CN112200263A - 一种应用于配电物联网的自组织联邦聚类方法 - Google Patents

一种应用于配电物联网的自组织联邦聚类方法 Download PDF

Info

Publication number
CN112200263A
CN112200263A CN202011136487.8A CN202011136487A CN112200263A CN 112200263 A CN112200263 A CN 112200263A CN 202011136487 A CN202011136487 A CN 202011136487A CN 112200263 A CN112200263 A CN 112200263A
Authority
CN
China
Prior art keywords
power distribution
things
organizing
self
clustering
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
Application number
CN202011136487.8A
Other languages
English (en)
Other versions
CN112200263B (zh
Inventor
孙勇
李建修
邵志敏
张鹏平
张世栋
刘洋
王峰
李立生
张林利
由新红
苏国强
李帅
刘合金
黄敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011136487.8A priority Critical patent/CN112200263B/zh
Publication of CN112200263A publication Critical patent/CN112200263A/zh
Application granted granted Critical
Publication of CN112200263B publication Critical patent/CN112200263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G16Y30/10—Security thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种应用于配电物联网的自组织联邦聚类方法，所提自组织联邦学习框架完全克服了因数据传输带来的一系列安全和隐私问题，使设备状态监测准确。利用自组织图聚类算法，所提模型能够很好地利用配电物联网中的海量数据进行学习，在数据不断变化的物联网中具有很好的应用效果。配电物联网中的智能终端种类繁多且交互复杂，运用深度学习思想的模型可以自动去学习复杂数据背后的更深层次的关系，提高了聚类的可靠性。所提启发式算法可以在平衡数据的传输时间和本地处理效率的同时选择最佳聚头。

