基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法及装置，包括对所有参与训练的节点分集群；在第一集群中随机选取一个领导者并初始化；领导者将模型参数下发给集群内其他节点，集群内所有节点开始在本地数据上进行训练；集群内所有节点训练完成后，将模型参数发送给领导者进行聚合；通过马尔科夫跳变选取下一个集群，在下一个集群内随机选择一名领导者，将聚合完的模型参数由当前集群领导者发送给下一个集群领导者；当模型收敛或达到预设迭代轮数时，将最优本地模型分发给所有节点，并用该模型对变压器进行故障诊断。本申请显著提升数据不平衡分布下模型的诊断精度，并且大幅降低了模型训练过程中的通讯量。

【技术实现步骤摘要】

本申请涉及变压器故障诊断领域，尤其涉及一种基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法及装置。

技术介绍

1、电力变压器在现代电网中发挥着至关重要的作用，是电能传输和分配不可或缺的。然而，由于内部绝缘材料的老化和热解，长期运行的电力变压器不可避免地会产生故障，这威胁到电力系统的稳定性。近年来，人们对人工智能技术在变压器故障预测和诊断中的应用进行了大量研究，特别是那些使用深度神经网络的方法，提高了故障诊断的精度。然而，在训练深层神经网络时，通常需要大量的标记数据。获取此类数据对电力公司来说是一项挑战，涉及数据隐私而且收集成本高昂。联邦学习可以直接通过参数交互完成模型训练，避免了数据的共享，从而减轻了大量原始数据传输造成的通信负担和隐私泄露风险。尽管集中式联邦学习中的每个节点都具有一定程度的独立性，并且能够执行本地学习和处理，但中央服务器仍然用于管理各个节点之间的协调和通信任务。因此，如果中央服务器发生故障，整个集中式联邦学学习系统可能会崩溃，导致训练过程中断，并对效率和进度产生负面影响。另一方面，由于所有通信都通过中央服务器进行传输，因此会出现通本文档来自技高网...

【技术保护点】

1.一种基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，其特征在于，所述基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，包括：

2.根据权利要求1所述的基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，其特征在于，所述本地数据集由本地数据经过预处理得到，所述预处理过程如下：

3.根据权利要求1所述的基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，其特征在于，所述神经网络模型为卷积神经网络LeNet-5，卷积神经网络LeNet-5的第一层Layer1和第三层Layer3作为卷积层，均采用3×3的卷积核对输入特征进行提取，第二层L...

【技术特征摘要】

1.一种基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，其特征在于，所述基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，包括：

2.根据权利要求1所述的基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，其特征在于，所述本地数据集由本地数据经过预处理得到，所述预处理过程如下：

3.根据权利要求1所述的基于马尔科夫链的串并行去中心化联邦学习变压器故障诊断方法，其特征在于，所述神经网络模型为卷积神经网络lenet-5，卷积神经网络lenet-5的第一层layer1和第三层layer3作为卷积层，均采用3×3的卷积核对输入特征进行提取，第二层layer2和第四层layer4为池化层，采用2×2的窗口对卷积后的特征进行池化压缩，第五层layer5使用3×3的卷积核对前四层的输出结果进行运算，得到72个1×1的神经元，第六层layer6为全连接层，输入72个神经元输出36个神经元，第七层layer7根据36个神经元通过分类器完成对输入特征的类别输出。

4.根据权利要求1所述的基于马尔科夫链的串并行去中心化联...

【专利技术属性】
技术研发人员：郭方洪，董晨，薛勤达，李生炜，吴麒，张文安，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：