CN111722043A - 一种电力设备故障检测方法、装置及系统 - Google Patents
一种电力设备故障检测方法、装置及系统 Download PDFInfo
- Publication number
- CN111722043A CN111722043A CN202010602989.9A CN202010602989A CN111722043A CN 111722043 A CN111722043 A CN 111722043A CN 202010602989 A CN202010602989 A CN 202010602989A CN 111722043 A CN111722043 A CN 111722043A
- Authority
- CN
- China
- Prior art keywords
- model
- fault detection
- equipment
- model parameters
- power equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种电力设备故障检测方法、装置及系统,本申请基于参照联邦学习架构构建的故障检测模型,通过将由联邦学习协作模型根据接收到的加密模型参数进行融合优化后的优化模型参数下发给电力设备以便对配置于电力设备中的本地故障检测模型进行更新,再以更新完成后的本地故障检测模型实施故障检测,借助联邦学习的交互方式,联合其他电力设备的数据进行联合故障检测,解决现有的存在故障检测准确度低的技术问题。
Description
技术领域
本申请涉及电力设备检测领域,尤其涉及一种电力设备故障检测方法、装置及系统。
背景技术
随着电力技术的发展,如今的电力设备已然成为了电网系统中重要组成部分之一,为了保障电网系统的正常运作,首先确保电力设备能够正常运作是必要的前提。
目前针对电力设备的故障检测问题,通常会采用神经网络进行分析,常规的实施方式包括:中心化的检测方式和去中心化的检测方式,中心化的检测方式会给数据中心产生巨大的运算负荷,而去中心化的检测方式通过在电力设备中搭载神经网络模型,利用设备本地搭载的神经网络模型,结合电力设备本地的数据进行数据分析和故障检测,能一定程度上降低数据中心的运算负荷,但存在故障检测准确度低的技术问题。
发明内容
本申请提供了一种电力设备故障检测方法、装置及系统,用于解决现有的存在故障检测准确度低的技术问题。
本申请第一方面提供了一种电力设备故障检测方法,应用于电力设备,包括:
采集设备运行数据;
将所述设备运行数据输入至本地故障检测模型,通过所述本地故障检测模型对所述设备运行数据进行运算,得到故障检测结果,所述本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型;
其中,所述优化模型参数的配置过程为:
所述数据中心接收由电力设备上传的加密模型参数,其中,所述加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,所述设备模型参数具体为所述电力设备中的本地故障检测模型的模型参数;
所述数据中心根据所述电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于所述联邦学习协作模型对各个所述加密模型参数进行融合优化,得到所述优化模型参数。
可选地,所述加密模型参数的配置过程为:
获取设备运行样本数据;
将所述设备运行样本数据输入至初始神经网络模型,对所述初始神经网络模型进行训练,以获得所述本地故障检测模型以及所述本地故障检测模型的设备模型参数;
通过同态加密方式对所述设备模型参数进行加密,得到加密模型参数。
可选地,所述得到故障检测结果之后还包括:
将所述故障检测结果上传至所述数据中心,使得所述数据中心基于接收到的所述故障检测结果对联邦学习协作模型进行更新后,将更新后的优化模型参数反馈给所述电力设备。
可选地,所述加密模型参数具体包括:加密损失函数和加密梯度参数。
本申请第二方面提供了一种电力设备故障检测装置,包括:
运行数据采集单元,用于采集设备运行数据;
故障检测单元,用于将所述设备运行数据输入至本地故障检测模型,通过所述本地故障检测模型对所述设备运行数据进行运算,得到故障检测结果,所述本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型;
其中,所述优化模型参数的配置过程为:
所述数据中心接收由电力设备上传的加密模型参数,其中,所述加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,所述设备模型参数具体为所述电力设备中的本地故障检测模型的模型参数;
所述数据中心根据所述电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于所述联邦学习协作模型对各个所述加密模型参数进行融合优化,得到所述优化模型参数。
可选地,所述加密模型参数的配置过程为:
获取设备运行样本数据;
将所述设备运行样本数据输入至初始神经网络模型,对所述初始神经网络模型进行训练,以获得所述本地故障检测模型以及所述本地故障检测模型的设备模型参数;
通过同态加密方式对所述设备模型参数进行加密,得到加密模型参数。
可选地,还包括:
