一种基于联邦学习的配电站故障预测方法技术

本发明专利技术提供一种基于联邦学习的配电站故障预测方法，涉及数据识别技术、电力系统及其自动化领域，解决了不同类型的配电站故障预测参数不共享、参数异构等问题，包括S1、故障预测数据预处理；S2、基于空洞卷积、图注意力网络和长短期记忆网络，建立本地模型；S3、服务器端采用联邦学习模型实现联合训练。该种基于联邦学习的配电站故障预测方法，通过在保护各个参与方的隐私基础上，采用多尺度融合数据特征，在非结构化数据上采用图注意力网络进行特征提取，建立本地模型，有效的解决了不同类型的配电站故障预测参数不共享、参数异构等问题。参数异构等问题。参数异构等问题。

【技术实现步骤摘要】
一种基于联邦学习的配电站故障预测方法


[0001]本专利技术涉及数据识别技术、电力系统及其自动化
，具体为一种基于联邦学习的配电站故障预测方法。

技术介绍

[0002]配电站，将电输送到企业用电设备或家庭用户的站点，位于电网的末端，是放射型网络上的一个点，上连变电站，下连企业用电设备或家庭用户。随着国家经济发展和技术进步，配电站的数量迅速扩张，与此同时配电站的容量变大和功能趋于复杂化。因为一些不可避免的因素，配电站在自动运行状态中，或多或少会出现异常状态。配电站故障引起的电力系统故障，在整个工业事故中所占比例较高，无论哪种规模的配电站一旦发生事故，都会造成一定的经济损失，严重的可能导致人员伤亡，所以对配电站故障的预测工作十分重要。
[0003]按照德国Frank教授的理论，故障预测的方法分为三种：基于模型的方法、基于信号处理的方法和基于数据挖掘的方法。基于模型的方法，在理论上是精度最高的，但模型的方法只适用于单一类型的电子元件，如电阻丝等；基于信号处理的方法，通常利用信号模型，如相关函数、频谱、小波变换等，仅考虑了电力信息忽视了电器元件带来的故障。现有的故障预测都是基于自动化设备进行的，如专利号为20130416182.6公开了一种配电网通信终端预测系统，其利用馈线监控单元自动预测故障点并进行自愈；专利申请号为201510676144.3公开了一种10KV电缆网馈线的配电站故障自动预测系统，其在“主干配”配电站的分支线上配置成套开关柜式的智能分界断路器，从而实现自动隔离保护作用；专利申请号为201710663038.0公开了一种配电站故障自动预测系统，解决了现有技术中配电站故障自动预测系统，利用故障预测模块实时对配电站进行故障排查，并利用故障定位模块快速对排查的故障区域建立拓扑关系，迅速锁定故障点。
[0004]现有的故障预测方法都需要获取原始数据，不符合当今社会对用户的隐私保护，因为有的企业配有自己的配电箱，企业用户的用电数据隐私内容，在当下不宜随意公开。大数据时代，数据是一种宝贵的财富，同时随着各国的立法明确，任何组织和个人都不得私自收集用户的隐私数据。因此现有的故障预测都是基于设备而不是基于数据，针对于数据的故障预测专利目前仅有专利号为202011612201.9号提出一种基于LSTM神经网络的智能变电站故障预测方法，但是此方法单纯针对时间序列的电力数据起到较好的效果，未曾考虑到其他硬件设备随时间老化出现问题等方面。因此将现有的配电站故障预测存在的不足之处总结如下：
[0005]问题1：传统的故障预测基于原始数据出现异常进行判断，在数据时代各个企业或者小区都不愿意将自己的数据泄露出去，对于某些竞争激烈的行业，企业生产信息要做好保护。
[0006]问题2：现有的基于数据的故障预测，仅考虑与时序相关的信息，未涉及到相关设备问题带来的配电站故障，考虑的问题不够全面。在故障预测的问题上，不仅仅要考虑数据异常产生的故障，同时还需要考虑设备异常产生的故障。
[0007]针对以上两个问题，本专利技术专利提出了一种基于联邦学习的配电站故障预测算法。
[0008]对于问题1，利用联邦学习技术，以各个配电站为客户端，在以各个客户端本地建立模型，采用改进的联邦平均算法，来联合建立模型。在处理本地数据类别不平衡时采用ADASYN算法，解决本地数据类别不平衡问题。为解决不同客户端直接存在不同的数据类别不平衡，本专利技术专利将联邦平均聚合算法进行改进。
[0009]服务器端类别估计算法，解决不同客户端可能存在数据类别不平衡。无论参与的配电站是大还是小，其参与数据类型均一致，电网24小时运行，其数据量理论上也是一致的，因此在解决类别不平衡的基础上，使用联邦平均算法效果较好，联邦学习算法模型图，如说明书附图中的图1所示；
[0010]对于问题2在解决问题1的基础上，利用空洞卷积，增加感受野，获取更多的数据。利用图注意力网络，处理非线性的数据，加上注意力机制提取时间度相关性较高的信息。将图注意力机制的输出特征向量，输入到LSTM网络，最后采用MLP来输出LSTM网络，至此建立本地网络模型。
[0011]为解决上述两个问题，最终本专利技术专利提出了一种基于联邦学习的配电站故障预测算法。

