基于联邦学习的配电网故障预测方法及系统

技术领域

本发明涉及人工智能技术领域，尤其指一种基于联邦学习的配电网故障预测方法及系统。

背景技术

随着分布式电源和充电桩等新能源设备的接入，以及电力系统本身存在的不确定性和复杂性，配电网故障预测的重要性更加凸显。配电网位于电力系统的末端，与用户紧密相连，直接向用户配电和供电，配电网的运行状态将直接影响用户的用电质量。统计结果表明，用户故障停电事件80％以上是由配电网故障导致的，因此，及时准确地掌握配电网的运行状态，实现对配电网故障风险的计算和预测，可以减少配电网故障、提高配电网的供电可靠性和精益化运维水平，对于促进国民经济稳定发展、保障用户的用电质量及提升全社会满意度有着重要意义。

配电网故障预测方法是指对配电网中可能出现的故障进行诊断和预测，以提高配电网的可靠性和安全性。这些故障可能包括线路短路、接地故障、设备故障等。但传统的配电网故障检测方法主要依赖于人工巡检和设备运行状态监测，效率低下且存在盲区。不仅如此，由于不同地区或企业之间存在数据隐私保护的问题，因此会出现单一数据源导致的过拟合或欠拟合的问题，直接影响到故障预测的准确性和可靠性。

发明内容

本发明的目的之一在于提供一种基于联邦学习的配电网故障预测方法，不需要将本地数据传送到配电网中心服务器，保障了数据的隐私并减轻了服务器的计算负担。

为了解决上述技术问题，本发明采用如下技术方案：一种基于联邦学习的配电网故障预测方法，包括以下步骤：

S1、以分布式方式在配电网的各个配电站通过电压传感器、电流传感器等收集本地电网运行数据和通过温度传感器、湿度传感器等收集本地环境数据，并对收集的数据进行预处理，得到本地数据集；

