【技术实现步骤摘要】
本专利技术属于智慧供热，具体涉及一种基于联邦迁移学习的供热管网失水诊断方法。
技术介绍
1、热力管网又称热力管道，从锅炉房、直燃机房、供热中心等出发，从热源通往建筑物热力入口的供热管道。多个供热管道形成管网。城市集中供热管网(district heatsupply network)由城市集中供热热源向热用户输送和分配供热介质的管线系统。热网由输热干线、配热干线、支线等组成。输热干线自热源引出，一般不接支线；配热干线自输热干线或直接从热源接出，通过配热支线向用户供热。一般来说，集中式供热管网可以分为一次网和二次网。供热的一次网是指集中供暖系统总供热源（供热首站或锅炉房）到各个供暖小区热交换站之间的管网。供热的二次网是指供暖小区热交换站到供暖用户楼入口的热水管网。
2、近年来，随着我国经济的快速发展和城镇现代化脚步的加快，作为现代化城市基础建设之一的集中供热系统的普及率也随之升高，供热的规模也越来越大。与此同时，集中供热系统中的失水问题却非常严重。二次网失水也被称作管网泄漏，其会给供热端带来很大的损失。因此，如何准确对二次管网内的失水状况进行诊断，俨然成为研究重点。
3、早期的泄漏诊断方法侧重于基于硬件的泄漏分析，主要通过人工或硬件设备来监测管线的管壁及周边环境参数，从而达到故障诊断的目的。目前学界的研究内容表明，硬件泄漏诊断大多易于实现，但存在造价较高或者信号量大且杂，在大型管网区域定位困难的问题，在大型管网泄漏诊断中更多是作为辅助手段。基于软件的泄漏诊断方法进行管网泄漏诊断通过监控和数据采集系统（supe
4、但是基于深度学习的故障诊断方法在模型训练过程中通常需要大量已知标签样本集。不同供热二次管网会由于供热地区、管网铺设方式、数据采集标准等条件的差异导致已知标签样本数量稀缺，建立的故障诊断模型难以达到理想效果。并且，随着数据安全问题逐渐受到关注，世界各国政府纷纷颁布多条相关法律以加大数据隐私管理力度。二次管网供热数据中也暗藏诸多敏感信息，无论是出于安全方面还是商业竞争方面考虑，相关数据都难以直接进行集中式建模。
5、由上述内容可以得到，目前供热管网的失水诊断问题总结为以下几点：
6、1、传统的失水诊断基于硬件实现，在大规模管网中进行硬件检测不仅经济效益差，且实施难度很高，不具备现实实施可能。
7、2、不同供热二次管网会由条件差异导致已知标签样本数量稀缺，难以建模。且出于安全性考虑，难以对供热数据进行大规模的集中式模型训练。
8、3、由于不同供热系统二次管网供热数据之间差异较大，无法直接聚合多个用户不同规格供热系统二次管网供热数据；而用户仅使用本地孤岛数据直接建模会因已知标签数据较少无法建立有效的失水诊断模型。
技术实现思路
1、本专利技术的目的在于针对上述问题，提出一种基于联邦迁移学习的二次管网失水诊断方法，该方法在解决各供热方“数据孤岛”现象的同时，充分考虑可能出现的弱监督和数据特征重叠少情况，最终结合深度学习算法实现高效准确故障诊断，用以解决现有深度学习方法对于不同供热系统二次管网失水诊断效果不佳的问题。
2、为实现上述目的，本专利技术提供的技术方案如下所述：
3、一种基于联邦迁移学习的供热管网失水诊断方法，
4、步骤1，选取供热管网的供水温度、回水温度、流量过程数据构建各参与方的本地数据集；
5、步骤2，将各参与方的本地数据集转为数据相关性图，以便后续模型训练提取特征；
6、步骤3，各参与方进行失水诊断模型训练，多次迭代得到本地模型参数；步骤4，各参与方将各自的本地模型参数发送至联邦学习中心计算单元；步骤5，联邦学习中心计算单元使用联邦平均算法聚合各参与方上传的参数构建共享模型；
7、步骤6，联邦学习中心计算单元将共享模型参数发送至各参与方；
8、步骤7，各参与方使用本地数据集对共享模型微调，得到适用于用户本地数据集的个性化模型；
9、步骤8，将数据输入训练好的个性化模型中，得到诊断结果。
10、步骤1所述的联邦学习各参与方为需要失水诊断服务的供热方以及其他需要该类服务的主体。
11、步骤2所述的数据转图方法为格拉姆角场法转图，或其他时域频域转图方法；步骤2所述的数据相关性图包括由格拉姆角场法转换或其他各类数据转图方法得到的相关性剖析图以及原数据集简单转图。
12、步骤3所述的失水诊断模型训练算法包括卷积神经网络（cnn）、深度残差网络（rcnn）、残差收缩网络（drsn）。
13、步骤4进行数据交互时，为保证安全性采取措施包括使用隐私保护方法。
14、步骤5所述的联邦学习中心计算单元为云端服务器、权限最高的参与方；步骤5所述的联邦学习算法采用联邦平均算法（fedavg）、联邦梯度聚合算法（fedprox）。
15、步骤7所述的微调方法为用了新的逐层解冻策略的迁移学习。
16、所述的隐私保护方法包括同态加密、安全多方计算、差分隐私方法；所述逐层解冻策略，其策略包括除开全连接层外，将用于迁移学习的共享模型的模型参数从后往前迁移至目标域网络，以此作为目标域网络的初始化参数并使用目标域数据进行新一轮迭代。
17、所述的微调方法包括使用新的逐层解冻策略的迁移学习方法、正常迁移学习以及各类迁移学习策略。
