【技术实现步骤摘要】
本申请实施例涉及数据处理,尤其涉及一种多源电力数据异常识别方法、模型训练方法、装置、设备。
技术介绍
1、电力系统中,通常具有较为复杂的结构和丰富多样的数据种类,其中的电力数据常常会存在各种异常情况,比如电压异常、电流异常、负荷异常等等。
2、这些异常数据可能会导致电力系统的不稳定性,甚至引发事故,因此,通常需要对电力数据进行异常识别,以提早发现问题,避免产生进一步的损失,提高电力系统的稳定性。
3、目前进行异常识别的方法,需要汇总来自各个下辖单位或者不同信息系统的多源电力业务数据,以进行更高层次的分析挖掘工作,这个过程中会涉及到对于电力数据的传输和调用,然而频繁的传输和调用,往往会增大电力数据的泄露风险,电力数据的安全性被降低。
技术实现思路
1、本申请实施例提供一种多源电力数据异常识别方法、模型训练方法、装置、设备,以提高电力数据异常识别过程中的安全性。
2、第一方面,本申请实施例提供了一种多源电力数据异常识别模型训练方法,应用于服务端,方法包括:<
...【技术保护点】
1.一种多源电力数据异常识别模型训练方法,其特征在于,应用于服务端,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于散度评估的联邦学习梯度聚合算法以及样本类别分布,对所述本地自有网络梯度进行聚合,得到全局模型梯度,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于各参与方客户端的样本类别分布,确定各参与方客户端的标准化相对散度评估分数,包括:
4.根据权利要求2所述的方法,其特征在于,所述利用所述标准化相对散度评估分数对各本地自有网络梯度进行加权,得到全局模型梯度,包括:
5.根据权利要求1所述
...【技术特征摘要】
1.一种多源电力数据异常识别模型训练方法,其特征在于,应用于服务端,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述基于散度评估的联邦学习梯度聚合算法以及样本类别分布,对所述本地自有网络梯度进行聚合,得到全局模型梯度,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于各参与方客户端的样本类别分布,确定各参与方客户端的标准化相对散度评估分数,包括:
4.根据权利要求2所述的方法,其特征在于,所述利用所述标准化相对散度评估分数对各本地自有网络梯度进行加权,得到全局模型梯度,包括:
5.根据权利要求1所述的方法,其特征在于,所述利用所述全局模型梯度对所述服务端中与所述异常检测神经网络模型同构的全局神经网络模型进行更新,包括:
6.一种多源电力数据异常识别模型训练方法,其特征在于,应用于任一参与方客户端,所述方法包括:
7.根据权利要求6所述的方法,其特征在于,所述预设网络拓扑结构基于门控循环单元和注意力机制构建。
8.根据权利要求6所述的方法,其特征在于,所述将所...
【专利技术属性】
技术研发人员:刘新,刘冬兰,常英贤,慕群,范士峰,赵夫慧,孙莉莉,郭阳,付鑫,张方哲,许善杰,张昊,王睿,史玉良,吕梁,胡恒瑞,马雷,于灏,秦佳峰,赵洺哲,刘梦琪,姚洪磊,孙梦谦,苏冰,金玉辉,赵勇,井俊双,
申请(专利权)人:国网山东省电力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。