基于联邦学习的云边协同电力缺陷识别方法及相关装置制造方法及图纸

本申请公开了基于联邦学习的云边协同电力缺陷识别方法及相关装置，该方法采用云边协同的思想，通过粗识别，仅上传疑似有的缺陷数据至云侧进行精识别，有效减少了云侧服务器的通信和计算负担。采用联邦学习的思想，对云侧模型、边侧模型开展训练更新，且训练过程在保障了各参与方的样本数据不跨出本地的条件下与其他方共同进行模型训练，使得各方数据得以被安全可靠地利用，并间接克服了单方训练样本不足的问题，从而实现联合多方对云侧、边侧模型的共同优化效果，并最终训练出理想的云侧模型、边侧模型。可见，本申请能有效提高云服务器和边侧设备之间的协同作用，增强云侧模型对各自端侧设备缺陷的识别准确率和泛化能力。自端侧设备缺陷的识别准确率和泛化能力。自端侧设备缺陷的识别准确率和泛化能力。

【技术实现步骤摘要】
基于联邦学习的云边协同电力缺陷识别方法及相关装置


[0001]本申请实施例涉及互联网
，尤其涉及基于联邦学习的云边协同电力缺陷识别方法及相关装置。

技术介绍

[0002]在电网系统的运维过程中，常需要对参与的多方设备数据进行分析和判读，以便提前预防和解决设备异常问题，保障系统正常安全运行。
[0003]例如，目前电网系统的设备缺陷识别主要采用中心化的处理模式，即将各地的巡检设备数据上传到中心服务器，由中心服务器的人工智能算法对各方数据进行统一处理，但这种模式面临着中心节点计算和通信负担重的问题。此外，因为电网行业关系国计民生，电网系统产生的数据保密性要求高，难以进行跨主体数据交换与汇集，导致不同电网公司的数据无法进行直接交换和汇集，而单方的缺陷数据样本有限，进而使得单方训练的模型识别效果较差。
[0004]针对于此，相关技术并未提供有效的解决方案。

技术实现思路

[0005]本申请实施例提供了基于联邦学习的云边协同电力缺陷识别方法及相关装置，用于提高电力数据在模型中的被应用水平和模型识别效果。
[0006]本申请实施例第一方面提供一种基于联邦学习的云边协同电力缺陷识别方法，应用于参与的各云服务器，包括：
[0007]使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练；所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到，边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；
[0008]将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧模型的聚合模型的更新参数，其中，所述云侧或边侧模型的聚合模型指整合各参与方的云侧或边侧模型所得到的全局模型；
[0009]将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧、边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；
[0010]将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。
[0011]本申请实施例第二方面提供一种基于联邦学习的云边协同电力缺陷识别方法，应用于参数服务器，包括：
[0012]向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；
[0013]聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据各方的样本数据、新预设模型参数对各自最新的云侧模型做下一轮模型训练；所述云侧聚合模型指整合各云侧模型所得到的全局模型；
[0014]对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。
[0015]本申请实施例第三方面提供一种基于联邦学习的云边协同电力缺陷识别方法，包括：
[0016]将端侧设备采集到的数据输入对应的目标模型，以输出所述端侧设备所含的缺陷信息；
[0017]其中，所述目标模型通过第一方面或第二方面所述的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。
[0018]本申请实施例第四方面提供一种云服务器，包括：第一处理单元和第一发送单元；
[0019]所述第一处理单元用于，使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型模型分别进行若干轮本地模型训练，所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到；边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；
[0020]所述第一发送单元用于，将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧聚合模型的更新参数，其中，所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；
[0021]所述第一处理单元还用于，将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧或边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；
[0022]所述第一处理单元还用于，将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。
[0023]本申请实施例第五方面提供一种参数服务器，包括：第二处理单元和第二发送单元；
[0024]所述第二发送单元用于，向参与的各云服务器发送预设模型参数，所述预设模型
参数用于配置各所述云服务器存有的云侧或边侧模型；
[0025]所述第二处理单元用于，聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据样本数据、新预设模型参数对各自最新的云侧模或边侧型做下一轮模型训练；所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；
[0026]所述第二处理单元还用于，对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧或边侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。
[0027]本申请实施例第六方面提供一种识别设备，包括：输入单元；
[0028]所述输入单元用于，将端侧设备采集到的数据输入对应的目标模型，以得到所述端侧设备采集的电力数据中所含的设备缺陷信息；
[0029]其中，所述目标模型通过第一方面或第二方面所述的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。
[003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云边协同电力缺陷识别方法，其特征在于，应用于参与的各云服务器，包括：使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练；所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到，边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧模型的聚合模型的更新参数，其中，所述云侧或边侧模型的聚合模型指整合各参与方的云侧或边侧模型所得到的全局模型；将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧、边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。2.根据权利要求1所述的方法，其特征在于，所述样本数据的初筛处理过程包括：使用边侧模型对所述端侧设备采集到的初始样本数据进行初筛识别，以筛选出当中置信度高于预设置信度的缺陷数据供云侧模型做精筛；其中，所述初筛识别的过程由存于边缘计算平台的边侧模型实施，所述边缘计算平台与所述云服务器、所述端侧设备通信连接。3.根据权利要求1所述的方法，其特征在于，所述样本数据的精筛处理过程包括：使用各所述云侧模型对各自边侧模型初筛出的样本数据进行精筛，并将其中精细识别出的置信度低于预设置信度的缺陷数据用于模型训练。4.一种基于联邦学习的云边协同电力缺陷识别方法，其特征在于，应用于参数服务器，包括：向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据各方的样本数据、新预设模型参数对各自最新的云侧模型做下一轮模型训练；所述云侧聚合模型指整合各云侧模型所得到的全局模型；对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。5.根据权利要求4所述的方法，其特征在于，若由边侧计算平台自行训练边侧模型，而非接收云服务器训练好并下发的边侧模型，则将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型之前，所述方法还包括：
向各所述云服务器对应的边侧计算平台发送预设模型参数，所述预设模型参数用于配置各所述边侧计算平台存有的边侧模型；所述边侧模型用于对各自所述端侧设备采集到的初始样本数据进行初筛识别，以得到初筛出的样本数据传给相应的所述云侧模型进行精细识别和模型训练；聚合各所述边侧模型依据初始样本数据训练得的边侧模型更新参数，得到作为新预设模型参数的边侧聚合模型的更新参数发送给各所述边侧计算平台，使得各边侧计算平台依据各方的初始样本数据、新预设模型参数对各自最新的边侧计算平台做下一轮模型训练；所述边侧聚合模型指整合各边侧模型所得到的全局模型；对于下一轮模型...

【专利技术属性】
技术研发人员：丁宁，李南，张晓光，李韵，王润宇，金慧媛，王颂，张贵峰，刘旭，杨宇轩，张爱东，
申请(专利权)人：香港中文大学深圳，
类型：发明
国别省市：