检测结果上传单元,用于将所述故障检测结果上传至所述数据中心,使得所述数据中心基于接收到的所述故障检测结果对联邦学习协作模型进行更新后,将更新后的优化模型参数反馈给所述电力设备。
可选地,所述加密模型参数具体包括:加密损失函数和加密梯度参数。
本申请第三方面提供了一种电力设备故障检测系统,包括:电力设备和数据中心;
所述电力设备中配置有如本申请第二方面所述电力设备故障检测装置,且通过电网通信线路与所述数据中心通信连接。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种电力设备故障检测方法,应用于电力设备,包括:采集设备运行数据;将所述设备运行数据输入至本地故障检测模型,通过所述本地故障检测模型对所述设备运行数据进行运算,得到故障检测结果,所述本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型;其中,所述优化模型参数的配置过程为:所述数据中心接收由电力设备上传的加密模型参数,其中,所述加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,所述设备模型参数具体为所述电力设备中的本地故障检测模型的模型参数;所述数据中心根据所述电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于所述联邦学习协作模型对各个所述加密模型参数进行融合优化,得到所述优化模型参数。
本申请基于参照联邦学习架构构建的故障检测模型,通过将由联邦学习协作模型根据接收到的加密模型参数进行融合优化后的优化模型参数下发给电力设备以便对配置于电力设备中的本地故障检测模型进行更新,再以更新完成后的本地故障检测模型实施故障检测,借助联邦学习的交互方式,联合其他电力设备的数据进行联合故障检测,解决现有的存在故障检测准确度低的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种电力设备故障检测方法的第一个实施例的流程示意图;
图2为本申请提供的一种电力设备故障检测方法的第二个实施例的流程示意图;
图3为本申请提供的一种电力设备故障检测装置的第一个实施例的结构示意图;
图4为本申请提供的一种电力设备故障检测系统的第一个实施例的结构示意图。
具体实施方式
目前针对电力设备的故障检测问题,通常会采用神经网络进行分析,常规的实施方式包括:中心化的检测方式和去中心化的检测方式,中心化的检测方式会给数据中心产生巨大的运算负荷,而去中心化的检测方式通过在电力设备中搭载神经网络模型,利用设备本地搭载的神经网络模型,结合电力设备本地的数据进行数据分析和故障检测,能一定程度上降低数据中心的运算负荷,但由于去中心化检测方式仅通过将本地的数据输入模型进行故障检测,由于各个本地故障检测模型均处于相互独立的状态,数据量匮乏,导致故障检测准确度低的技术问题。
本申请实施例提供了一种电力设备故障检测方法、装置及系统,用于解决现有的存在故障检测准确度低的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
首先是对联邦学习框架的基本介绍:
联邦学习(Federated Learning)是一种新兴的人工智能基础技术,是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。
以包含两个数据拥有方(A和B)的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假设A和B想联合训练一个机器学习模型,它们的业务终端分别拥有各自用户的相关数据。此外,企业B还拥有模型需要预测的标签数据。出于数据隐私保护和安全考虑,A和B无法直接进行数据交换,可使用联邦学习系统建立模型。
请参阅图1,本申请第一个实施例提供了一种电力设备故障检测方法,应用于电力设备,包括:
步骤101、采集设备运行数据。
步骤102、将设备运行数据输入至本地故障检测模型,通过本地故障检测模型对设备运行数据进行运算,得到故障检测结果,本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型。
其中,优化模型参数的配置过程为:
数据中心接收由电力设备上传的加密模型参数,其中,加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,设备模型参数具体为电力设备中的本地故障检测模型的模型参数;
数据中心根据电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于联邦学习协作模型对各个加密模型参数进行融合优化,得到优化模型参数。
需要说明的是,本实施例以实施故障检测的电力设备为主视角,首先,电力设备从自身采集到的设备运行数据,接着将该设备运行数据输入至本地故障检测模型,通过本地故障检测模型进行运算后,得到该电力设备的故障检测结果。
其中,本实施例的本地故障检测模型是基于联邦学习协作模型利用各个电力设备上传的模型参数进行融合优化得到的优化模型参数进行更新后的检测模型。可以理解的是,本实施例的模型参数为电力设备中的本地故障检测模型的模型参数,模型参数中包括损失函数和梯度参数。