Description

一种应用于配电物联网的自组织联邦聚类方法
技术领域
本发明涉及配电物联网技术领域，具体涉及一种应用于配电物联网的自组织联邦聚类方法。
背景技术
配电物联网作为连接用户的一个主要桥梁其承载的功能已由传统的单向电能提供向双向能量流动转变，基于机器学习的设备状态监测模型可以对诸如配电柜、配电变压器等配电设备单元的状态进行实时监测，提前感知配电主设备的状态信息，一旦监测到设备状态表现异常，电网系统可以直接启动预警机制解决存在的隐患。基于此，设备状态监测已成为配电物联网的经典应用场景之一。然而传统的基于机器学习的设备状态监测模型是将数据从终端设备迁移到集中位置进行训练的，数据从智能终端传输到集中位置会遇到很多的安全隐私问题，一旦这些数据被恶意者攻击，状态监测模型很有可能不能监测到设备的真实状态，不能及时采取预防措施，从而给电网和国民经济带来很大危害。
在解决这一问题上，现有的应用于配电物联网的智能终端状态监测方法已经不能有效应对，迫切地需要研发一种新的状态监测方法来解决这一问题。
发明内容
本发明为了克服以上技术的不足，提供了一种设备检测准确、实现良好的聚类效果、处理计算时间短的应用于配电物联网的自组织联邦聚类方法。
本发明克服其技术问题所采用的技术方案是：
一种应用于配电物联网的自组织联邦聚类方法，包括如下步骤：
a)在配电物联网中设置至少一个中心服务器及配电设备单元，配电设备单元由若干主设备及若干从设备构成，中心服务器与配电设备单元相互通信；
b)采集配电物联网中配电设备单元的历史数据，将采集的历史数据建立无向加权图和社交关系表；
c)利用自组织图聚类算法将配电设备单元进行聚类；
d)寻找聚类后的每一个分组的聚头，将其作为主设备，其余设备作为从设备，形成配电物联网中中心服务器、主设备及从设备构成的关系网；
e)当中心服务器发送指令给主设备时，主设备将命令传输到从设备，从设备授权中心服务器的模型访问本地数据，中心服务器中的模型在从设备空闲时对本地数据进行训练；
f)训练结束后，训练结果由从设备发送到主设备，主设备将结果传输给中心服务器。
进一步的，步骤b)中无向加权图和社会关系表随历史数据的变化而变化。
进一步的，步骤c)的步骤为：
c-1)将步骤b)中采集的历史数据建立无向加权图进行预处理后将其转换为二维矩阵Aij＝{a00,a01,...a0j,...aij,...}，aij为权重，表示设备i与j之间的社交关系数，将二维矩阵Aij分为训练样本A1、测试样本A2及验证样本A3，A1占Aij的80％，A2占Aij的10％，A3占Aij的10％；
c-2)将训练样本A1作为图卷积神经网络GCN的输入，经过基于谱的图卷积进行卷积运算后得到特征图谱F，
Figure BDA0002736692600000021
C为特征的数量，H×W为一个像素面；
c-3)利用Spatial Attention模型平滑处理特征图谱F，得到特征图谱F在空间上的特征权重W；
c-4)将特征权重W作为K近邻算法KNN的输入进行半监督聚类，得到聚类结果C1＝{c1,c2,c3,...}，C2＝{c4,c5,c6,...}，C3＝{c7,c8,c9,...}，...，其中Ci为第i个聚类块，ci为第i个聚类块中的配电设备单元中设备的序号。
进一步的，步骤c-3)的步骤为：
c-3.1)在通道维度上对特征图谱F做最大池化后得到
Figure BDA0002736692600000022
对特征图谱F做平均池化处理后得到
Figure BDA0002736692600000023
c-3.2)对
Figure BDA0002736692600000024
及
Figure BDA0002736692600000025
使用字符链接运算得到特征的二维数组
Figure BDA0002736692600000031
c-3.3)利用公式
Figure BDA0002736692600000032
计算特征权重W，式中
Figure BDA0002736692600000033
fn×n为n×n卷积核。
进一步的，步骤c-3.3)中n取值为3。
进一步的，步骤d)包括如下步骤：
d-1)根据步骤c)中的聚类结果重新划分社交关系表，将同属于一个聚内的设备关系存放于同一张社交关系表中；
d-2)分别将社交关系表中社交关系数值w(s1)的取值设置为0.5，设备剩余可用资源w(s2)取值设置为0.4，数据传输时间的权重w(s3)的取值设置为0.1；
d-3)通过公式scorei＝si1*w(s1)+si2*w(s2)+si3*w(s3)计算得到同一聚内第i个成员设备的分值scorei，式中si1为第i个设备的社交关系值，si2为第i个设备的设备剩余可用资源，si3为第i个设备的数据传输时间；
d-4)对同一聚内每一个设备的分值进行排序，选取分值最大的设备作为聚头。进一步的，将测试样本A2及验证样本A3输入步骤c-2)中的图卷积神经网络GCN中分别进行测试和验证。
