[发明专利]一种基于联邦学习的非侵入式设备状态识别方法及装置

说明书

本发明涉及一种基于联邦学习的非侵入式设备状态识别方法及装置，方法包括：在多个本地用户节点中布置非侵入式设备数据采集系统，对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样；构建历史数据集；构建深度学习神经网络，将特征提取子网络布置在本地用户节点中，将设备预测子网络布置在云端；通过历史数据集训练深度学习神经网络，训练过程中本地用户节点与云端通过加密算法进行数据传输；使用训练得到的识别模型对设备状态进行识别。与现有技术相比，本发明解决了数据可靠性问题，解决了高频采样下存在的数据传输瓶颈问题，解决了在训练和预测过程中的用户隐私安全问题。

技术领域

本发明涉及非侵入式设备识别领域，尤其是涉及一种基于联邦学习的非侵入式设备状态识别方法及装置。

背景技术

在大楼这样具有大量电器设备的复杂电力系统中，识别和确定设备的状态是研究人员关注的重点。非侵入式设备识别是只使用一组传感器，仅测量汇总数据，得到内部系统中多种设备运行状态的一种方法。该方法不需要涉及许多组传感器，有方便部署、价格低廉易于推广的特性，得到广泛应用。

在非侵入式设备识别方法中，从采集信号上看，第一类是分析50Hz的交流电，采样频率从几分之一Hz到几Hz。一般而言，这样的低频数据会用来分析稳态间的状态切换(比如开和关)，数据本身主要为平均功率、功率因数等。第二类是分析50Hz的交流电及其谐波，采样频率从1kHz到几十kHz。现在的家用电器设备一般为非线性的，比如电视和LED灯，因此在电流的波形中包含重要的谐波失真信息。为了捕捉这样的细节信息，较高的采样率是必要的。第三类是分析高频瞬时信号，采样频率从几十kHz到几十MHz，大多数电子设备都使用了开关模式电源(SMPS)，其频段就在这一区间。从数据处理上看，现有的大部分研究工作都集中在有监督的机器学习技术上，包括传统马尔科夫模型以及深度学习模型。

在数据采集上，数据采集可以是高频瞬态信号，也可以是较低频的稳态信号。无疑，高频瞬态信号包含更多的信息，可以提供更准确的识别，同时也可以通过将采样得到低频的稳态信号，毫无疑问是数据采集的首选。但是，高频数据采样将导致大流量的数据传输，将代替算力瓶颈并成为更大的瓶颈，显著限制了服务器的承载能力。

在数据处理上，深度学习模型显然更优。侵入式设备识别系统需要大量的训练数据，而这些训练数据来自大量的用户，需要汇总不同用户的数据构成训练集再进行神经网络训练。在数据汇总这一环节，如何保护各个用户的隐私安全成为了必须面对的挑战。潜在的攻击者可能窃取原始训练数据，识别出设备使用情况，并进一步推断出用户的状态信息，进而达到窃取用户隐私的目的。

综上，大流量数据传输和用户隐私安全是非侵入式设备状态识别方法中亟待解决的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于联邦学习的非侵入式设备状态识别方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于联邦学习的非侵入式设备状态识别方法，包括以下步骤：

S1、在多个本地用户节点中布置非侵入式设备数据采集系统，对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样，所述本地用户节点为家庭、实验室、办公室等环境；

S2、根据各个本地用户节点的数据分别构建历史数据集；

S3、构建深度学习神经网络，包括特征提取子网络和设备预测子网络，将特征提取子网络布置在本地用户节点中，将设备预测子网络布置在云端；

S4、通过历史数据集训练深度学习神经网络，训练过程中本地用户节点与云端通过加密算法进行数据传输，得到训练好的识别模型；

S5、使用训练好的识别模型对设备状态进行识别，监测各设备的运行状态。