基于联邦学习的智慧供热异常工况识别方法及系统技术方案

本发明专利技术公开了基于联邦学习的智慧供热异常工况识别方法及系统，包括：获取目标地区供热管网的历史供热数据，利用聚类算法对预处理后的历史供热数据进行处理，获取异常工况数据；利用自编码器网络获取潜在特征分布生成重构数据，通过对抗训练对异常工况数据进行数据增强输出异常工况数据集；利用联邦学习及模型选择获取异常工况识别模型；提取当前时间戳供热管网的多维供热数据作为模型输入，识别当前时间戳的供热异常工况，并进行供热异常工况的定位

【技术实现步骤摘要】
基于联邦学习的智慧供热异常工况识别方法及系统


[0001]本专利技术涉及智慧供热
，更具体的，涉及一种基于联邦学习的智慧供热异常工况识别方法及系统
。

技术介绍

[0002]随着经济快速发展
、
人民生活水平不断提高，城市集中供热系统快速发展，智慧供热的建设通过对供热参数的全面信息化采集，对数据的多维统计分析，实现系统优化运行，提高系统输送能力
。
智慧供热系统具有可监测
、
可调节
、
可计量及可预测等功能，保障系统绿色
、
安全
、
经济
、
高效运行
。
通过采集智慧供热系统的数据信息获得海量运行数据，借助海量数据，可更加全面了解供热系统运行状态，实现智能化
、
智慧化运行调控
。
那么对采集数据的准确
、
可靠的辨识，对设备的运行状态或供热系统异常工况的诊断
。
[0003]供热系统的异常工况诊断是智慧供热系统安全稳定运行的关键
。
长期以来供热系统异常工况诊断受到缺乏数据信息
、
系统状态感知不清及诊断精度低等问题的影响，当发生异常工况时，由于诊断系统长期依赖人工经验，需要专家现场实地调查诊断，不仅消耗人力物力，也导致存在维修效率低
、
响应时间较长
、
诊断深度不够等问题
。
依赖人工经验的诊断系统无法在短时间总结足够的同类异常工况，会出现异常工况的误判和漏判
。
因此，如何筛选诊断特征，利用诊断特征对供热异常工况进行精确辨识是亟需解决的问题
。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种基于联邦学习的智慧供热异常工况识别方法及系统
。
[0005]本专利技术第一方面提供了一种基于联邦学习的智慧供热异常工况识别方法，包括：获取目标地区供热管网的历史供热数据，将所述历史供热数据进行预处理，利用聚类算法对预处理后的历史供热数据进行处理，获取历史供热数据中的异常工况数据；将所述异常工况数据利用自编码器网络获取潜在特征分布，根据所述潜在特征分布生成重构数据，对所述重构数据进行对抗训练判断重构数据与异常工况数据的偏差，根据偏差输出异常工况数据集；利用联邦学习基于所述异常工况数据集训练局部异常检测模型，根据局部异常检测模型的误差获取全局异常检测模型的误差，并通过模型选择获取异常工况识别模型；提取当前时间戳供热管网的多维供热数据，将所述多维供热数据作为所述异常工况识别模型的模型输入，识别当前时间戳的供热异常工况，并进行供热异常工况的定位
。
[0006]本方案中，利用聚类算法对预处理后的历史供热数据进行处理，获取历史供热数据中的异常工况数据，具体为：根据预处理后的历史供热数据提取一次侧供水温度与压力数据及二次侧供水温度与压力数据，利用提取的数据以目标区域内的供热站为单位进行划分生成训练集及测试集；
在所述训练集中对训练样本进行聚类处理，预设参数初始值，随机选取供热站数据利用所述参数初始值进行聚类，判断轮廓系数是否满足预设标准；当满足时，则输出当前供热站数据的聚类结果，当不满足时，则重新设置参数初始值，再次进行聚类，直到所述轮廓系数满足预设标准；遍历所有热力站数据后获取各热力站的聚类结果，根据所述聚类结果对比不同类簇的数据量大小，通过对比结果获取异常工况数据集；利用大数据方法获取供热异常工况的异常特征，计算所述异常特征与所述异常工况数据集的曼哈顿距离，将异常工况数据集匹配距离最小的异常特征，为所述异常工况数据集设置异常工况类别标签
。
[0007]本方案中，将所述异常工况数据利用自编码器网络获取潜在特征分布，根据所述潜在特征分布生成重构数据，具体为：获取异常工况数据集中带标签的异常工况数据进行归一化处理，将归一化处理后的数利用编码器进行编码学习，提取异常工况数据的平均均值及平均方差获取异常工况数据对应的潜在特征；在所述潜在特征中进行采样获取潜在特征分布，将所述潜在特征分布保存至隐藏层中作为隐藏层特征，通过逐层训练获取特征重构误差，利用所述重构误差进行反向传播，对自编码器网络参数进行优化；根据自编码器网络获取异常工况数据重构后的数据样本，对所述数据样本进行特征校正，校正特征空间中与主特征样本偏差过大的数据样本点，获取最终的重构数据
。
[0008]本方案中，对所述重构数据进行对抗训练判断重构数据与异常工况数据的偏差，根据偏差输出异常工况数据，具体为：引入生成对抗网络，将所述自编码器网络作为生成器网络，利用所述生成器获取与异常工况数据潜在特征分布相同的重构数据，将所述重构数据输入生成对抗网络的判别器网络；获取输入的重构数据与不同类别标签的异常工况数据的特征协方差矩阵，通过判别器网络基于所述特征协方差矩阵进行判断，读取重构数据与异常工况数据的偏差信息；根据所述偏差信息对生成器网络及判别器网络进行交替训练，直到判别器网络无法区分重构网络与异常工况数据，通过训练后的生成对抗网络生成大量带标签的且与异常工况数据对应潜在特征分布相同的异常工况数据集
。
[0009]本方案中，利用联邦学习基于所述异常工况数据集训练局部异常检测模型，根据局部异常检测模型的误差获取全局异常检测模型的误差，并通过模型选择获取异常工况识别模型，具体为：通过生成对抗网络构建局部异常检测模型，并根据联邦学习基于所述异常工况数据集对所述局部异常检测模型进行训练，在局部异常检测模型中获取输入数据与重构数据的偏差程度；预设偏差程度阈值，当所述偏差程度小于所述偏差程度阈值时，则判定输入数据为异常数据，获取局部检测模型的误差，并根据局部检测模型的误差进行聚合平均获取全局异常检测模型误差；根据局部检测模型的误差筛选小于全局异常检测模型误差的局部检测模型，并进
行标记，根据误差获取标记后局部检测模型的评分信息，利用评分信息选取预设数量的局部异常检测模型进行聚合；上传聚合模型的模型参数进行压缩，进行全局异常检测模型的参数更新，通过迭代后获取最优模型参数，输出异常工况识别模型
。
[0010]本方案中，将所述多维供热数据作为所述异常工况识别模型的模型输入，识别当前时间戳的供热异常工况，并进行供热异常工况的定位，具体为：获取目标地区当前时间戳不同供热站的多维供热数据构建多维供热序列，将所述多维供热序列导入异常工况识别模型，判断多维供热数据的重构数据与原始多维供热数据的偏差程度是否小于预设偏差程度阈值；当小于时，则证明当前时间戳的多维供热序列为异常工况数据，并将多维供热序列导入全连接层中，计算供热异常工况所属类别的概率，将概率最大的类别标签作为供热异常工况的所属类别；根据多维供热序列对应的供热异常工况所属类别提取所涉及的供热设备，根据所述供热设备进行粗定位，提取所涉及供热设备正常状态下的工况特征，获取多维供热序列与所述工况特征的偏差；根据所述偏差获取所涉及供热设备的权重信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于联邦学习的智慧供热异常工况识别方法，其特征在于，包括以下步骤：获取目标地区供热管网的历史供热数据，将所述历史供热数据进行预处理，利用聚类算法对预处理后的历史供热数据进行处理，获取历史供热数据中的异常工况数据；将所述异常工况数据利用自编码器网络获取潜在特征分布，根据所述潜在特征分布生成重构数据，对所述重构数据进行对抗训练判断重构数据与异常工况数据的偏差，根据偏差输出异常工况数据集；利用联邦学习基于所述异常工况数据集训练局部异常检测模型，根据局部异常检测模型的误差获取全局异常检测模型的误差，并通过模型选择获取异常工况识别模型；提取当前时间戳供热管网的多维供热数据，将所述多维供热数据作为所述异常工况识别模型的模型输入，识别当前时间戳的供热异常工况，并进行供热异常工况的定位