本实施例在电力设备的故障检测的问题上,基于联邦学习的交互方式,使得电力设备可以无需与数据中心或其他电力设备进行设备运行数据交互的情况下,联合其他电力设备的数据,克服了各个本地故障检测模型均处于相互独立的状态造成的数据割裂问题,解决了现有技术由于各个本地故障检测模型均处于相互独立的状态,数据量匮乏,导致故障检测准确度低的技术问题。
以上为本申请提供的一种电力设备故障检测方法的第一个实施例的详细说明,下面为本申请提供的一种电力设备故障检测方法的第二个实施例的详细说明。
请参阅图2,本申请第二个实施例提供了一种电力设备故障检测方法,包括:
步骤201、采集设备运行数据,其中设备运行数据可以包括电压、用电量负荷、电流、投运时间等。
步骤202、将设备运行数据输入至本地故障检测模型,通过本地故障检测模型对设备运行数据进行运算,得到故障检测结果,本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型。
其中,优化模型参数的配置过程为:
数据中心接收由电力设备上传的加密模型参数,其中,加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,设备模型参数具体为电力设备中的本地故障检测模型的模型参数;
数据中心根据电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于联邦学习协作模型对各个加密模型参数进行融合优化,得到优化模型参数。
需要说明的是,本实施例基于同类型的设备运行数据相似,通过同类型的电力设备的加密模型参数输入至联邦学习协作模型,以达到数据对齐的目的。
进一步地,加密模型参数的配置过程为:
获取设备运行样本数据;
将设备运行样本数据输入至初始神经网络模型,对初始神经网络模型进行训练,以获得本地故障检测模型以及本地故障检测模型的设备模型参数;
通过同态加密方式对设备模型参数进行加密,得到加密模型参数。
需要说明的是,上述的加密模型参数的配置过程为首次建模时获取用于上传至数据中心的加密模型参数的过程,具体为通过将将设备运行样本数据输入至初始神经网络模型,对初始神经网络模型进行训练,以得到本地故障检测模型,并基于训练好的本地故障检测模型提取其中的设备模型参数,再通过同态加密方式对设备模型参数进行加密,得到加密模型参数。其他电力终端的加密模型参数配置过程与此相似,在此不做赘述。而加密后得到的加密模型参数即可上传至数据中心的联邦学习协作模型,使得作为训练协作方的联邦学习协作模型进行融合优化。
进一步地,本实施例的加密模型参数具体包括:加密损失函数和加密梯度参数。
步骤203、将故障检测结果上传至数据中心,使得数据中心基于接收到的故障检测结果对联邦学习协作模型进行更新后,将更新后的优化模型参数反馈给电力设备。
需要说明的是,本实施例在步骤202的预测阶段之后,还可以包括步骤203的模型更新步骤,使得本实施例的本地故障检测的准确度可随着使用次数而提升。
以上为本申请提供的一种电力设备故障检测方法的第二个实施例的详细说明,下面为本申请提供的一种电力设备故障检测装置的第一个实施例详细说明。
请参阅图3,本申请第三个实施例提供了一种电力设备故障检测装置,包括:
运行数据采集单元301,用于采集设备运行数据;
故障检测单元302,用于将设备运行数据输入至本地故障检测模型,通过本地故障检测模型对设备运行数据进行运算,得到故障检测结果,本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型;
其中,优化模型参数的配置过程为:
数据中心接收由电力设备上传的加密模型参数,其中,加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,设备模型参数具体为电力设备中的本地故障检测模型的模型参数;
数据中心根据电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于联邦学习协作模型对各个加密模型参数进行融合优化,得到优化模型参数。
进一步地,加密模型参数的配置过程为:
获取设备运行样本数据;
将设备运行样本数据输入至初始神经网络模型,对初始神经网络模型进行训练,以获得本地故障检测模型以及本地故障检测模型的设备模型参数;
通过同态加密方式对设备模型参数进行加密,得到加密模型参数。
进一步地,还包括:
检测结果上传单元303,用于将故障检测结果上传至数据中心,使得数据中心基于接收到的故障检测结果对联邦学习协作模型进行更新后,将更新后的优化模型参数反馈给电力设备。
进一步地,加密模型参数具体包括:加密损失函数和加密梯度参数。
以上为本申请提供的一种电力设备故障检测装置的第一个实施例的详细说明,下面为本申请提供的一种电力设备故障检测系统的第一个实施例详细说明。
请参阅图4,本申请第三方面提供了一种电力设备故障检测系统,包括:电力设备A和数据中心B;
电力设备A中配置有如本申请第三个实施例提及的电力设备故障检测装置,且通过电网通信线路与数据中心B通信连接。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种电力设备故障检测方法,应用于电力设备,其特征在于,包括:
采集设备运行数据;
将所述设备运行数据输入至本地故障检测模型,通过所述本地故障检测模型对所述设备运行数据进行运算,得到故障检测结果,所述本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型;
