[发明专利]一种在智能电厂中基于联邦学习提升火灾检测效果的方法

说明书

本发明公开了一种在智能电厂中基于联邦学习提升火灾检测效果的方法，通过结合DTs和深度Q网络(Deep Q Network,DQN)来自适应地降低能耗，同时设计一个异步联邦学习框架消除流浪者效应。DT可以做到精确建模和同步更新，进而加强智能电厂的智能性。同时DT也可以通过软件定义并在数字空间中创造虚拟对象，根据虚拟对象的状态和功能在物理空间中准确地映射出实体，有助于帮助决策和执行。最后，DT会将设备的运行状态和行为实时映射到数字世界，从而提高学习模型的可靠性和准确性。

技术领域

本发明属于工业物联网提升联邦学习训练技术领域，特别涉及一种在一种在智能电厂中基于联邦学习提升火灾检测效果的方法。

背景技术

随着社会对清洁能源需求的不断增加，清洁能源的产业不断扩大，清洁能源特别是光伏产业规模在近年得到迅速增长。一些负责分布式新能源项目的投资、建设和运营工作的公司管理着多个分布式光伏电站，分布在国家的各个角落。公司建设有生产运营中心，对所有的分布式电站进行集中运行管理。

同时光伏发电系统主要由光伏组件、控制器、逆变器、蓄电池及其他配件组成。随着光伏电站运行时间的增加，配件和线路逐渐老化，光伏板上热斑产生的概率不断增加。这不仅会降低光伏电站的发电效率，也可能导致火灾，带来巨大的经济损失。由于每个电厂都有各自数据，电厂之间的数据往往都各自存储，各自定义。每个电厂的数据就像一个个孤岛一样无法(或者极其困难)和其他电厂数据进行连接互动。我们把这样的情况称为数据孤岛。简单说就是数据间缺乏关联性，数据库彼此无法兼容。在这种情况下，可以使多个智能电厂基于联邦学习进行火灾检测，并采用异步联邦学习框架对训练效果进行优化。

尽管目前可以通过使用数字孪生体(Digital twins,DTs)来提高智能电厂中物理设备信息的实时性和可靠性。然而，DTs是由数据驱动的，其决策必定会需要各种设备上的大量数据去支持。在现实中，由于竞争、隐私以及安全的问题，几乎不可能将分散在各个设备上的数据进行集中。因此，在智能电厂中，存在有着隐私保护，成本价格和数据安全等等问题。

当涉及到隐私保护、监管需求、数据竖井、成本价格和连接可靠性等问题时，通过在智能电厂中使用联邦学习可以保护隐私，降低通信成本。在隐私保护方面，现有的工作主要是应用同态加密和差分隐私等技术设计高安全保障的联邦学习算法模型。但是，安全性的提升伴随着系统成本的增长，加密、噪声等操作同时也会影响模型的学习效率。YunlongLu等人改进后的异步模式的学习框架虽然加速了学习的收敛速度，但由于这种框架面向点对点的通信场景，会给系统带来很大的通信负担。同时，已有的联邦学习工作主要集中在更新体系结构，聚合策略和频率聚合三方面上。在更新体系架构方面，已有的算法大多采用同步架构。然而，同步架构并不适用于节点资源是异构的情况。

发明内容

本发明的目的在于提供一种在智能电厂中基于联邦学习提升火灾检测效果的方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种在智能电厂中基于联邦学习提升火灾检测效果的方法，包括以下步骤：

步骤1，在给定资源预算的时变通信环境中得到局部更新和全局参数聚合，建立聚合频率问题模型，对其进行简化；

步骤2，通过使用深度强化学习来解决本地频率更新的问题，DT通过与环境交互学习模型；将优化后的问题制定为MDP模型，其中包括系统状态S(t)，动作空间A(t)，策略P，奖励函数R和下一状态S(t+1)；

步骤3，基于DQN的聚合频率优化算法解决MDP问题；

步骤4，基于DQN的异步联邦学习，通过聚类对具有不同计算能力的节点进行分类，并为每个聚类配置相应的管理者，使每个聚类能够以不同的本地聚合频率自主训练；对于集群，通过基于DQN的自适应聚合频率校准算法获得聚合频率；

进一步的，步骤1具体包括：