本申請實(shí)施例涉及數(shù)據(jù)處理，尤其涉及一種多源電力數(shù)據(jù)異常識別方法、模型訓(xùn)練方法、裝置、設(shè)備。

背景技術(shù)：

1、電力系統(tǒng)中，通常具有較為復(fù)雜的結(jié)構(gòu)和豐富多樣的數(shù)據(jù)種類，其中的電力數(shù)據(jù)常常會存在各種異常情況，比如電壓異常、電流異常、負(fù)荷異常等等。

2、這些異常數(shù)據(jù)可能會導(dǎo)致電力系統(tǒng)的不穩(wěn)定性，甚至引發(fā)事故，因此，通常需要對電力數(shù)據(jù)進(jìn)行異常識別，以提早發(fā)現(xiàn)問題，避免產(chǎn)生進(jìn)一步的損失，提高電力系統(tǒng)的穩(wěn)定性。

3、目前進(jìn)行異常識別的方法，需要匯總來自各個下轄單位或者不同信息系統(tǒng)的多源電力業(yè)務(wù)數(shù)據(jù)，以進(jìn)行更高層次的分析挖掘工作，這個過程中會涉及到對于電力數(shù)據(jù)的傳輸和調(diào)用，然而頻繁的傳輸和調(diào)用，往往會增大電力數(shù)據(jù)的泄露風(fēng)險，電力數(shù)據(jù)的安全性被降低。

技術(shù)實(shí)現(xiàn)思路

1、本申請實(shí)施例提供一種多源電力數(shù)據(jù)異常識別方法、模型訓(xùn)練方法、裝置、設(shè)備，以提高電力數(shù)據(jù)異常識別過程中的安全性。

2、第一方面，本申請實(shí)施例提供了一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法，應(yīng)用于服務(wù)端，方法包括：

3、獲取每個參與方客戶端各自訓(xùn)練異常檢測神經(jīng)網(wǎng)絡(luò)模型得到的本地自有網(wǎng)絡(luò)梯度以及樣本類別分布；

4、基于散度評估的聯(lián)邦學(xué)習(xí)梯度聚合算法以及樣本類別分布，對所述本地自有網(wǎng)絡(luò)梯度進(jìn)行聚合，得到全局模型梯度；

5、利用全局模型梯度對服務(wù)端中與異常檢測神經(jīng)網(wǎng)絡(luò)模型同構(gòu)的全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新；

6、將更新后的全局神經(jīng)網(wǎng)絡(luò)模型分發(fā)到各個參與方客戶端，以使參與方客戶端基于本地私有電力數(shù)據(jù)對全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至模型收斂，得到訓(xùn)練完成的異常檢測神經(jīng)網(wǎng)絡(luò)模型，所述異常檢測神經(jīng)網(wǎng)絡(luò)模型用于基于待檢測電力數(shù)據(jù)輸出預(yù)測概率值。

7、第二方面，本申請實(shí)施例提供了一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法，應(yīng)用于任一參與方客戶端，方法包括：

8、利用本地私有電力數(shù)據(jù)對預(yù)設(shè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的異常檢測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到本地自有網(wǎng)絡(luò)梯度；

9、確定本地的樣本類別分布，并將本地自有網(wǎng)絡(luò)梯度以及樣本類別分布發(fā)送給服務(wù)端；

10、接收服務(wù)端分發(fā)的全局神經(jīng)網(wǎng)絡(luò)模型，全局神經(jīng)網(wǎng)絡(luò)模型為服務(wù)端根據(jù)本地自有網(wǎng)絡(luò)梯度以及樣本類別分布進(jìn)行更新后的異常檢測神經(jīng)網(wǎng)絡(luò)模型；

11、基于本地私有電力數(shù)據(jù)對更新后的異常檢測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至模型收斂，得到訓(xùn)練完成的異常檢測神經(jīng)網(wǎng)絡(luò)模型，所述異常檢測神經(jīng)網(wǎng)絡(luò)模型用于基于待檢測電力數(shù)據(jù)輸出預(yù)測概率值。

12、第三方面，本申請實(shí)施例還提供了一種多源電力數(shù)據(jù)異常識別方法，應(yīng)用于參與方客戶端，方法包括：

13、將參與方客戶端的待檢測電力數(shù)據(jù)輸入至根據(jù)本申請任一實(shí)施例提供的多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法訓(xùn)練得到的異常檢測神經(jīng)網(wǎng)絡(luò)模型中；