其中,所述优化模型参数的配置过程为:
所述数据中心接收由电力设备上传的加密模型参数,其中,所述加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,所述设备模型参数具体为所述电力设备中的本地故障检测模型的模型参数;
所述数据中心根据所述电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于所述联邦学习协作模型对各个所述加密模型参数进行融合优化,得到所述优化模型参数。
2.根据权利要求1所述的一种电力设备故障检测方法,其特征在于,所述加密模型参数的配置过程为:
获取设备运行样本数据;
将所述设备运行样本数据输入至初始神经网络模型,对所述初始神经网络模型进行训练,以获得所述本地故障检测模型以及所述本地故障检测模型的设备模型参数;
通过同态加密方式对所述设备模型参数进行加密,得到加密模型参数。
3.根据权利要求1所述的一种电力设备故障检测方法,其特征在于,所述得到故障检测结果之后还包括:
将所述故障检测结果上传至所述数据中心,使得所述数据中心基于接收到的所述故障检测结果对联邦学习协作模型进行更新后,将更新后的优化模型参数反馈给所述电力设备。
4.根据权利要求1所述的一种电力设备故障检测方法,其特征在于,所述加密模型参数具体包括:加密损失函数和加密梯度参数。
5.一种电力设备故障检测装置,其特征在于,包括:
运行数据采集单元,用于采集设备运行数据;
故障检测单元,用于将所述设备运行数据输入至本地故障检测模型,通过所述本地故障检测模型对所述设备运行数据进行运算,得到故障检测结果,所述本地故障检测模型为根据数据中心下发的优化模型参数进行模型更新后得到的神经网络模型;
其中,所述优化模型参数的配置过程为:
所述数据中心接收由电力设备上传的加密模型参数,其中,所述加密模型参数为通过同态加密方式对设备模型参数进行加密得到的参数,所述设备模型参数具体为所述电力设备中的本地故障检测模型的模型参数;
所述数据中心根据所述电力设备的设备类型,将同类型的电力设备的加密模型参数输入至联邦学习协作模型,基于所述联邦学习协作模型对各个所述加密模型参数进行融合优化,得到所述优化模型参数。
6.根据权利要求5所述的一种电力设备故障检测装置,其特征在于,所述加密模型参数的配置过程为:
获取设备运行样本数据;
将所述设备运行样本数据输入至初始神经网络模型,对所述初始神经网络模型进行训练,以获得所述本地故障检测模型以及所述本地故障检测模型的设备模型参数;
通过同态加密方式对所述设备模型参数进行加密,得到加密模型参数。
7.根据权利要求5所述的一种电力设备故障检测装置,其特征在于,还包括:
检测结果上传单元,用于将所述故障检测结果上传至所述数据中心,使得所述数据中心基于接收到的所述故障检测结果对联邦学习协作模型进行更新后,将更新后的优化模型参数反馈给所述电力设备。
8.根据权利要求5所述的一种电力设备故障检测装置,其特征在于,所述加密模型参数具体包括:加密损失函数和加密梯度参数。
9.一种电力设备故障检测系统,其特征在于,包括:电力设备和数据中心;
所述电力设备中配置有如权利要求5至8任意一项所述电力设备故障检测装置,且通过电网通信线路与所述数据中心通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602989.9A CN111722043B (zh) | 2020-06-29 | 2020-06-29 | 一种电力设备故障检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602989.9A CN111722043B (zh) | 2020-06-29 | 2020-06-29 | 一种电力设备故障检测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111722043A true CN111722043A (zh) | 2020-09-29 |
CN111722043B CN111722043B (zh) | 2021-09-14 |
Family
ID=72569387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602989.9A Active CN111722043B (zh) | 2020-06-29 | 2020-06-29 | 一种电力设备故障检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111722043B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763845A (zh) * | 2020-12-23 | 2021-05-07 | 广东电网有限责任公司梅州供电局 | 基于联邦学习的边缘物联网固件故障检测方法和系统 |
CN112801815A (zh) * | 2020-12-30 | 2021-05-14 | 国网江苏省电力公司信息通信分公司 | 一种基于联邦学习的电力通信网络故障预警方法 |
CN112862347A (zh) * | 2021-03-02 | 2021-05-28 | 同济大学 | 基于联邦学习的设备异常监测方法、系统、存储介质及终端 |
