申请/专利权人：重庆大学

申请日：2023-09-25

公开（公告）日：2024-04-16

公开（公告）号：CN117290756B

主分类号：G06F18/24

分类号：G06F18/24;G01R31/08;G06N3/0464;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.01.12#实质审查的生效;2023.12.26#公开

摘要：本发明涉及一种基于联邦学习的输电线路故障辨识方法、装置和电子设备，包括构建故障类型和故障原因辨识模型的步骤，其包括：在不同地区构建基于卷积神经网络的本地原始识别模型；获取不同地区输电线路的三相故障录波数据；将前述故障数据归一化为一张故障暂态波形图像；将归一化后的图像按照故障类型和故障原因进行分类，同时对小样本类型的故障做Smote过采样处理，生成故障样本集；将相应地区的故障样本集输入对应地区的原始识别模型，并且借助于联邦学习，将部署在各地区的原始识别模型的本地参数进行中心聚合并且将经中心聚合后的参数下发至本地原始识别模型进行训练，获得最终的辨识模型，从而消除不同地区输电线路的故障特征差异对模型的影响。

主权项：1.一种基于联邦学习的输电线路故障辨识方法，其特征在于，包括构建本地输电线路故障辨识模型的步骤，所述本地输电线路故障辨识模型为基于多目标残差网络的多输出卷积神经网络架构，其能够将故障原因和故障类型作为预测结果进行同步输出；所述构建本地输电线路故障辨识模型的步骤包括：S1，获取多个地区的输电线路故障数据；S2，在每一地区，基于所获取的输电线路故障数据构建相应地区的本地故障样本集，并且在获取本地故障样本集的过程中，对少数类故障样本采用Smote过采样处理；S3，在每一地区，基于本地故障样本集对基于卷积神经网络的本地原始辨识模型进行训练；S4，各个本地原始辨识模型每一轮训练好的本地训练模型参数传送至基于联邦学习的中央服务器，中央服务器对接收到的各个本地原始辨识模型的每一轮本地训练模型参数进行基于联邦学习的中央聚合，以生成用于相应地区下一轮训练的中央聚合后参数，并且将生成的中央聚合后参数下发至相应地区的本地原始辨识模型，使得本地原始辨识模型基于接收到的中央聚合后参数进行新一轮训练；S5，将本地原始辨识模型训练至收敛，获得最终的本地输电线路故障辨识模型；其中，基于各地区的故障样本数以及本地原始辨识模型的损失函数获取本地训练模型参数的参数权重；在所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的步骤中，中央服务器基于与每一本地原始辨识模型相对应的参数权重对各个本地原始辨识模型当前一轮的本地训练模型参数进行中央聚合；所述中央服务器对接收到的每一本地原始辨识模型的每一轮本地训练模型参数进行中央聚合的公式为： 其中，ωt,k为本地原始辨识模型第t轮的本地训练模型参数，ωt+1,k为第t次更新后的中央聚合后参数，ak为第k个参与方的参数权重，N代表地区数量，k代表对应的地区参与方，即相应地区参与联邦学习的本地模型；所述参数权重为根据相应地区的样本数和本地原始辨识模型的损失函计算获得，其计算公式为： 其中，nk为第k个参与方拥有的样本数，N代表地区数量，Fkω代表每一个地区的本地原始辨识模型最终的优化目标函数。

全文数据：

权利要求：

百度查询： 重庆大学 基于联邦学习的输电线路故障辨识方法、装置和电子设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD