本发明专利技术公开了一种基于联邦拆分学习的变压器故障诊断方法，包括以下步骤：1）采集变压器运行的历史数据，包括正常数据和故障数据；将采集的数据分为训练集和验证集；2）利用训练集训练变压器故障诊断模型，变压器故障诊断模型为神经网络模型；3）使用训练好的模型进行变压器故障诊断。本发明专利技术基于拆分学习的变压器故障诊断方法，故障诊断模型的部分训练在边缘设备的本地进行，不会暴露在网络中，避免了数据的泄露，保护用户隐私。
【技术实现步骤摘要】
本专利技术涉及故障诊断技术，尤其涉及一种基于联邦拆分学习的变压器故障诊断方法、装置及设备。
技术介绍
1、随着智能制造的发展，自建数据中心处理厂区的数据已成为趋势，但是自建数据中心在技术难度和费用方面都相对较高。在降本增效的大前提下，多厂区联合共建数据中心，成为一种相对节省成本的方案。但是随之而来的是在远程传输数据时安全的隐患问题。
2、变压器故障诊断是厂区常用的诊断对象，由于变压器数量较多，运行时间长，累计数据量多，模型训练时间长，在联合共建数据中心进行模型训练和诊断时，工业企业应高度重视数据信息安全，采取必要的措施加强系统防护，以确保数据的机密性、完整性和可用性。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于联邦拆分学习的变压器故障诊断方法、装置及设备。
2、本专利技术解决其技术问题所采用的技术方案是：一种基于联邦拆分学习的变压器故障诊断方法，包括以下步骤：
3、1）采集变压器运行的历史数据，包括正常数据和故障数据；将采集的数据分为训练集和验证集；
4、2）利用训练集训练变压器故障诊断模型，所述变压器故障诊断模型为神经网络模型，具体如下：
5、2.1）根据待训练的变压器故障诊断模型,确定模型的网络结构和损失函数，初始化参数；
6、确定模型的总体结构共计n层，取模型首h层、尾t层放置在边缘设备中计算，剩余n-h-t层模型作为共享模型，放置在共建数据中心中进行计算；
7、确定模型的损失函数；初始化模型所有层的权重参数；
8、2.2）选择设备中b个本地变压器历史数据输入模型，根据当前权重进行前向传播，将第h层模型输出结果传输给共建数据中心中的共享模型中继续进行前向传播，将共享模型得到的第n-t层模型的输出传输给边缘设备中的第n-t+1层模型中继续进行前向传播，将模型第n层的结果输入损失函数计算第e次模型迭代的损失；
9、若e>s，则判断模型的损失是否在最近s次迭代中下降了，即，如果下降，那么进入步骤2.3）继续训练模型，若没有下降则该边缘设备停止训练；
10、其中，s为设定的参数更新迭代次数；
11、2.3）反向传播更新模型的权重参数；
12、2.3.1）将边缘设备中计算的尾层梯度传输给共享模型；
13、2.3.2）将共享模型计算的梯度传输给首层梯度更新权重；
14、2.3.3）反向传播后使用梯度下降法更新每层模型的权重；
15、2.4）从共建数据中心中获取当前共享模型的权重，与边缘设备中的权重按顺序组合成为适用于该设备数据的变压器故障诊断模型；
16、3）使用训练好的模型进行变压器故障诊断。
17、按上述方案，所述步骤2.1）中利用正态随机数初始化模型所有层的权重参数。
18、按上述方案，所述步骤2.1）中参数h和t设置如下：h≥1，t≥1，h和t的取值根据本地边缘设备的算力以及数据信息安全的等级综合设置。
19、按上述方案，所述步骤2.3.1）中，将边缘设备中计算的尾层梯度传输给共享模型时，将边缘设备中计算的尾层梯度使用尾梯度压缩法进行压缩后传输给共享模型，具体步骤如下：
20、2.3.1.1）从模型最后一层开始计算梯度并进行反向传播，第e轮第n-t+1层的梯度矩阵记为；
21、2.3.1.2）取，其中，每个子梯度，j=1,2,3……b；依次对梯度进行如下压缩操作：
22、将中i个元素依次加入字典，输出；
23、按字典值的大小将中的键值对进行重新排序；
24、记录字典值大小为前top%的键，记为；其中，top为梯度中最大值的比例参数；
25、从中未记录的键中随机取rand%的键，记为；其中，rand为梯度中随机值的比例参数；
26、在中保留位置上的梯度，其他设置为0，该次梯度压缩结束；
27、2.3.1.3）将压缩后的梯度按顺序重新赋值到的对应位置中，不断重复2.3.1.2）中的操作，直到所有子梯度压缩完毕后将传输给共享模型继续进行反向传播。
28、按上述方案，所述步骤2.3.2）中，将共享模型计算的梯度传输给首层梯度更新权重时，将共享模型计算的梯度使用首梯度压缩法进行压缩后传输给首层梯度更新权重，具体步骤如下：
29、2.3.2.1）获取共享模型第e轮迭代第一层，总第h+1层模型计算的梯度，记为；
30、2.3.2.2）取，其中每个子梯度，依次对梯度进行如下压缩操作：