CN113033605A (zh) * | 2021-02-08 | 2021-06-25 | 广东迅科动力科技有限公司 | 电机的故障判断方法、装置、终端设备及计算机存储介质 |
CN113141355A (zh) * | 2021-04-13 | 2021-07-20 | 长沙理工大学 | 一种基于全同态的用电加密数据异常检测方法与系统 |
CN113191072A (zh) * | 2021-03-30 | 2021-07-30 | 中国建设银行股份有限公司 | 基于纵向联邦逻辑回归的可疑交易监测方法及装置 |
CN114461439A (zh) * | 2022-04-13 | 2022-05-10 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、装置、设备及存储介质 |
CN117762464A (zh) * | 2023-12-29 | 2024-03-26 | 中睿信数字技术有限公司 | 一种基于云计算的软件运维系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955241A (zh) * | 2016-06-03 | 2016-09-21 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
CN109143851A (zh) * | 2018-07-11 | 2019-01-04 | 佛山科学技术学院 | 多标记故障深度学习的识别及其结果智能表达的方法 |
CN109886417A (zh) * | 2019-03-01 | 2019-06-14 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
US20190303666A1 (en) * | 2018-03-30 | 2019-10-03 | Atlassian Pty Ltd | Automatic detection of duplicate tickets in federated collaboration systems |
CN110380917A (zh) * | 2019-08-26 | 2019-10-25 | 深圳前海微众银行股份有限公司 | 联邦学习系统的控制方法、装置、终端设备及存储介质 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN111143308A (zh) * | 2019-12-26 | 2020-05-12 | 许昌中科森尼瑞技术有限公司 | 基于联邦学习的高低压电动机数据处理方法、系统及装置 |
US20200202243A1 (en) * | 2019-03-05 | 2020-06-25 | Allegro Artificial Intelligence Ltd | Balanced federated learning |
-
2020
- 2020-06-29 CN CN202010602989.9A patent/CN111722043B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955241A (zh) * | 2016-06-03 | 2016-09-21 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
US20190303666A1 (en) * | 2018-03-30 | 2019-10-03 | Atlassian Pty Ltd | Automatic detection of duplicate tickets in federated collaboration systems |
CN109143851A (zh) * | 2018-07-11 | 2019-01-04 | 佛山科学技术学院 | 多标记故障深度学习的识别及其结果智能表达的方法 |
CN109886417A (zh) * | 2019-03-01 | 2019-06-14 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法、装置、设备及介质 |
US20200202243A1 (en) * | 2019-03-05 | 2020-06-25 | Allegro Artificial Intelligence Ltd | Balanced federated learning |
CN110380917A (zh) * | 2019-08-26 | 2019-10-25 | 深圳前海微众银行股份有限公司 | 联邦学习系统的控制方法、装置、终端设备及存储介质 |
CN110955907A (zh) * | 2019-12-13 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习的模型训练方法 |
CN111143308A (zh) * | 2019-12-26 | 2020-05-12 | 许昌中科森尼瑞技术有限公司 | 基于联邦学习的高低压电动机数据处理方法、系统及装置 |
Non-Patent Citations (1)
