基于联邦学习的输电线路故障辨识方法技术

本发明专利技术涉及一种基于联邦学习的输电线路故障辨识方法

【技术实现步骤摘要】
基于联邦学习的输电线路故障辨识方法、装置和电子设备


[0001]本专利技术涉及输电线路故障辨识
，特别涉及一种基于联邦学习的输电线路故障辨识方法
、
装置和电子设备
。

技术介绍

[0002]输电线路的安全可靠运行是确保电网稳定运行的重要条件
。
但是由于输电线路分布范围广，跨区域面积大，线路结构复杂，运行环境多变，易受恶劣自然环境影响，因此其在运行过程中容易发生各种类型的故障
。
因此针对上述输电线路发生故障的情况，如何快速准确地辨识出故障原因和故障类型，对指导保护和安全自动装置快速切除故障，后续恢复电力供应，保障电网的供电可靠性具有重要意义
。
[0003]现有的输电线路故障辨识研究，通常会对采集到的故障电压
、
电流数据进行信号分解，以提取故障波形的特征来辨识故障
。
但是传统的信号分析方法在辨识故障时分类速度慢
、
辨识准确度易受输电线路运行参数以及运行方式的影响，因此在早期的应用中并不广泛<br/>。
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输电线路故障辨识方法，其特征在于，包括构建本地输电线路故障辨识模型的步骤，所述本地输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出；所述构建本地输电线路故障辨识模型的步骤包括：
S1
，获取多个地区的输电线路故障数据；
S2
，在每一地区，基于所获取的输电线路故障数据构建相应地区的本地故障样本集，并且在获取本地故障样本集的过程中，对少数类故障样本采用
Smote
过采样处理；
S3
，在每一地区，基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练；
S4
，各个本地原始辨识模型每一轮训练好的本地训练模型参数传送至基于联邦学习的中央服务器，中央服务器对接收到的各个本地原始辨识模型的每一轮本地训练模型参数进行基于联邦学习的中央聚合，以生成用于相应地区下一轮训练的中央聚合后参数，并且将生成的中央聚合后参数下发至相应地区的本地原始辨识模型，使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练；
S5
，将本地原始辨识模型训练至收敛，获得最终的本地输电线路故障辨识模型
。2.
根据权利要求1所述的基于联邦学习的输电线路故障辨识方法，其特征在于，在所述步骤
S4
中还包括本地模型准确率校验步骤：将本地原始辨识模型新一轮的训练结果与上一轮的训练结果进行准备率比较，若新一轮训练结果的准确率高于上一轮训练结果的准确率，则允许本地原始辨识模型继续采用中央服务器新下发的中央聚合后参数，反之，则拒绝继续使用中央服务器新下发的中央聚合后参数
。3.
根据权利要求2所述的基于联邦学习的输电线路故障辨识方法，其特征在于，在拒绝继续使用中央服务器新下发的中央聚合后参数的情况下，使用中央服务器上一轮下发的中央聚合后参数继续进行训练
。4.
根据权利要求1所述的基于联邦学习的输电线路故障辨识方法，其特征在于，基于各地区的故障样本数以及本地原始辨识模型的损失函数获取本地训练模型参数的参数权重；在所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的步骤中，中央服务器基于与每一本地原始辨识模型相对应的参数权重对各个本地原始辨识模型当前一轮的本地训练模型参数进行中央聚合
。5.
根据权利要求4所述的基于联邦学习的输电线路故障辨识方法，其特征在于，所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的公式为：其中，
ω
t,k
为本地原始辨识模型第
t
轮的本地训练模型参数，
ω
t+1,k
为第
t
次更新后的中央聚合后参数，
a
k
为第
k
个参与方的参数权重，
N
代表地区数量，
k
代表对应的地区参与方，即相应地区参与联邦学习的本地模型；所述参数权重为根据相应地区的样本数和本地原始辨识模型的损失函计算获得，其计算公式为：
其中，
n
k
为第
k
个参与方拥有的样本数，
N
代表地区数量，
F
k
(
ω
)

【专利技术属性】
技术研发人员：王建，林丰恺，张博，吴昊，欧阳金鑫，
申请(专利权)人：重庆大学，
类型：发明
国别省市：