CN112801815A - 一种基于联邦学习的电力通信网络故障预警方法 - Google Patents

一种基于联邦学习的电力通信网络故障预警方法 Download PDF

Info

Publication number
CN112801815A
CN112801815A CN202011642773.1A CN202011642773A CN112801815A CN 112801815 A CN112801815 A CN 112801815A CN 202011642773 A CN202011642773 A CN 202011642773A CN 112801815 A CN112801815 A CN 112801815A
Authority
CN
China
Prior art keywords
prediction model
communication
communication node
local
data
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
CN202011642773.1A
Other languages
English (en)
Other versions
CN112801815B (zh
Inventor
吴海洋
陈鹏
顾彬
李伟
戴勇
蒋春霞
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.)
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Jiangsu 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 Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202011642773.1A priority Critical patent/CN112801815B/zh
Publication of CN112801815A publication Critical patent/CN112801815A/zh
Application granted granted Critical
Publication of CN112801815B publication Critical patent/CN112801815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了一种基于联邦学习的电力通信网络故障预警方法，包括以下步骤：以分布式计算方案在电力通信网络各个通信节点搜集并保存数据；基于联邦学习方法，在本地通信节点以传统方法和网络通信训练局部预测模型，在本地通信节点以传统方法和网络通信训练全局预测模型；局部预测模型和全局预测模型通过滑动平均得到真实预测模型；根据真实预测模型以及当前通信节点的真实运行数据对通信节点运行状态进行预测。

