基于联邦学习的变电站多场景巡检分析方法技术

本发明专利技术公开了一种基于联邦学习的变电站多场景巡检分析方法，包括下述步骤：数据获取，半监督数据标注，数据对齐，主服务器分发公钥给各巡检站，各巡检站构建本地模型，各巡检站上传加密模型梯度信息，主服务器计算巡检站模型梯度信息，主服务器使用数据分布动态加权法返回巡检站模型更新参数，各巡检站使用主服务器返回参数更新模型参数，各巡检站共享中间结果，协助彼此计算模型参数，得到联邦学习后的模型，将实时拍摄图像数据输入联邦学习后的模型进行预测，得到实际应用场景预测结果，对增量数据进行训练更新模型。本发明专利技术在各个部署网点数据不交换的前提下进行模型之间的协作训练，使得模型在不同电网部署场景具有泛化性。使得模型在不同电网部署场景具有泛化性。使得模型在不同电网部署场景具有泛化性。

【技术实现步骤摘要】
基于联邦学习的变电站多场景巡检分析方法


[0001]本专利技术涉及一种基于联邦学习的变电站多场景巡检分析方法，属于变电站巡检数据处理


技术介绍

[0002]输电、变电、配电设备运维业务是保证电网稳定的核心环节，需确保电网长期、高效地运行，及时发现并检测电网中设备的缺陷以及可能影响正常输电的异物尤为重要。
[0003]近年来，随着深度学习的成果不断涌现，国内外研究人员提出一些基于卷积神经网络进行缺陷检测或异物识别的方法，并在一些该领域内现有数据集上取得了较为优异的表现。虽然卷积神经网络在图像识别领域效果显著，甚至在数据充足的情况下已超过人类识别的准确率，然而当数据集规模较小时，卷积神经网络通常会出现严重的过拟合现象，从而无法应对现实生活中复杂的场景。
[0004]而由于电力设备本身故障少，收集到的数据中发生缺陷的样本和正常的样本数量严重不均衡，从而使得简单的卷积神经网络难以应对；此外，由于不同部署场景收集的数据有所不同，因此如何在多方场景多方数据的情况下进行协同学习也显得尤为重要。
[0005]联邦学习本质上是一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的变电站多场景巡检分析方法，其特征在于，步骤如下：步骤S1：数据获取：使用巡检系统采集数据，巡检系统分别部署在不同的地理场景中去获取图像；步骤S2：半监督数据标注：人工标注部分数据的标签，剩余数据采用小样本深度学习模型进行数据标注，小样本深度学习模型包括FasterRCNN主分支、多尺度正样本细化分支和fixmatch多尺度细化分支，当FasterRCNN主分支、多尺度正样本细化分支训练无法达到用户满意的效果时，开启fixmatch多尺度细化分支进行半监督循环训练；步骤S3：数据对齐：采用基于加密传输的数据样本对齐技术，确认不同场景中的共有数据，一遍遍联合数据特征进行建模；步骤 S4：主服务器分发公钥给各巡检站：在巡检系统中会设置一个主服务器用来协调各巡检站的数据以及模型信息，主服务器生成公钥，并通过加密算法 加密后分发给各巡检站；步骤S5：各巡检站构建本地模型：根据任务需要，各巡检站在本地构建相同的本地模型，使用相同初始化；使用数据对齐后的数据在本地模型进行训练；步骤S6：各巡检站上传加密模型梯度信息：各巡检站的本地模型在本地训练时需要将模型梯度信息上传到主服务器，通过加密算法对模型梯度信息进行加密，然后使用公钥将加密后的模型梯度信息上传到主服务器上，然后主服务器使用解密算法将各巡检站上传的加密模型梯度信息进行解密；步骤S7：主服务器计算巡检站模型梯度信息：主服务器根据各巡检站提交的模型梯度信息计算各巡检站更新模型所必须的计算结果，并对各个巡检站的更新权重进行分配；分配原则使用数据分布动态加权法；步骤S8：主服务器使用数据分布动态加权法返回巡检站模型更新参数；步骤S9：各巡检站使用主服务器返回参数更新模型参数：根据主服务器分配的权重结果，通过加密传输到各巡检站，各巡检站根据分配的权重及加权后的模型梯度信息更新本地模型参数；步骤S10：各巡检站共享中间结果，协助彼此计算模型参数：各巡检站根据本地数据训练的中间模型参数进行加密传输，加密方式使用加密算法处理，彼此通过共享中间参数，来互相更新模型；步骤S11：得到联邦学习后的模型：在更新完参数后，主服务器以及各巡检站对模型参数进行共享，从而得到一个包含对所有类型数据都有充分训练的模型；步骤S12：将实时拍摄图像数据输入联邦学习后的模型进行预测，得到实际应用场景预测结果；步骤S13：对增量数据按照步骤S2
‑
S11进行训练更新模型。2.根据权利要求1所述的一种基于联邦学习的变电站多场景巡检分析方法，其特征在于，FasterRCNN主分支包括FPN网络Ⅰ、RPN网络和ROI分类回归网络，多尺度正样本细化分支包括FPN网络Ⅱ，FasterRCNN主分支和多尺度正样本细化分支的训练流程为：S2
‑
11.输入标注的原始图像，从原始图像中剪裁出正样本目标，对剪裁的正样本目标进行多尺度缩放，得到多尺度正样本图像，形成多尺度图像金字塔，作为多尺度正样本细化分支的输入；
S2
‑
12.原始图像通过FPN网络Ⅰ后获得原始图像特征，多尺度正样本图像通过FPN网络Ⅱ后获得图像特征；S2
‑
13. FasterRCNN主分支中的原始图像特征通过RPN网络得到ROI后进入ROI分类回归网络获得最终的预测结果，同时计算出RPN背景分类损失，RPN 边框回归损失、ROI类别分类损失、ROI 边框回归损失，对FasterRCNN主分支进行更新优化；S2
‑
14. 多尺度正样本细化分支的图像特征为正样本图像特征，仅需计算ROI的类别分类损失和背景分类损失，背景分类损失合并到主分支的RPN背景分类损失中，类别分类损失合并到FasterRCNN主分支的ROI类别分类损失中，对小样本深度学习模型进行迭代更新。3.根据权利要求2所述的一种基于联邦学习的变电站多场景巡检分析方法，其特征在于，fixmatch多尺度细化分支包括FPN网络Ⅲ，半监督循环训练的具体流程为：S2
‑
21.使用FasterRCNN主分支和多尺度正样本细化分支组成的模型对所有未标注的图像进行预测，挑选出置信度在阈值以上的预测框作为图像的标注，并使用挑选的标注进行FasterRCNN主分支和多尺度正样本细化分支的优化与更新；S2
‑
22.在fixmatch多尺度细化分支的训练时，将输入的多尺度正样本图像分别进行强增强和弱增强，以得到的强...

【专利技术属性】
技术研发人员：辛建波，徐波，李帆，华栋，刘穗生，刘奕清，林谋，
申请(专利权)人：国家电网有限公司国网江西省电力有限公司超高压分公司广东珺桦能源科技有限公司，
类型：发明
国别省市：