本发明的有益效果是：自组织联邦学习框架完全克服了因数据传输带来的一系列安全和隐私问题，使设备状态监测准确。利用自组织图聚类算法，所提模型能够很好地利用配电物联网中的海量数据进行学习，在数据不断变化的物联网中具有很好的应用效果。配电物联网中的智能终端种类繁多且交互复杂，运用深度学习思想的模型可以自动去学习复杂数据背后的更深层次的关系，提高了聚类的可靠性。所提启发式算法可以在平衡数据的传输时间和本地处理效率的同时选择最佳聚头。
具体实施方式
下面对本发明做进一步说明。
一种应用于配电物联网的自组织联邦聚类方法，包括如下步骤：
a)在配电物联网中设置至少一个中心服务器及配电设备单元，配电设备单元由若干主设备及若干从设备构成，中心服务器与配电设备单元相互通信。
b)采集配电物联网中配电设备单元的历史数据，将采集的历史数据建立无向加权图和社交关系表。
c)利用自组织图聚类算法将配电设备单元进行聚类。
d)寻找聚类后的每一个分组的聚头，将其作为主设备，其余设备作为从设备，形成配电物联网中中心服务器、主设备及从设备构成的关系网。
e)当中心服务器发送指令给主设备时，主设备将命令传输到从设备，从设备授权中心服务器的模型访问本地数据，中心服务器中的模型在从设备空闲时对本地数据进行训练。
f)训练结束后，训练结果由从设备发送到主设备，主设备将结果传输给中心服务器。
通过自组织联邦学习框架完全克服了因数据传输带来的一系列安全和隐私问题，使设备状态监测准确。利用自组织图聚类算法，所提模型能够很好地利用配电物联网中的海量数据进行学习，在数据不断变化的物联网中具有很好的应用效果。配电物联网中的智能终端种类繁多且交互复杂，运用深度学习思想的模型可以自动去学习复杂数据背后的更深层次的关系，提高了聚类的可靠性。可以在平衡数据的传输时间和本地处理效率的同时，选择最佳聚头。
进一步的，步骤b)中无向加权图和社会关系表随历史数据的变化而变化。
进一步的，步骤c)的步骤为：
c-1)将步骤b)中采集的历史数据建立无向加权图进行预处理后将其转换为二维矩阵Aij＝{a00,a01,...a0j,...aij,...}，aij为权重，表示设备i与j之间的社交关系数，将二维矩阵Aij分为训练样本A1、测试样本A2及验证样本A3，A1占Aij的80％，A2占Aij的10％，A3占Aij的10％。
c-2)将训练样本A1作为图卷积神经网络GCN的输入，经过基于谱的图卷积进行卷积运算后得到特征图谱F，
Figure BDA0002736692600000041
C为特征的数量，H×W为一个像素面。
c-3)利用Spatial Attention模型平滑处理特征图谱F，得到特征图谱F在空间上的特征权重W。
c-4)将特征权重W作为K近邻算法KNN的输入进行半监督聚类，得到聚类结果C1＝{c1,c2,c3,...}，C2＝{c4,c5,c6,...}，C3＝{c7,c8,c9,...}，...，其中Ci为第i个聚类块，ci为第i个聚类块中的配电设备单元中设备的序号。
Spatial Attention模型是一种池化模型，具体的，步骤c-3)的步骤为：
c-3.1)在通道维度上对特征图谱F做最大池化后得到
Figure BDA0002736692600000051
对特征图谱F做平均池化处理后得到
Figure BDA0002736692600000052
c-3.2)对
Figure BDA0002736692600000053
及
Figure BDA0002736692600000054
使用字符链接运算得到特征的二维数组
Figure BDA0002736692600000055
c-3.3)利用公式
Figure BDA0002736692600000056
计算特征权重W，式中
Figure BDA0002736692600000057
fn×n为n×n卷积核。
优选的，步骤c-3.3)中n取值为3。
进一步的，步骤d)包括如下步骤：
d-1)根据步骤c)中的聚类结果重新划分社交关系表，将同属于一个聚内的设备关系存放于同一张社交关系表中。
d-2)分别将社交关系表中社交关系数值w(s1)的取值设置为0.5，设备剩余可用资源w(s2)取值设置为0.4，数据传输时间的权重w(s3)的取值设置为0.1。
d-3)通过公式scorei＝si1*w(s1)+si2*w(s2)+si3*w(s3)计算得到同一聚内第i个成员设备的分值scorei，式中si1为第i个设备的社交关系值，si2为第i个设备的设备剩余可用资源，si3为第i个设备的数据传输时间。
d-4)对同一聚内每一个设备的分值进行排序，选取分值最大的设备作为聚头。将测试样本A2及验证样本A3输入步骤c-2)中的图卷积神经网络GCN中分别进行测试和验证。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种应用于配电物联网的自组织联邦聚类方法，其特征在于，包括如下步骤：