14、獲取異常檢測神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測概率值，并根據(jù)預(yù)測概率值對待檢測電力數(shù)據(jù)進(jìn)行異常識別。

15、第四方面，本申請實(shí)施例還提供了一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練裝置，應(yīng)用于服務(wù)端，裝置包括：

16、第一獲取模塊，用于獲取每個參與方客戶端各自訓(xùn)練異常檢測神經(jīng)網(wǎng)絡(luò)模型得到的本地自有網(wǎng)絡(luò)梯度以及樣本類別分布；

17、梯度聚合模塊，用于基于散度評估的聯(lián)邦學(xué)習(xí)梯度聚合算法以及樣本類別分布，對所述本地自有網(wǎng)絡(luò)梯度進(jìn)行聚合，得到全局模型梯度；

18、更新模塊，用于利用全局模型梯度對服務(wù)端中與異常檢測神經(jīng)網(wǎng)絡(luò)模型同構(gòu)的全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新；

19、分發(fā)模塊，用于將更新后的全局神經(jīng)網(wǎng)絡(luò)模型分發(fā)到各個參與方客戶端，以使參與方客戶端基于本地私有電力數(shù)據(jù)對全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至模型收斂，得到訓(xùn)練完成的異常檢測神經(jīng)網(wǎng)絡(luò)模型，所述異常檢測神經(jīng)網(wǎng)絡(luò)模型用于基于待檢測電力數(shù)據(jù)輸出預(yù)測概率值。

20、第五方面，本申請實(shí)施例還提供了一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練裝置，應(yīng)用于任一參與方客戶端，裝置包括：

21、訓(xùn)練模塊，用于利用本地私有電力數(shù)據(jù)對預(yù)設(shè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的異常檢測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到本地自有網(wǎng)絡(luò)梯度；

22、發(fā)送模塊，用于確定本地的樣本類別分布，并將本地自有網(wǎng)絡(luò)梯度以及樣本類別分布發(fā)送給服務(wù)端；

23、接收模塊，用于接收服務(wù)端分發(fā)的全局神經(jīng)網(wǎng)絡(luò)模型，全局神經(jīng)網(wǎng)絡(luò)模型為服務(wù)端根據(jù)本地自有網(wǎng)絡(luò)梯度以及樣本類別分布進(jìn)行更新后的異常檢測神經(jīng)網(wǎng)絡(luò)模型；

24、迭代模塊，用于基于本地私有電力數(shù)據(jù)對更新后的異常檢測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至模型收斂，得到訓(xùn)練完成的異常檢測神經(jīng)網(wǎng)絡(luò)模型，所述異常檢測神經(jīng)網(wǎng)絡(luò)模型用于基于待檢測電力數(shù)據(jù)輸出預(yù)測概率值。

25、第六方面，本申請實(shí)施例還提供了一種多源電力數(shù)據(jù)異常識別模型裝置，應(yīng)用于參與方客戶端，裝置包括：

26、輸入模塊，用于將參與方客戶端的待檢測電力數(shù)據(jù)輸入至根據(jù)本申請任一實(shí)施例提供的多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法訓(xùn)練得到的異常檢測神經(jīng)網(wǎng)絡(luò)模型中；

27、識別模塊，用于獲取異常檢測神經(jīng)網(wǎng)絡(luò)模型輸出的預(yù)測概率值，并根據(jù)預(yù)測概率值對待檢測電力數(shù)據(jù)進(jìn)行異常識別。

28、第七方面，本申請實(shí)施例還提供了一種電子設(shè)備，電子設(shè)備包括：

29、一個或多個處理器；

30、存儲裝置，用于存儲一個或多個程序，

31、當(dāng)一個或多個程序被一個或多個處理器執(zhí)行，使得一個或多個處理器實(shí)現(xiàn)如本申請任一實(shí)施例提供的多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法或多源電力數(shù)據(jù)異常識別方法。

32、第四方面，本申請實(shí)施例還提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時實(shí)現(xiàn)如本申請任一實(shí)施例提供的多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法或多源電力數(shù)據(jù)異常識別方法。

