【技术实现步骤摘要】
本专利技术属于电力数据处理，涉及一种基于信用卡声誉更新机制的电力数据异常检测方法及系统。
技术介绍
1、电力数据是反映电网运行状态和用户用电行为的重要信息，对电力数据进行异常检测可以及时发现故障、窃电、欺诈等问题，保障电网安全和经济效益。然而，由于电力数据往往分布在不同的设备节点上，如智能电表、变压器、配电箱等，这些设备节点之间可能存在网络延迟、带宽限制、计算能力不足等问题，导致传统的中心化异常检测方法难以实现。因此，如何在多设备上实现分布式的电力数据异常检测模型共建是一个亟待解决的技术问题。
2、联邦学习是一种分布式机器学习框架，它允许多个设备节点在不共享原始数据的情况下协同训练一个全局模型。联邦学习可以有效地解决多设备间数据隐私保护和通信效率问题。然而，联邦学习也面临着一些挑战，如设备节点可能存在恶意行为、不诚实行为、自私行为等，这些行为会影响模型共建过程中的合作效果和模型质量。因此，如何在联邦学习中引入合适的激励机制来促进设备节点之间的公平合作是一个重要的研究方向。
3、专利公开号cn116049662a提...
【技术保护点】
1.一种基于信用卡声誉更新机制的电力数据异常检测方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于信用卡声誉更新机制的电力数据异常检测方法，其特征在于，所述步骤S3中，在每个设备节点上使用预处理后电力数据对接收到的全局异常检测模型参数进行本地训练，得到本地异常检测模型参数，并计算本地异常检测模型参数的更新量；通过计算损失函数对本地异常检测模型参数求导，得到梯度值，并根据梯度值更新本地异常检测模型参数；本地异常检测模型参数的更新量就是本地训练前后本地异常检测模型参数之差。
3.根据权利要求1所述的基于信用卡声誉更新机制的电力数据异常检测方...
【技术特征摘要】
1.一种基于信用卡声誉更新机制的电力数据异常检测方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于信用卡声誉更新机制的电力数据异常检测方法，其特征在于，所述步骤s3中，在每个设备节点上使用预处理后电力数据对接收到的全局异常检测模型参数进行本地训练，得到本地异常检测模型参数，并计算本地异常检测模型参数的更新量；通过计算损失函数对本地异常检测模型参数求导，得到梯度值，并根据梯度值更新本地异常检测模型参数；本地异常检测模型参数的更新量就是本地训练前后本地异常检测模型参数之差。
3.根据权利要求1所述的基于信用卡声誉更新机制的电力数据异常检测方法，其特征在于，所述步骤s4中，在每个设备节点上根据自身的声誉值和其他设备节点的声誉值以及设置的选取率决定是否上传本地异常检测模型参数的更新量给中心服务器。
4.根据权利要求1所述的基于信用卡声誉更新机制的电力数据异常检测方法，其特征在于，使用基于自编码器的异常检测模型作为全局异常检测模型，基于自编码器的异常检测模型由一个编码器和一个解码器组成，编码器将预处理后的电力数据映射为一个低维的隐含向量，解码器将隐含向量还原为重构后电力数据。
5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员：肖勇才，李腾，邓仙庆，程宇，黄勇军，朱敬彬，
申请(专利权)人：国网江西省电力有限公司电力科学研究院，
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。