【技术实现步骤摘要】
一种面向抽水蓄能电站智能巡检的联邦学习隐私保护方法
[0001]本专利技术属于抽水蓄能电站领域和联邦学习
，具体而言，尤其涉及一种面向抽水蓄能电站智能巡检的联邦学习隐私保护方法。
技术介绍
[0002]随着科学技术及信息化建设的不断发展，抽水蓄能电站的智能化建设已经成为必然的趋势。比如，基于移动终端、遥控无人机等的智能化巡检技术被广泛应用，以此代替了传统的人工巡检方法，避免了人工现场作业带来的不确定性，同时减少人工成本，极大提高运维效率。但是，这类巡检技术需将巡检数据传回到电站内的数据中心，进行统一的数据分析处理，以进一步判断设备的故障问题及安全运行状态，使得巡检数据的实时性分析诊断无法得到保证，并且单体设备的智能化程度也不高。此外，巡检数据传回到数据中心的过程中，很容易被攻击者获取进行篡改或者进行其他的操作，影响到电站的安全运行。机器学习在一定的程度上可以自主学习分析巡检数据，但它依赖于巡检设备提供的巡检数据进行集中式的学习，设备数据的隐私安全不能得到保证。而联邦学习作为一种分布式的机器学习，不仅可以实现单体设备的智...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种面向抽水蓄能电站智能巡检的联邦学习隐私保护方法，其特征在于：所述方法包括如下步骤：S1：对参与联邦学习的设备本地训练得到的模型参数，使用基于阈值自适应的参数压缩方法进行压缩，选出与服务器通信的设备；S2：对步骤S1中与服务器通信的设备上传的本地模型参数增量，先使用基于多密钥RNS
‑
CKKS的加密方法进行加密，再上传给服务器；S3：服务器聚合步骤S2中设备上传的本地模型参数增量的密文得到全局模型参数增量的密文，并使用基于秘密共享的解密方法联合在线设备解密密文得到全局模型参数增量，传回给设备；S4：设备利用步骤S3中的全局模型参数增量恢复全局模型参数；S5：重复S1
‑
S4步骤，直到达到目标。2.根据权利要求1所述的面向抽水蓄能电站智能巡检的联邦学习隐私保护方法，其特征在于：所述步骤S1具体包括如下步骤：S101：阈值的求解假设联邦学习的参与者是设备集M与一个服务器，将设备集M分为“懒惰”设备集M
L
和“勤奋”设备集M
H
两类，其中：“懒惰”设备指的是每次全局迭代中不与服务器通信的设备，即可以忽略的设备；“勤奋”设备指的是每次全局迭代中与服务器通信的设备；设第t次迭代中服务器的全局模型参数用W
(t)
表示，每一个设备本地更新的模型参数用表示，服务器更新的全局模型参数用W
(t+1)
表示，设备集的大小|M|＝|M
L
|+|M
H
|，设备m的样本数为n
m
，所有设备的总样本数为n，阈值的求解过程如下：第t次全局迭代更新的全局模型参数增量为：“懒惰”设备集M
L
的本地更新的增量满足式(2)：由式(2)得到：由于M
L
集合的大小总是事先无法获取，所以，令|M
L
|＝β|M|，而ΔW
(t+1)
＝W
(t+1)
‑
W
(t)
只有在下一次迭代时才能获得，所以将W
(t+1)
‑
W
(t)
近似为其中：ξ
d
，D是系数；
故因此，阈值为：S102：选择符合条件的设备设备本地训练模型得到本地模型参数，并计算其本地模型参数增量ΔW
m(t)
，将其的二范数值与S101中求得的阈值η
m
进行比较；如果大于等于阈值，则此设备将与服务器进行通信；否则不与服务器通信，并将其本地模型参数增量在本地累加。3.根据权利要求1所述的面向抽水蓄能电站智能巡检的联邦学习隐私保护方法，其特征在于：所述步骤S2具体包括如下步骤：S201：加密过程(1)参数设置，Setup(q,η,1
λ
)：设λ为安全参数，N是RLWE的维数(R＝Z[x]/(x
N
+1))，L为计算电路的最大深度，固定的整数基为q，RNS的基为B＝{q0,q1,
……
q
L
}，使其满足(q
j
之间互素，并且与q是近似相同的)，令密文模数为之间互素，并且与q是近似相同的)，令密文模数为R上的密钥分布是χ
s
，误差分布是χ
e
，随机分布χ
r
，随机抽样a
←
R
Q
，其中：RNS表示为[a]
B
＝(a
(0)
,a
(1)
,
……
a
(L)
)，返回公共参pp＝(N,Q,χ
s
,χ
e
,χ
r
,[a]
B
技术研发人员：宗悦，吴月超，李得第，罗远林，郑波，徐涵，邹雯，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：
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。