a)在配电物联网中设置至少一个中心服务器及配电设备单元，配电设备单元由若干主设备及若干从设备构成，中心服务器与配电设备单元相互通信；
b)采集配电物联网中配电设备单元的历史数据，将采集的历史数据建立无向加权图和社交关系表；
c)利用自组织图聚类算法将配电设备单元进行聚类；
d)寻找聚类后的每一个分组的聚头，将其作为主设备，其余设备作为从设备，形成配电物联网中中心服务器、主设备及从设备构成的关系网；
e)当中心服务器发送指令给主设备时，主设备将命令传输到从设备，从设备授权中心服务器的模型访问本地数据，中心服务器中的模型在从设备空闲时对本地数据进行训练；
f)训练结束后，训练结果由从设备发送到主设备，主设备将结果传输给中心服务器。
2.根据权利要求1所述的应用于配电物联网的自组织联邦聚类方法，其特征在于：步骤b)中无向加权图和社会关系表随历史数据的变化而变化。
3.根据权利要求1所述的应用于配电物联网的自组织联邦聚类方法，其特征在于，步骤c)的步骤为：
c-1)将步骤b)中采集的历史数据建立无向加权图进行预处理后将其转换为二维矩阵Aij＝{a00,a01,...a0j,...aij,...}，aij为权重，表示设备i与j之间的社交关系数，将二维矩阵Aij分为训练样本A1、测试样本A2及验证样本A3，A1占Aij的80％，A2占Aij的10％，A3占Aij的10％；
c-2)将训练样本A1作为图卷积神经网络GCN的输入，经过基于谱的图卷积进行卷积运算后得到特征图谱F，
Figure FDA0002736692590000011
C为特征的数量，H×W为一个像素面；
c-3)利用Spatial Attention模型平滑处理特征图谱F，得到特征图谱F在空间上的特征权重W；
c-4)将特征权重W作为K近邻算法KNN的输入进行半监督聚类，得到聚类结果C1＝{c1,c2,c3,...}，C2＝{c4,c5,c6,...}，C3＝{c7,c8,c9,...}，...，其中Ci为第i个聚类块，ci为第i个聚类块中的配电设备单元中设备的序号。
4.根据权利要求1所述的应用于配电物联网的自组织联邦聚类方法，其特征在于，步骤c-3)的步骤为：
c-3.1)在通道维度上对特征图谱F做最大池化后得到
Figure FDA0002736692590000021
对特征图谱F做平均池化处理后得到
Figure FDA0002736692590000022
c-3.2)对
Figure FDA0002736692590000023
及
Figure FDA0002736692590000024
使用字符链接运算得到特征的二维数组
Figure FDA0002736692590000025
c-3.3)利用公式
Figure FDA0002736692590000026
计算特征权重W，式中
Figure FDA0002736692590000027
fn×n为n×n卷积核。
5.根据权利要求1所述的应用于配电物联网的自组织联邦聚类方法，其特征在于：步骤c-3.3)中n取值为3。
6.根据权利要求1所述的应用于配电物联网的自组织联邦聚类方法，其特征在于，步骤d)包括如下步骤：
d-1)根据步骤c)中的聚类结果重新划分社交关系表，将同属于一个聚内的设备关系存放于同一张社交关系表中；
d-2)分别将社交关系表中社交关系数值w(s1)的取值设置为0.5，设备剩余可用资源w(s2)取值设置为0.4，数据传输时间的权重w(s3)的取值设置为0.1；
d-3)通过公式scorei＝si1*w(s1)+si2*w(s2)+si3*w(s3)计算得到同一聚内第i个成员设备的分值scorei，式中si1为第i个设备的社交关系值，si2为第i个设备的设备剩余可用资源，si3为第i个设备的数据传输时间；
d-4)对同一聚内每一个设备的分值进行排序，选取分值最大的设备作为聚头。
7.根据权利要求1所述的应用于配电物联网的自组织联邦聚类方法，其特征在于：将测试样本A2及验证样本A3输入步骤c-2)中的图卷积神经网络GCN中分别进行测试和验证。
CN202011136487.8A 2020-10-22 2020-10-22 一种应用于配电物联网的自组织联邦聚类方法 Active CN112200263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011136487.8A CN112200263B (zh) 2020-10-22 2020-10-22 一种应用于配电物联网的自组织联邦聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011136487.8A CN112200263B (zh) 2020-10-22 2020-10-22 一种应用于配电物联网的自组织联邦聚类方法