技术实现思路

[0012]本专利技术专利基于联邦学习算法、空洞卷积和图注意力网络，提出一种基于联邦学习的配电站故障预测算法，用于解决不同类型的配电站故障预测参数不共享、参数异构等问题。本专利技术提供了如下的技术方案：
[0013]本专利技术一种基于联邦学习的配电站故障预测方法，包括如下步骤：
[0014]S1、故障预测数据预处理，利用历史数据来进行时间序列的建模，再通过建立的模型来预测未来12小时内可能存在的故障问题，具体步骤如下：
[0015]S1
‑
1、以每个配电站为客户端，进行数据收集，并将获得的数据进行制作数据集，之后将数据集分为训练集D1、测试集D2和验证集D3三个组成部分；
[0016]S1
‑
2、通过采用深度学习算法进行配电站故障预测，根据获取到的配电站的相关特征参数，并将其映射为向量的形式；
[0017]S1
‑
3、数据样本不平衡处理，采用ADASYN算法根据数据样本分布自适应生成少数类新样本；
[0018]S1
‑
4、对于收集的数据采用最大值最小值标准化，将数据映射到[0，1]之间，标准化函数为：式中x
t
是t时刻的收集到的配电站的相关特征参数，x
max
是收集到的样本参数中的最大值，x
min
是是收集到的样本参数中的最小值，是t时刻收集到的配电站的相关特征参数标准化结果；
[0019]S2、基于空洞卷积和图注意力网络，建立本地模型，将图注意力机制处理过后的特征参数，输入到LSTM网络，进行时间序列的特征提取，以提高配电站故障预测的时长，最后利用将LSTM的输出至全连接层，建立联邦学习的本地模型，具体步骤如下：
[0020]S2
‑
1、通过使用空洞率，来调整空洞卷积的视野大小；
[0021]S2
‑
2、采用图注意力机制，通过结合注意力机制与图卷积网络，在更新图节点特征表示的过程中关注到邻居节点对其的影响度，其中图注意力机制网络通过堆叠图注意力层来构造；
[0022]S2
‑
3、将图注意力机制处理之后的时序特征向量输入到LSTM网络，基于时序的配电站特征参数需要充分利用时间和其他参数之间的相关性；
[0023]S2
‑
4、在LSTM网络的输出处，采用一个全连接层，来将输出的信息利用支持向量机来实现，支持向量机为简单的输入层、隐藏层和输出层三层结构，其中输入为LSTM的输出，隐藏层为100个神经元，输出的大小同输入，最终MLP的输出层为本地模型输出，至此本地模型建立完成定义为w
locals
；
[0024]S3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配电站故障预测方法，其特征在于，包括如下步骤：S1、故障预测数据预处理，利用历史数据来进行时间序列的建模，再通过建立的模型来预测未来12小时内可能存在的故障问题，具体步骤如下：S1
‑
1、以每个配电站为客户端，进行数据收集，并将获得的数据进行制作数据集，之后将数据集分为训练集D1、测试集D2和验证集D3三个组成部分；S1
‑
2、通过采用深度学习算法进行配电站故障预测，根据获取到的配电站的相关特征参数，并将其映射为向量的形式；S1
‑
3、数据样本不平衡处理，采用ADASYN算法根据数据样本分布自适应生成少数类新样本；S1