18、所述的一种基于联邦迁移学习的供热管网失水诊断方法，采用平衡热量表来获取过程测量值，所述的平衡热量表内置供回水温度传感器、流量传感器和压力传感器，并具备远程通讯功能。
19、与现有技术相比，本专利技术的有益效果为：
20、1、本专利技术采用基于深度学习的失水诊断方法，无需对供热管道进行大规模改造，进而降低失水诊断成本。
21、2、本专利技术设计的基于联邦学习的二次网失水诊断机制，打破“数据孤岛”壁垒，实现无数据交互的二次网失水协同检测。
22、3、在联邦学习框架内引入迁移学习思路，充分考虑各参与方采集数据的差异性问题，如各方数据样本特征重叠少和部分参与方数据内含数据样本缺少标签等情况，使参与方可以拥有自己的特征空间，而无需强制要求所有参与方都拥有或使用相同特征的数据，实现更适用于现实多个供热企业协同学习的联邦迁移学习框架，提高模型性能。
本文档来自技高网...【技术保护点】
1.一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：
2.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤1所述的联邦学习各参与方为需要失水诊断服务的供热方以及其他需要该类服务的主体。
3.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤2所述的数据转图方法为格拉姆角场法转图，或其他时域频域转图方法；步骤2所述的数据相关性图包括由格拉姆角场法转换或其他各类数据转图方法得到的相关性剖析图以及原数据集简单转图。
4.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤3所述的失水诊断模型训练算法包括卷积神经网络（CNN）、深度残差网络（RCNN）、残差收缩网络（DRSN）。
5.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤4进行数据交互时，为保证安全性采取措施包括使用隐私保护方法。
6.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤5所述的联邦学习中心计算单元为云端服
7.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤7所述的微调方法为用了新的逐层解冻策略的迁移学习。
8.如权利要求5所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：所述的隐私保护方法包括同态加密、安全多方计算、差分隐私方法；所述逐层解冻策略，其策略包括除开全连接层外，将用于迁移学习的共享模型的模型参数从后往前迁移至目标域网络，以此作为目标域网络的初始化参数并使用目标域数据进行新一轮迭代。
9.如权利要求7所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：所述的微调方法包括使用新的逐层解冻策略的迁移学习方法、正常迁移学习以及各类迁移学习策略。
10.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：采用平衡热量表来获取过程测量值，所述的平衡热量表内置供回水温度传感器、流量传感器和压力传感器，并具备远程通讯功能。
...【技术特征摘要】
1.一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：
2.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤1所述的联邦学习各参与方为需要失水诊断服务的供热方以及其他需要该类服务的主体。
3.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤2所述的数据转图方法为格拉姆角场法转图，或其他时域频域转图方法；步骤2所述的数据相关性图包括由格拉姆角场法转换或其他各类数据转图方法得到的相关性剖析图以及原数据集简单转图。
4.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤3所述的失水诊断模型训练算法包括卷积神经网络（cnn）、深度残差网络（rcnn）、残差收缩网络（drsn）。
5.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤4进行数据交互时，为保证安全性采取措施包括使用隐私保护方法。
6.如权利要求1所述的一种基于联邦迁移学习的供热管网失水诊断方法，其特征在于：步骤5所述的联邦学习中心计算...
【专利技术属性】
技术研发人员：丁云，杨利宁，郭军，
申请(专利权)人：杭州云谷科技股份有限公司，
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。