Publications (2)

Publication Number Publication Date
CN112200263A true CN112200263A (zh) 2021-01-08
CN112200263B CN112200263B (zh) 2022-09-16

Family

ID=74010770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011136487.8A Active CN112200263B (zh) 2020-10-22 2020-10-22 一种应用于配电物联网的自组织联邦聚类方法

Country Status (1)

Country Link
CN (1) CN112200263B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098715A (zh) * 2020-09-18 2020-12-18 宁波智诚祥科技发展有限公司 基于5g和修正gcn图神经网络的电能监控与预警系统
CN112990276A (zh) * 2021-02-20 2021-06-18 平安科技（深圳）有限公司 基于自组织集群的联邦学习方法、装置、设备及存储介质
WO2023142490A1 (zh) * 2022-01-28 2023-08-03 中国银联股份有限公司 基于分布式图嵌入的联邦图聚类方法、装置及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919451A (zh) * 2019-02-15 2019-06-21 合肥优晟电力科技有限公司 基于真实电网拓扑分析及安全知识库数字电网系统及方法
CN110765582A (zh) * 2019-09-24 2020-02-07 河海大学常州校区 基于马尔可夫链的自组织中心K-means微电网场景划分方法
CN111445119A (zh) * 2020-03-24 2020-07-24 清华大学 配电设备运行状态关联关系在线检测方法及装置
CN111553470A (zh) * 2020-07-10 2020-08-18 成都数联铭品科技有限公司 适用于联邦学习的信息交互系统及方法
CN111798002A (zh) * 2020-05-31 2020-10-20 北京科技大学 一种局部模型占比可控的联邦学习全局模型聚合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919451A (zh) * 2019-02-15 2019-06-21 合肥优晟电力科技有限公司 基于真实电网拓扑分析及安全知识库数字电网系统及方法
CN110765582A (zh) * 2019-09-24 2020-02-07 河海大学常州校区 基于马尔可夫链的自组织中心K-means微电网场景划分方法
CN111445119A (zh) * 2020-03-24 2020-07-24 清华大学 配电设备运行状态关联关系在线检测方法及装置
CN111798002A (zh) * 2020-05-31 2020-10-20 北京科技大学 一种局部模型占比可控的联邦学习全局模型聚合方法
CN111553470A (zh) * 2020-07-10 2020-08-18 成都数联铭品科技有限公司 适用于联邦学习的信息交互系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PEDRO H. M. BRAGA ET AL: "A Semi-Supervised Self-Organizing Map for Clustering and Classification", 《ARXIV》 *
WENQI HUA ET AL: "Clustering Ensemble Model Based on Self-Organizing Map Network", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112098715A (zh) * 2020-09-18 2020-12-18 宁波智诚祥科技发展有限公司 基于5g和修正gcn图神经网络的电能监控与预警系统
CN112098715B (zh) * 2020-09-18 2023-06-06 宁波智诚祥科技发展有限公司 基于5g和修正gcn图神经网络的电能监控与预警系统
CN112990276A (zh) * 2021-02-20 2021-06-18 平安科技（深圳）有限公司 基于自组织集群的联邦学习方法、装置、设备及存储介质
WO2022174533A1 (zh) * 2021-02-20 2022-08-25 平安科技（深圳）有限公司 基于自组织集群的联邦学习方法、装置、设备及存储介质
CN112990276B (zh) * 2021-02-20 2023-07-21 平安科技（深圳）有限公司 基于自组织集群的联邦学习方法、装置、设备及存储介质
WO2023142490A1 (zh) * 2022-01-28 2023-08-03 中国银联股份有限公司 基于分布式图嵌入的联邦图聚类方法、装置及可读存储介质

Also Published As

Publication number Publication date
CN112200263B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN112200263B (zh) 一种应用于配电物联网的自组织联邦聚类方法
WO2021073462A1 (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN106769052B (zh) 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法
CN106850254B (zh) 一种电力通信网中关键节点识别方法
CN107656154B (zh) 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN112859822B (zh) 基于人工智能的设备健康分析及故障诊断的方法及系统
CN109856299A (zh) 一种变压器在线监测差异化阈值动态设置方法、系统
CN104299115B (zh) 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法
CN108898077A (zh) 电力设备红外热图的识别方法和电力设备红外识别系统
CN109190950B (zh) 一种电表和水表档案贯通的用能异常识别方法
CN111199252A (zh) 一种电力通信网络智能运维系统的故障诊断方法
CN105242205A (zh) 一种航空三级式交流发电机旋转整流器在线故障诊断方法
CN113641486B (zh) 一种基于边缘计算网络架构的道岔智能故障诊断方法
CN109389325A (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN110705887A (zh) 一种基于神经网络模型的低压台区运行状态综合评价方法
CN107239798A (zh) 一种面向软件缺陷个数预测的特征选择方法
CN108268894A (zh) 一种基于网络可视图的人体朝向检测方法
CN110059913A (zh) 一种计及未来态的停电计划的量化评估方法
CN111626559A (zh) 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统
CN106597154A (zh) 基于dag‑svm的变压器故障诊断提升方法
CN110533300B (zh) 基于博弈集对云的变压器智能决策系统
CN105471624A (zh) 一种通信设备接入终端通信接入网的综合评价方法
AU2021106280A4 (en) A Method of Water Environment Risk Assessment Based on Fuzzy Integral Model
CN111190072A (zh) 集抄系统诊断模型建立方法、故障诊断方法及装置
CN108761263A (zh) 一种基于证据理论的故障诊断系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong

Applicant after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant before: State Grid Corporation of China

GR01 Patent grant
GR01 Patent grant