31、将中i个元素依次加入字典，输出；
32、按字典值的大小将中键值对进行重新排序；
33、记录字典值大小为前top%的键，记为；
34、保留位置上的梯度，将剩余梯度设置为0，该次梯度压缩结束；
35、2.3.2.3）将压缩后的梯度按顺序加入重新赋值到的对应位置中，不断重复2.3.2.2）中的操作，直到所有子梯度压缩完毕后将传输给边缘设备中的首h层模型继续进行反向传播。
36、本专利技术还提供一种基于联邦拆分学习的变压器故障诊断装置，所述装置包括：
37、数据获取模块，用于采集变压器运行的历史数据，包括正常数据和故障数据；将采集的数据分为训练集和验证集；
38、训练模块，用于利用训练集训练变压器故障诊断模型，所述变压器故障诊断模型为神经网络模型，具体如下：
39、1）根据待训练的变压器故障诊断模型,确定模型的网络结构和损失函数，初始化参数；
40、确定模型的总体结构共计n层，取模型首h层、尾t层放置在边缘设备中计算，剩余n-h-t层模型作为共享模型，放置在共建数据中心中进行计算；
41、确定模型的损失函数；初始化模型所有层的权重参数；
42、2）选择设备中b个本地变压器历史数据输入模型，根据当前权重进行前向传播，将第h层模型输出结果传输给共建数据中心中的共享模型中继续进行前向传播，将共享模型得到的第n-t层模型的输出传输给边缘设备中的第n-t+1层模型中继续进行前向传播，将模型第n层的结果输入损失函数计算第e次模型迭代的损失；
43、若e>s，则判断模型的损失是否在最近s次迭代中下降了，即，如果下降，那么进入步骤2.3）继续训练模型，若没有下降则该边缘设备停止训练；
44、其中，s为设定的参数更新迭代次数；
45、3）反向传播更新模型的权重参数；
46、3.1）将边缘设备中计算的尾层梯度传输给共享模型；
47、3.2）将共享模型计算的梯度传输给首层梯度更新权重；
48、3.3）反向传播后使用梯度下降法更新每层模型的权重；
49、4）从共建数据中心中获取当前共享模型的权重，与边缘设备中的权重按顺序组合成为适用于该设备数据的变压器故障本文档来自技高网
...
【技术保护点】
1.一种基于联邦拆分学习的变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.1）中利用正态随机数初始化模型所有层的权重参数。
3.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.1）中参数h和t设置如下：h≥1，t≥1，h和t的取值根据本地边缘设备的算力以及数据信息安全的等级综合设置。
4.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.3.1）中，将边缘设备中计算的尾层梯度传输给共享模型时，将边缘设备中计算的尾层梯度使用尾梯度压缩法进行压缩后传输给共享模型，具体步骤如下：
5.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.3.2）中，将共享模型计算的梯度传输给首层梯度更新权重时，将共享模型计算的梯度使用首梯度压缩法进行压缩后传输给首层梯度更新权重，具体步骤如下：
6.一种基于联邦拆分学习的变压器故障诊断装置，其特征在于，所述装置包括：
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述的基于联邦拆分学习的变压器故障诊断方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一所述的基于联邦拆分学习的变压器故障诊断方法。
...
【技术特征摘要】
1.一种基于联邦拆分学习的变压器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.1）中利用正态随机数初始化模型所有层的权重参数。
3.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.1）中参数h和t设置如下：h≥1，t≥1，h和t的取值根据本地边缘设备的算力以及数据信息安全的等级综合设置。
4.根据权利要求1所述的基于联邦拆分学习的变压器故障诊断方法，其特征在于，所述步骤2.3.1）中，将边缘设备中计算的尾层梯度传输给共享模型时，将边缘设备中计算的尾层梯度使用尾梯度压缩法进行压缩后传输给共享模型，具体步骤如下：
...
【专利技术属性】
技术研发人员：孙磊，韩华，徐徐，徐鹏飞，杨世飞，邹小勇，张亚鹏，
申请(专利权)人：南京凯奥思数据技术有限公司，
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。