一种全景感知电力系统下的电能质量扰动分类方法技术方案

本发明专利技术在复杂多样的电力系统的实际场景下，为解决电能质量扰动分类中单一数据集的数据不充分问题和多源数据带来的数据异构和隐私性问题，提出了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

【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私有数据训练全局模型，极大地缓解了数据异构带来的模型泛化能力差
、
鲁棒性差的问题，并使各方获得符合自身需求的分类模型
。
继承私有模型保留了所有历史个性化模型中的知识，用于监督下一轮本地模型的个性化，解决了经典联邦学习中导致性能不佳的知识遗忘问题，可以进一步提高分类模型的收敛速度和精度
。

技术实现思路

[0004]本专利技术以联邦学习为理论基础，在复杂多样的电力系统的实际场景下，为解决电能质量扰动分类中单一数据集的数据不充分问题以及多源数据带来的数据异构和隐私性问题，提出了一种全景感知电力系统下的电能质量扰动分类方法
。
该方法以联邦个性化学习为框架，在互不侵犯隐私的条件下实现多个参与方协同构建扰动数据分类模型，同时使用继承私有模型聚合历史训练中所有个性化模型，在下一轮模型更新时进行知识迁移，在模型初步收敛后停止历史模型的继承
。
此外，加入了矩阵自适应估计
(Adaptive Moment Estimation,Adam)
算法更有效地优化目标函数同时生成联邦通信的参数，由于
Adam
算法融合了二阶梯度的混合运算，因此在通信中难以通过梯度反演攻击获得隐私数据，能够有效地保护隐私安全
。
[0005]本专利技术的目的是这样实现的：
[0006]一种全景感知电力系统下的电能质量扰动分类方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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
。
[0013]上述的一种全景感知电力系统下的电能质量扰动分类方法，所述步骤
a
包含以下步骤：
[0014]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；
[0015]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
。
[0016]上述的一种全景感知电力系统下的电能质量扰动分类方法，所述步骤
b
包含以下步骤：
[0017]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
组数据中抽取
360
组作为本地测试集，剩下
1440
组作为训练集；
[0018]步骤
b2、
参与方将划分好的训练数据从一维向量转为二维张量，即将
784
个采样点的一维数据折叠为
28
×
28
的二维数据，以符合网络输入尺寸；
[0019]步骤
b3、
参与方将处理完毕的数据集按照批大小为
128
的尺寸进行打包，为数据输入做准备；
[0020]步骤
b4、
构建适合各参与方训练数据尺寸的初始
CNN
模型，具体结构为：输入层
→
卷积层
‑1→
ReLU
激活函数
→
最大池化层
‑1→
卷积层
‑2→
ReLU
激活函数
→
最大池化层
‑2→本文档来自技高网...

【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：