Title |
---|
吴钉捷 等: "基于生成对抗网络和联邦学习的非侵入式负荷分解方法", 《电测与仪表》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763845A (zh) * | 2020-12-23 | 2021-05-07 | 广东电网有限责任公司梅州供电局 | 基于联邦学习的边缘物联网固件故障检测方法和系统 |
CN112763845B (zh) * | 2020-12-23 | 2022-07-08 | 广东电网有限责任公司梅州供电局 | 基于联邦学习的边缘物联网固件故障检测方法和系统 |
CN112801815A (zh) * | 2020-12-30 | 2021-05-14 | 国网江苏省电力公司信息通信分公司 | 一种基于联邦学习的电力通信网络故障预警方法 |
CN112801815B (zh) * | 2020-12-30 | 2024-03-29 | 国网江苏省电力公司信息通信分公司 | 一种基于联邦学习的电力通信网络故障预警方法 |
CN113033605A (zh) * | 2021-02-08 | 2021-06-25 | 广东迅科动力科技有限公司 | 电机的故障判断方法、装置、终端设备及计算机存储介质 |
CN112862347A (zh) * | 2021-03-02 | 2021-05-28 | 同济大学 | 基于联邦学习的设备异常监测方法、系统、存储介质及终端 |
CN113191072A (zh) * | 2021-03-30 | 2021-07-30 | 中国建设银行股份有限公司 | 基于纵向联邦逻辑回归的可疑交易监测方法及装置 |
CN113141355A (zh) * | 2021-04-13 | 2021-07-20 | 长沙理工大学 | 一种基于全同态的用电加密数据异常检测方法与系统 |
CN114461439A (zh) * | 2022-04-13 | 2022-05-10 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、装置、设备及存储介质 |
CN117762464A (zh) * | 2023-12-29 | 2024-03-26 | 中睿信数字技术有限公司 | 一种基于云计算的软件运维系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111722043B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111722043B (zh) | 一种电力设备故障检测方法、装置及系统 | |
CN110189192B (zh) | 一种信息推荐模型的生成方法及装置 | |
CN106326219B (zh) | 核对业务系统数据的方法、装置及系统 | |
CN107888397A (zh) | 确定故障类型的方法和装置 | |
CN106682984A (zh) | 基于区块链的交易事务处理方法及系统 | |
CN110247792A (zh) | 一种基于网络告警关联的故障处理方法及装置 | |
CN111860829A (zh) | 联邦学习模型的训练方法及装置 | |
CN109165337B (zh) | 一种基于知识图谱构建招投标领域关联分析的方法及系统 | |
CN110798709B (zh) | 视频处理方法和装置、存储介质及电子装置 | |
CN112270422A (zh) | 一种基于知识服务的电务维护辅助系统及方法 | |
CN115221982B (zh) | 牵引供电运维方法、装置、终端及存储介质 | |
CN115169576B (zh) | 基于联邦学习的模型训练方法、装置及电子设备 | |
CN111698291A (zh) | 一种区块链节点存储云系统 | |
CN111125760A (zh) | 保护数据隐私的模型训练、预测方法及其系统 | |
CN111723942B (zh) | 一种企业用电负荷预测方法、电网业务子系统及预测系统 | |
CN116582414A (zh) | 故障根因定位方法、装置、设备及可读存储介质 | |
CN111724000B (zh) | 一种用户电费回收风险预测方法、装置及系统 | |
CN111880989B (zh) | 一种配置项管理方法及装置 | |
CN113537516B (zh) | 分布式机器学习模型的训练方法、装置、设备和介质 | |
CN115423208A (zh) | 基于隐私计算的电子保函价值预测方法及装置 | |
CN113032838B (zh) | 基于隐私计算的标签预测模型生成方法、预测方法、模型生成装置、系统及介质 | |
CN114723012A (zh) | 基于分布式训练系统的计算方法和装置 | |
CN107678917A (zh) | 测试机自动化管理方法、装置、设备及存储介质 | |
CN113313615A (zh) | 一种对企业司法风险进行量化评分定级的方法及装置 | |
CN113806555A (zh) | 用于app的运营异常识别方法、系统、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |