【技术实现步骤摘要】
一种全景感知电力系统下的电能质量扰动分类方法
[0001]本专利技术一种全景感知电力系统下的电能质量扰动分类方法涉及联邦学习
、
电能质量扰动分类
。
技术介绍
[0002]深度学习的优势需要建立在大量的数据基础之上,在实际中往往无法提供足够的数据对模型进行训练,导致模型的性能不能达到理想的效果
。
在大数据的时代下,现代社会正在逐渐意识到数据所有权的重要性,随着隐私安全相关法律的健全,电能数据成为各方的合法隐私,进而形成“数据孤岛”,因此通过收集各方数据来扩大训练数据集就变得十分困难
。“联邦学习”(Federated Learning,FL)
正是在这种背景下提出和发展的,它能使各参与方无需共享数据资源,即在数据不出本地的情况下进行联合训练,建立共享模型,以隐私安全的方式有效地解决了数据孤岛问题,加速了大数据时代下深度学习技术在各行各业的应用落地
。
[0003]另一方面,在真实场景中,由于电力系统的多样
、
电器设备的稳定性不一
、
电能信号采集节点不同等原因,使得电能质量检测的各方数据相互异构,严重影响联邦学习网络模型的性能
。
因此将继承私有模型
(Inherited Private Models,HPM)
与个性化联邦学习
(Personal Federated Learning,PFL)
引入并结合
。
个性化联邦学习允许参与方用 ...
【技术保护点】
【技术特征摘要】
1.
一种全景感知电力系统下的电能质量扰动分类方法,其特征在于,包括以下步骤:步骤
a、
根据电能质量标准建立电能质量扰动信号数学模型,生成常见的电能质量扰动信号数据;步骤
b、
对步骤
a
生成的电能质量扰动信号数据进行预处理,划分为全局测试数据集
、
本地训练数据集和本地测试数据集;步骤
c、
中央服务器构建初始卷积神经网络分类模型,并下发给每个参与方;步骤
d、
所述参与方将本地训练数据输入分类模型进行个性化,同时将包含历史所有个性化模型知识的
HPM
用于监督模型更新,协同输出分类结果;每轮训练结束后,输出的个性化模型会与
HPM
进行聚合生成新的
HPM
,为监督下一下轮训练做准备;步骤
e、
各参与方将本地测试数据输入训练结束的个性化模型,根据标签计算得到本地测试准确率和混淆矩阵,并绘制本地测试准确率关于训练轮数的收敛曲线;步骤
f、
中央服务器将各参与方的模型参数进行加权平均,获得聚合的全局模型,输入全局测试数据计算得到全局测试准确率和混淆矩阵;计算结束后将聚合的全局模型下发至各参与方,重复步骤
c
到步骤
f
,直至达到最大训练轮数
。2.
根据权利要求1所述的一种全景感知电力系统下的电能质量扰动分类方法,其特征在于,所述步骤
a
包含以下步骤:步骤
a1、
在全景感知电力系统下的电能质量扰动分类方法中一共包含5个参与方,所生成的电能质量扰动数据一共包含八类扰动,分别是正常信号
、
电压瞬升
、
电压瞬降
、
谐波
、
电压闪变
、
电压中断
、
暂态脉冲和振荡暂态,根据
IEEE Std.1159
电能质量标准建立每一种信号的数学模型;步骤
a2、
使用
MATLAB
对建立的电能质量扰动信号模型进行仿真,共生成
10000
组数据,每组信号长度为
784
,每类信号数据量相同
。3.
根据权利要求2所述的一种全景感知电力系统下的电能质量扰动分类方法,其特征在于,所述步骤
b
包含以下步骤:步骤
b1、
将生成的
10000
组电能质量扰动信号数据随机打乱,每类中抽取相同数量的数据共
1000
组构成全局测试集分配给中央服务器,余下
9000
组数据每类均分为五份分配给个参与方作为本地数据,各参与方再从分得的
1800
组数据中...
【专利技术属性】
技术研发人员:李琮琮,朱红霞,荆臻,张志,曹彤,赵曦,王清,王平欣,冯彦翔,
申请(专利权)人:哈尔滨理工大学,
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。