S2、在本地数据集上以神经网络模型提取特征；

S3、基于联邦学习方法，在提取特征后的数据集上以神经网络模型对配电网故障进行预测。

优选地，步骤S1中，对收集的数据进行预处理的方式包括：

S11、基于jieba对文本进行关键字提取，提取故障抢修工单、配电网运行报告和中低压设备运行报告文件记录有配电网的历史故障信息；

S12、负样本生成，生成配电网未发生故障的记录；

S13、样本不平衡处理，基于类别均衡采样，得到均衡的样本；

S14、数据清洗，清除可能影响模型客观性和正确性的无效值。

更优选地，在步骤S2中，基于卷积神经网络对预处理后的本地数据集提取时序特征，时序特征的提取包括以下步骤：

S21、样本构建，采用滑动窗口对样本集进行构造，滑动窗口每次滑动的步长为1天；

S22、基于数据集的数据构建考察日的故障画像；

S23、基于3个不同时间步长的卷积神经网络，得到短期、中长期和长期发生故障的概率。

更优选地，基于长短期记忆网络对提取的特征集进行训练，并通过网络输出故障概率值。

更优选地，在步骤S3中，多个配电站基于联邦学习方法联合训练，联邦学习方法包括以下步骤：

S31、配电网中心服务器下发全局初始模型参数；

S32、各配电站下载全局初始模型参数，进行本地训练；

S33、各配电站完成本地训练，上传本地模型参数到配电网中心服务器；

S34、配电网中心服务器聚合各配电站上传的本地参数，并下发到各配电站；

S35、各配电站继续执行S33和S34，直至配电网中心服务器达到收敛或者指定训练轮次。

更优选地，假定在每一轮训练过程中选取m个配电站参与训练，训练的目标是最小化目标函数：

min

上式中，w为全局模型参数，p

更优选地，通过训练模型使用随机梯度下降法来更新参数，并基于L1和L2混合进行正则化，参数更新方法为：

上式中，

更优选地，上一轮本地预测模型和全局预测模型通过指数滑动平均得到本地预测模型，指数滑动平均公式如下：

上式中，

另外，本发明还提供一种基于联邦学习的配电网故障预测系统，其包括：

数据采集模块，用于以分布式方式在配电网的各个配电站收集本地电网运行数据和本地环境数据；

预处理模块，用于对收集的数据进行预处理，得到本地数据集；

特征提取模块，用于在本地数据集上以神经网络模型提取特征；

故障预测模块，用于通过联邦学习方法，在提取特征后的数据集上以神经网络模型对配电网故障进行预测。

该系统采用前述的基于联邦学习的配电网故障预测方法运行。

与现有技术中的配电网故障预警方法相比，本发明将多个地区或不同企业的数据进行联合，通过联邦学习算法集中学习和建模，实现对整个配电网的故障预测，可以解决不同地区或企业之间数据隐私保护的问题并减轻服务器的负担，同时也能够避免单一数据源导致的过拟合或欠拟合的问题，提高故障预测的准确性和可靠性。此外，本发明具有较高的预测准确率和实际应用价值。

附图说明

图1为本发明的系统结构示意图；

图2为本发明的流程示意图；

图3为本发明的联邦学习方法示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

如图1所述，在本发明的整个系统构架中，包括了配电网中心服务器、配电站以及各类传感器。传感器检测包括风、雨、雷、冰、雪的大小以及温度、光照等环境变量和电压、电流等电网运行数据。

如图2至图3所示，基于联邦学习的配电网故障预测方法，具体包括以下步骤：

S1、以分布式方式在配电网的各个配电站通过电压传感器、电流传感器等收集本地电网运行数据和通过温度传感器、湿度传感器等收集本地环境数据，并对收集的数据进行预处理，得到本地数据集；

S2、在本地数据集上以神经网络模型提取特征；

S3、基于联邦学习方法，在提取特征后的数据集上以神经网络模型对配电网故障进行预测。

在步骤S1中，对收集的数据进行预处理的方式包括：

S11、基于jieba对文本进行关键字提取，提取故障抢修工单、配电网运行报告和中低压设备运行报告文件记录有配电网的历史故障信息；

S12、负样本生成，生成配电网未发生故障的记录；

S13、样本不平衡处理，采用先选定正样本类别，再从负样本类别中不重复随机选择的方式，对故障样本进行均衡采样，得到均衡的样本；

S14、数据清洗，清除可能影响模型客观性和正确性的无效值。主要方法是对于数据缺少采用数据插补、直接删除，而对于数据异常直接删除记录、视为缺失值处理、使用平均值或者缺省值。

在步骤S2中，基于卷积神经网络(CNN)对预处理后的本地数据集提取时序特征，时序特征的提取包括以下步骤：

S21、样本构建，采用滑动窗口对样本集进行构造，滑动窗口每次滑动的步长为1天；

S22、基于数据集的数据构建考察日的故障画像；

S23、基于3个不同时间步长的CNN网络，得到短期、中长期和长期发生故障的概率。本实施例使用的时序数据有电流、电压、气温、湿度、风力。CNN结构为输入层5*24特征面，卷积层C1和磁化层S1为32层，卷积层C2和磁化层S2为64层。

在本实施例中，基于长短期记忆网络(LTSM)对提取的特征集进行训练，网络输出故障概率值。学习率设置为0.003，momentum设置为0.8，采用SGD，使用adam优化器。

在步骤S3中，多个配电站基于联邦学习方法联合训练，联邦学习方法包括以下步骤：

S31、配电网中心服务器下发全局初始模型参数；

S32、各配电站下载全局初始模型参数，进行本地训练；

S33、各配电站完成本地训练，上传本地模型参数到配电网中心服务器；

S34、配电网中心服务器聚合各配电站上传的本地参数，并下发到各配电站；

S35、各配电站继续执行S33和S34，直至配电网中心服务器达到收敛或者指定训练轮次。

假定在每一轮训练过程中选取m个配电站参与训练，训练的目标是最小化目标函数：

min

上式中，w为全局模型参数，p

通过训练模型使用随机梯度下降法来更新参数，并基于L1和L2混合进行正则化，参数更新方法为：

上式中，

上一轮本地预测模型和全局预测模型通过指数滑动平均(ExponentialMovingAverage，EMA)得到本地预测模型，EMA公式如下：

上式中，

为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处，本发明的一些附图和描述已经被简化，并且上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。