33、本申請實(shí)施例的技術(shù)方案，利用電力數(shù)據(jù)進(jìn)行訓(xùn)練的過程會在各參與方客戶端完成，僅將各參與方客戶端的本地自有網(wǎng)絡(luò)梯度以及樣本類別分布上傳到服務(wù)端，由服務(wù)端聚合更新全局神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，然后再分發(fā)給各參與方客戶端進(jìn)行迭代訓(xùn)練，而且，后續(xù)進(jìn)行異常識別時，由于訓(xùn)練好的模型已經(jīng)分發(fā)在各參與方客戶端，因此，只需在本地就能實(shí)現(xiàn)異常識別?；诖?，模型訓(xùn)練過程中，無需在參與方客戶端和服務(wù)端之間傳輸電力數(shù)據(jù)即可實(shí)現(xiàn)模型的訓(xùn)練，且對模型使用期間也無需傳輸，大大提高了電力數(shù)據(jù)的安全性。

技術(shù)特征：

1.一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法，其特征在于，應(yīng)用于服務(wù)端，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于散度評估的聯(lián)邦學(xué)習(xí)梯度聚合算法以及樣本類別分布，對所述本地自有網(wǎng)絡(luò)梯度進(jìn)行聚合，得到全局模型梯度，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于各參與方客戶端的樣本類別分布，確定各參與方客戶端的標(biāo)準(zhǔn)化相對散度評估分?jǐn)?shù)，包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述利用所述標(biāo)準(zhǔn)化相對散度評估分?jǐn)?shù)對各本地自有網(wǎng)絡(luò)梯度進(jìn)行加權(quán)，得到全局模型梯度，包括：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述全局模型梯度對所述服務(wù)端中與所述異常檢測神經(jīng)網(wǎng)絡(luò)模型同構(gòu)的全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新，包括：

6.一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法，其特征在于，應(yīng)用于任一參與方客戶端，所述方法包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述預(yù)設(shè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)基于門控循環(huán)單元和注意力機(jī)制構(gòu)建。

8.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述將所述本地自有網(wǎng)絡(luò)梯度以及所述樣本類別分布發(fā)送給服務(wù)端，包括：

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述將所述本地自有網(wǎng)絡(luò)梯度進(jìn)行加密，得到待上傳梯度，包括：

10.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述基于所述本地私有電力數(shù)據(jù)對所述更新后的異常檢測神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，包括：

11.一種多源電力數(shù)據(jù)異常識別方法，其特征在于，應(yīng)用于參與方客戶端，所述方法包括：

12.一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練裝置，其特征在于，應(yīng)用于服務(wù)端，所述裝置包括：

13.一種多源電力數(shù)據(jù)異常識別模型訓(xùn)練裝置，其特征在于，應(yīng)用于任一參與方客戶端，所述裝置包括：

14.一種多源電力數(shù)據(jù)異常識別裝置，其特征在于，應(yīng)用于參與方客戶端，所述裝置包括：

15.一種電子設(shè)備，其特征在于，包括：

16.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-10中任一所述的多源電力數(shù)據(jù)異常識別模型訓(xùn)練方法或如權(quán)利要求11所述的多源電力數(shù)據(jù)異常識別方法。

技術(shù)總結(jié)
本申請實(shí)施例公開了一種多源電力數(shù)據(jù)異常識別方法、模型訓(xùn)練方法、裝置、設(shè)備。該方法包括：獲取每個參與方客戶端各自訓(xùn)練異常檢測神經(jīng)網(wǎng)絡(luò)模型得到的本地自有網(wǎng)絡(luò)梯度以及樣本類別分布；基于散度評估的聯(lián)邦學(xué)習(xí)梯度聚合算法以及樣本類別分布，對所述本地自有網(wǎng)絡(luò)梯度進(jìn)行聚合，得到全局模型梯度；利用全局模型梯度對服務(wù)端中與異常檢測神經(jīng)網(wǎng)絡(luò)模型同構(gòu)的全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新；將更新后的全局神經(jīng)網(wǎng)絡(luò)模型分發(fā)到各個參與方客戶端，以使參與方客戶端基于本地私有電力數(shù)據(jù)對全局神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，直至模型收斂。無需在參與方客戶端和服務(wù)端之間傳輸電力數(shù)據(jù)即可實(shí)現(xiàn)模型的訓(xùn)練，大大提高了電力數(shù)據(jù)的安全性。

技術(shù)研發(fā)人員：劉新,劉冬蘭,常英賢,慕群,范士峰,趙夫慧,孫莉莉,郭陽,付鑫,張方哲,許善杰,張昊,王睿,史玉良,呂梁,胡恒瑞,馬雷,于灝,秦佳峰,趙洺哲,劉夢琪,姚洪磊,孫夢謙,蘇冰,金玉輝,趙勇,井俊雙
受保護(hù)的技術(shù)使用者：國網(wǎng)山東省電力公司電力科學(xué)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23