[发明专利]基于联邦学习的计量装置告警预测方法及设备

说明书

本发明公开了一种基于联邦学习的计量装置告警预测方法及设备，方法包括：在多个本地计量数据上设置具有相同结构的故障预测模型；对多个本地计量数据进行特征维度上的对齐与加密；本地模型训练以及中间训练参数上传到训练协作者；训练协作者融合上传参数并回传给各本地模型进行更新以完成共享模型的训练。本发明可以在保护计量数据信息安全的前提下，通过利用多个数据源来提升电力计量装置告警预测能力。本发明还公开了一种基于联邦学习的电力计量装置告警预测对应的计算装置和存储设备。

技术领域

本发明涉及电力系统中计量装置告警预测的技术领域，特别是设计一种基于联邦学习框架的电力计量装置告警预测方法以及相关的设备。

背景技术

在当今大数据技术蓬勃发展的趋势下，各行各业都将这一技术应用到自身的业务扩展中，以期望能够利用大数据技术去挖掘更丰富的数据资源以及分析各种数据间进一步深入的关系。而大数据时代下一个不可忽视的问题就是企业信息安全以及用户数据隐私，为了避免这些问题而让数据与数据之间产生了信息孤岛；而为了提升业务模型，这些数据又要通过打破数据孤岛来进行整合。这一热点问题引发出了许多相关的科学研究课题。

针对电力系统计量装置告警问题，传统的方法是利用自动化检测系统对所覆盖检测区域的设备进行运行状态跟踪，通过设定好的判断规则对数据进行检测并及时发现问题以发出告警信息。而使用传统机器学习方法来处理这些数据时，首先需要建立中心化的数据样本集，之后才能训练模型。这些单机方法可能会导致信息安全问题，尤其是在数据处理阶段。

综上所述，考虑到在处理计量装置告警预测时各个计量数据间存在由隐私保护而产生的数据壁垒问题，以及传统模型训练方式下数据整合而产生数据安全问题，充分利用数据以及有效地保护信息安全成为了目前本领域需要解决的问题。

发明内容

本发明提出了一种基于联邦学习的计量装置告警预测方法及设备，其目的是：(1)保护各电力计量数据的企业信息安全和客户隐私安全，基于去中心化的分布式数据对告警预测模型进行训练；(2)利用带加密的参数完成全局共享模型的优化；(3)利用预测方法对潜在告警风险进行分析，以提高系统对计量系统运行的鲁棒性；(4)提供了一套与预测方法对应的计算设备和存储介质。

本发明技术方案如下：

一种基于联邦学习的计量装置告警预测方法，包括：

设置运行在本地数据集上的告警预测模型；

本发明专利所述的基于联邦学习的计量装置告警预测方法，是基于联邦学习概念的创新解决方案。首先明确业务目标并设置数学模型。本发明专利所述的告警预测模型是基于联邦学习模式的回归预测神经网络，联邦学习框架下的各参与者设置运行于本地数据的告警预测模型。神经网络模型包括输入层，多个隐含层以及输出层；

本地数据在特征维度对齐；

在本发明所述的模型结构中，各本地数据不需整合与存储在同一个地方。根据设置运行在本地数据源上的告警预测模型这一步中所述的本地模型，训练用数据直接保存在各参与者本地数据存储介质上，并直接从本地存储上载入训练样本进行训练；

本地模型训练过程；

针对计量装置告警预测神经网络模型的训练，各本地模型按照传统单机神经网络的训练方式设置相同的迭代次数、学习速度等参数。

中间参数上传过程；

该过程需要用到网络信道，具体包括：

各本地模型在一次迭代完成之后，需要把中间参数上传给训练协作者，之后由它汇总并计算所有参与者发送过来的中间参数；

参数融合与回传；

该过程是训练协作者在汇总所有模型上传的参数之后，基于联合损失函数的计算，将得出的网络更新参数分发回各本地模型以进行更新；