[发明专利]一种基于联邦学习的配电站故障预测方法

说明书

本发明提供一种基于联邦学习的配电站故障预测方法，涉及数据识别技术、电力系统及其自动化领域，解决了不同类型的配电站故障预测参数不共享、参数异构等问题，包括S1、故障预测数据预处理；S2、基于空洞卷积、图注意力网络和长短期记忆网络，建立本地模型；S3、服务器端采用联邦学习模型实现联合训练。该种基于联邦学习的配电站故障预测方法，通过在保护各个参与方的隐私基础上，采用多尺度融合数据特征，在非结构化数据上采用图注意力网络进行特征提取，建立本地模型，有效的解决了不同类型的配电站故障预测参数不共享、参数异构等问题。

技术领域

本发明涉及数据识别技术、电力系统及其自动化技术领域，具体为一种基于联邦学习的配电站故障预测方法。

背景技术

配电站，将电输送到企业用电设备或家庭用户的站点，位于电网的末端，是放射型网络上的一个点，上连变电站，下连企业用电设备或家庭用户。随着国家经济发展和技术进步，配电站的数量迅速扩张，与此同时配电站的容量变大和功能趋于复杂化。因为一些不可避免的因素，配电站在自动运行状态中，或多或少会出现异常状态。配电站故障引起的电力系统故障，在整个工业事故中所占比例较高，无论哪种规模的配电站一旦发生事故，都会造成一定的经济损失，严重的可能导致人员伤亡，所以对配电站故障的预测工作十分重要。

按照德国Frank教授的理论，故障预测的方法分为三种：基于模型的方法、基于信号处理的方法和基于数据挖掘的方法。基于模型的方法，在理论上是精度最高的，但模型的方法只适用于单一类型的电子元件，如电阻丝等；基于信号处理的方法，通常利用信号模型，如相关函数、频谱、小波变换等，仅考虑了电力信息忽视了电器元件带来的故障。现有的故障预测都是基于自动化设备进行的，如专利号为20130416182.6公开了一种配电网通信终端预测系统，其利用馈线监控单元自动预测故障点并进行自愈；专利申请号为201510676144.3公开了一种10KV电缆网馈线的配电站故障自动预测系统，其在“主干配”配电站的分支线上配置成套开关柜式的智能分界断路器，从而实现自动隔离保护作用；专利申请号为201710663038.0公开了一种配电站故障自动预测系统，解决了现有技术中配电站故障自动预测系统，利用故障预测模块实时对配电站进行故障排查，并利用故障定位模块快速对排查的故障区域建立拓扑关系，迅速锁定故障点。

现有的故障预测方法都需要获取原始数据，不符合当今社会对用户的隐私保护，因为有的企业配有自己的配电箱，企业用户的用电数据隐私内容，在当下不宜随意公开。大数据时代，数据是一种宝贵的财富，同时随着各国的立法明确，任何组织和个人都不得私自收集用户的隐私数据。因此现有的故障预测都是基于设备而不是基于数据，针对于数据的故障预测专利目前仅有专利号为202011612201.9号提出一种基于LSTM神经网络的智能变电站故障预测方法，但是此方法单纯针对时间序列的电力数据起到较好的效果，未曾考虑到其他硬件设备随时间老化出现问题等方面。因此将现有的配电站故障预测存在的不足之处总结如下：

问题1：传统的故障预测基于原始数据出现异常进行判断，在数据时代各个企业或者小区都不愿意将自己的数据泄露出去，对于某些竞争激烈的行业，企业生产信息要做好保护。

问题2：现有的基于数据的故障预测，仅考虑与时序相关的信息，未涉及到相关设备问题带来的配电站故障，考虑的问题不够全面。在故障预测的问题上，不仅仅要考虑数据异常产生的故障，同时还需要考虑设备异常产生的故障。

针对以上两个问题，本发明专利提出了一种基于联邦学习的配电站故障预测算法。

对于问题1，利用联邦学习技术，以各个配电站为客户端，在以各个客户端本地建立模型，采用改进的联邦平均算法，来联合建立模型。在处理本地数据类别不平衡时采用ADASYN算法，解决本地数据类别不平衡问题。为解决不同客户端直接存在不同的数据类别不平衡，本发明专利将联邦平均聚合算法进行改进。