节点上的数据和相邻通信节点间通信的状态数据，作为可学习特征输入故障预测模型；各通信节点上的数据和相邻通信节点间通信的状态数据在输入故障预测模型前经过数据清洗、数据拉直以及中心化的处理。3.根据权利要求1所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型，包括以下步骤：基于联邦学习方法对全网共享的全局预测模型进行学习，给定电力通信网络上总共有K个节点，在每一轮全局预测模型学习时，以C为比例更新对应通信节点上的全局预测模型，则全局预测模型的学习和更新总结为如下目标函数：则全局预测模型的学习和更新总结为如下目标函数：式中，w为全局预测模型的可学习参数，w为一个d维向量；表示d维实数空间；F
k
(
·
)即当前第k个通信节点上待学习的预测模型函数，也被称之为局部预测模型；I
k
为当前第k个通信节点上的训练样本集合，|I
k
|为当前第k个通信节点上对应的样本个数，n为总样本个数；l(
·
)为在当前样本输入x
i
下实际输出和已标记监督信息之间y
i
的损失函数，表示第k个通信节点未来是否发生故障；在联邦学习方法的框架下，对于公式(1)的优化分为两个阶段，第一阶段在各通信节点上使用随机梯度下降方法优化全局预测模型，给定当前通信节点的训练样本集合I
k
＝{(x
i
，y<...

【专利技术属性】
技术研发人员：吴海洋，陈鹏，顾彬，李伟，戴勇，蒋春霞，
申请(专利权)人：国网江苏省电力公司信息通信分公司，
类型：发明
国别省市：