。2.
根据权利要求1所述的一种基于联邦学习的智慧供热异常工况识别方法，其特征在于，利用聚类算法对预处理后的历史供热数据进行处理，获取历史供热数据中的异常工况数据，具体为：根据预处理后的历史供热数据提取一次侧供水温度与压力数据及二次侧供水温度与压力数据，利用提取的数据以目标区域内的供热站为单位进行划分生成训练集及测试集；在所述训练集中对训练样本进行聚类处理，预设参数初始值，随机选取供热站数据利用所述参数初始值进行聚类，判断轮廓系数是否满足预设标准；当满足时，则输出当前供热站数据的聚类结果，当不满足时，则重新设置参数初始值，再次进行聚类，直到所述轮廓系数满足预设标准；遍历所有热力站数据后获取各热力站的聚类结果，根据所述聚类结果对比不同类簇的数据量大小，通过对比结果获取异常工况数据集；利用大数据方法获取供热异常工况的异常特征，计算所述异常特征与所述异常工况数据集的曼哈顿距离，将异常工况数据集匹配距离最小的异常特征，为所述异常工况数据集设置异常工况类别标签
。3.
根据权利要求1所述的一种基于联邦学习的智慧供热异常工况识别方法，其特征在于，将所述异常工况数据利用自编码器网络获取潜在特征分布，根据所述潜在特征分布生成重构数据，具体为：获取异常工况数据集中带标签的异常工况数据进行归一化处理，将归一化处理后的数利用编码器进行编码学习，提取异常工况数据的平均均值及平均方差获取异常工况数据对应的潜在特征；在所述潜在特征中进行采样获取潜在特征分布，将所述潜在特征分布保存至隐藏层中作为隐藏层特征，通过逐层训练获取特征重构误差，利用所述重构误差进行反向传播，对自编码器网络参数进行优化；根据自编码器网络获取异常工况数据重构后的数据样本，对所述数据样本进行特征校正，校正特征空间中与主特征样本偏差过大的数据样本点，获取最终的重构数据
。4.
根据权利要求1所述的一种基于联邦学习的智慧供热异常工况识别方法，其特征在于，对所述重构数据进行对抗训练判断重构数据与异常工况数据的偏差，根据偏差输出异常工况数据，具体为：引入生成对抗网络，将所述自编码器网络作为生成器网络，利用所述生成器获取与异
常工况数据潜在特征分布相同的重构数据，将所述重构数据输入生成对抗网络的判别器网络；获取输入的重构数据与不同类别标签的异常工况数据的特征协方差矩阵，通过判别器网络基于所述特征协方差矩阵进行判断，读取重构数据与异常工况数据的偏差信息；根据所述偏差信息对生成器网络及判别器网络进行交替训练，直到判别器网络无法区分重构网络与异常工况数据，通过训练后的生成对抗网络生成大量带标签的且与异常工况数据对应潜在特征分布相同的异常工况数据集
。5.
根据权利要求1所述的一种基于联邦学习的智慧供热异常工况识别方法，其特征在于，利用联邦学习基于所述异常工况数据集训练局部异常检测模型，根据局部异常检测模型的误差获取全局异常检测模型的误差，并通过模型选择获取异常工况识别模型，具体为：通过生成对抗网络构建局部异常检测模型，并根据联邦学习基于所述异常工况数据集对所述局部异常检测模型进行训练，在局部异常检测模型中获取输入数据与重构数据的偏差程度；预设偏差程度阈值，当所述偏差程度小于所述偏差程度阈值时，则判定输入数据为异常数据，获取局部检测模型的误差，并根据局部检测模型的误差进行聚合平均获取全局异常检测模型误差；根据局部检测模型的误差筛选小于全局异常检测模型误差的局部检测模型，并进行标记，根据误差获取标记后局部检测模型的评分信息，利用评分信息选取预设数量的局部异常检测模型进行聚合；上传聚合模型的模型参数进行压缩，进行全局异常检测模型的参数更新，通过迭代后获取最优模型参数，输出异常工况识别模型
。6.
根据权利要求1所述的一种基于联邦学习的智慧供热异常工况识别方法，其...

【专利技术属性】
技术研发人员：李其奇，王鑫鑫，张伟，李鹏，谢励人，安志鹏，陈朋，
申请(专利权)人：北明天时能源科技北京有限公司，
类型：发明
国别省市：