‑
4、对于收集的数据采用最大值最小值标准化，将数据映射到[0，1]之间，标准化函数为：式中x
t
是t时刻的收集到的配电站的相关特征参数，x
max
是收集到的样本参数中的最大值，x
min
是是收集到的样本参数中的最小值，是t时刻收集到的配电站的相关特征参数标准化结果；S2、基于空洞卷积和图注意力网络，建立本地模型，将图注意力机制处理过后的特征参数，输入到LSTM网络，进行时间序列的特征提取，以提高配电站故障预测的时长，最后利用将LSTM的输出至全连接层，建立联邦学习的本地模型，具体步骤如下：S2
‑
1、通过使用空洞率，来调整空洞卷积的视野大小；S2
‑
2、采用图注意力机制，通过结合注意力机制与图卷积网络，在更新图节点特征表示的过程中关注到邻居节点对其的影响度，其中图注意力机制网络通过堆叠图注意力层来构造；S2
‑
3、将图注意力机制处理之后的时序特征向量输入到LSTM网络，基于时序的配电站特征参数需要充分利用时间和其他参数之间的相关性；S2
‑
4、在LSTM网络的输出处，采用一个全连接层，来将输出的信息利用支持向量机来实现，支持向量机为简单的输入层、隐藏层和输出层三层结构，其中输入为LSTM的输出，隐藏层为100个神经元，输出的大小同输入，最终MLP的输出层为本地模型输出，至此本地模型建立完成定义为w
locals
；S3、服务器端进行联合训练模型，实现在不侵犯各个配电站数据的情况下，根据各个本地模型建立的聚合模型，来进行配电站故障预测，具体步骤如下：S3
‑
1、建立在线抽样方法，使得每一轮通信中选取相应的设备组合后可使全局模型的各类别测试性能趋于平衡，之后设计设备子集的选择算法，通过充分利用设备组合后的数据，充分发挥联邦学习中客户端配电站数据的价值，通过上述的过程更新局部模型参数之后，上传到终端服务器中，进行聚合生成全局模型；S3
‑
2、服务器端类别估计算法，类别估计方案只需基于设备更新后传回的模型，以及全局服务器上少量的辅助数据集，同时训练过程中不同类别的训练数据量与相应类别上模型参数梯度更新的欧式范数的平方具有近似的比例关系，表述为公式式中L表示分类的损失函数，为梯度计算符号，||
·
||2表示范数计算，m
s
和m
l
分别表示训练集D1中第s和l类的样本数量，其中s≠l∈[C]，C表示客户端全部数据样本类别，E
s
(
·
)表示对第
s类数据的期望运算符，E
l
(
·
)表示对第l类数据的期望运算符；S3
‑
3、在联邦学习中类别不平衡的场景下，由于每一轮通信中设备子集的选取有组合性，设备选择算法基于类别估计方案，利用每轮通信中聚合后的全局模型以及当前设备上数据类别分布的统计信息，选取与全局模型各类别测试性能偏移程度最互补的设备组合；S3
‑
4、采用均方误差作损失函数作为指标，来确定联合建模的预测准确性。2.根据权利要求1所述的一种基于联邦学习的配电站故障预测方法，其特征在于，所述S1
‑
1中，配电站按照功率大小分为民用配电站和企业配电站，所述民用配电站在数据采集过程中，以每个配电站为客户端，每10分...

【专利技术属性】
技术研发人员：杨平化，
申请(专利权)人：南京富尔登科技发展有限公司，
类型：发明
国别省市：