Description

一种基于联邦学习的电力通信网络故障预警方法
技术领域
本发明涉及一种基于联邦学习的电力通信网络故障预警方法，属于设备故障预警技术领域。
背景技术
作为现代电力网络的重要基础设施之一，电力通信网络不仅需要辅助电力网络进行自动的设备管理，还需要将各种设备以及传感器的监控信号通过网络进行专属。包括设备运转状态、网络拓扑以及传感器告警信号在内的各种数据直接地反映了整个电力网络设备的运行情况和潜在风险。因此，电力通信网络已经逐渐演变为电网正常运行的一个关键环节。能够实时准确的对电力通信网上各节点的通信状态进行监控并评估其稳定性本身也变得非常重要。传统的故障预测算法通常是通过运行的历史数据以机器学习的方案实现对可能故障的预测。传统的通信电力网络故障预警机制通常于服务器端集中运行，通过网络收集各通信节点上的历史操作数据以及各种设备传感数据，通过模型学习对可能发生的故障进行预警。这种方案的缺陷在于传输样本所需的通信贷款占用较高，且对全网缺陷进行定位和预测复杂度更高，导致需要的模型复杂度更高。
由于通信电力网络以多节点网络模式分布式运行，且每个节点上出现故障的机会并不频繁，总体数据呈现偏向性高，结构复杂等特征，对其进行故障预测仍具有一定挑战性。传统方案通常采用的架构为基于网络通信从各节点搜集数据至中央服务器，在该服务器上通过对全网数据的学习实现故障的预测和定位。这种方案带来的问题在于，首先由于大量节点上搜集到的数据需要传输至服务器进行处理，额外增加了网络通信的开销；其次由于全网各节点面临的不同情况所产生的数据需要在服务器上进行统一学习，增加了对于网络故障定位与预测问题学习的复杂度，对模型能力的要求更高。以上问题限制了电力通信网络故障预测方法在实际运用中的预测性能和学习效率。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于联邦学习的电力通信网络故障预警方法，将原本需要在中央服务器上进行的模型训练和模型推理，可基于分布式存在的运行数据以极小的通信开销实现模型训练，以分布的方式运行于各网络节点上。网络节点和中央服务器之间由原来的传输大量高维样本数据转变为仅需传输极少量的低维模型参数信息，通过双模型同步的方法降低系统复杂度，极大的提升了整个故障预测系统的通信效率、降低了模型复杂度，实现快速高效的网络故障预警和定位。
为达到上述目的，本发明提供一种基于联邦学习的电力通信网络故障预警方法，包括以下步骤：
以分布式计算方案在电力通信网络各个通信节点搜集并保存数据；
基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型；
局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型；
根据真实局部故障预测模型以及当前通信节点的真实运行数据对通信节点运行状态进行预测。优先地，以分布式计算方案在电力通信网络各个节点搜集并保存数据，包括以下步骤：
采用联邦学习的框架于各类通信节点上独立学习预测模型，设置各类不同级别的通信节点的对应设备，各通信节点之间以相应的拓扑结构组成电力通信网络；
在拓扑结构中，在各通信节点上分布式搜集本地通信节点通信状态以及本地通信节点对应设备的运行状态，直接对本地通信节点通信状态以及本地通信节点对应设备的运行状态进行预处理，预处理包括数据清洗、数据拉直以及中心化，并学习故障预测模型；
各通信节点上的数据和相邻通信节点间通信的状态数据，作为可学习特征输入故障预测模型；各通信节点上的数据和相邻通信节点间通信的状态数据在输入故障预测模型前经过数据清洗、数据拉直以及中心化的处理。
优先地，基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型，包括以下步骤：
基于联邦学习方法对全网共享的全局预测模型进行学习，给定电力通信网络上总共有K个节点，在每一轮全局预测模型学习时，以C为比例更新对应通信节点上的全局预测模型，则全局预测模型的学习和更新总结为如下目标函数：
Figure BDA0002874212320000021
Figure BDA0002874212320000022
式中，ω为全局预测模型的可学习参数，ω为一个d维向量；
Figure BDA0002874212320000023
表示d维实数空间；Fk(·)即当前第k个通信节点上待学习的预测模型函数，也被称之为局部预测模型；Ik为当前第k个通信节点上的训练样本集合，|Ik|为当前第k个通信节点上对应的样本个数，n为总样本个数；l(·)为在当前样本输入xi下实际输出和已标记监督信息之间yi的损失函数，表示第k个通信节点未来是否发生故障；
在联邦学习方法的框架下，对于公式(1)的优化分为两个阶段，第一阶段在各通信节点上使用随机梯度下降方法优化全局预测模型，给定当前通信节点的训练样本集合Ik＝{(xi，yi)|i∈|Ik|}，对该训练样本集合本地迭代E轮，每轮随机抽样个数为b批次样本，基于随机梯度下降方法更新全局预测模型如下：
Figure BDA0002874212320000031
公式(2)更新了可学习参数ω，η为步长超参数，
Figure BDA0002874212320000032
为由当前损失函数计算得到的梯度；在得到所有的局部预测模型以后，第二步将多个通信节点上优化得到的局部预测模型传输回参数服务器进行平均，得到该轮最终的全局预测模型并分发，具体公式如下：
Figure BDA0002874212320000033
其中t为全局迭代轮数，ωt+1表示全局预测模型，
Figure BDA0002874212320000034
即公式(2)中的对ω进行迭代学习的结果，
Figure BDA0002874212320000035
表示第k个通信节点上经过t+1轮迭代后的局部预测模型。
优先地，根据局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型，包括以下步骤：
在公式(3)迭代得到全局预测模型的基础上，在模型分发时不选择直接用全局预测模型覆盖真实局部故障预测模型，而是采用指数滑动平均的方式将真实局部故障预测模型更新，公式如下：
ω←αω+(1-α)ωg (8)
式中ωg为公式(3)中得到的全局预测模型，α为指数滑动平均的更新常数，ω为最终的真实局部故障预测模型。
优先地，步骤4，根据真实局部故障预测模型以及当前通信节点真实运行数据对通信节点运行状态进行预测，包括以下步骤：
在得到电力通信网络中每个通信节点对应的真实局部故障预测模型以后，则在电力通信网络运行时对通信节点运行状态进行实时预测。
优先地，数据包括节点通信状态和对应设备运行状态；当前通信节点的真实运行数据包括当前通信节点的光功率、当前通信节点的漂移、当前通信节点的误码秒、当前通信节点的误码率以及当前通信节点的信噪比。
优先地，设置各类不同级别的通信节点的对应设备包括以下步骤：
设置A类通信节点对应500KV变电站，设置B类通信节点对应220KV变电站，设置C类通信节点对应处于中央位置的数据服务器。
优先地，各通信节点上的数据包括对应设备运行的历史数据、对应设备运行的维护数据、对应设备运行的缺陷记录以及环境温度都作为输入数据用于模型预测。
优先地，相邻通信节点间通信的状态数据包括光功率、漂移、误码秒、误码率以及信噪比。本发明所达到的有益效果：
将联邦学习的框架引入电力通信网络故障预警问题中，可以通过分布式学习的方法以极小的网络通信开销完成模型学习；且由于在各通信节点上使用双模型平滑的方法更新模型，使每个节点上的局部预测模型可以保持和全局预测模型有所区别，专注于根据网络节点具体情况实现故障预测，大幅降低了整个系统模型的复杂度。
附图说明
图1是本发明中通信电力网络节点拓扑图及其对应设备示意图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。步骤1，以分布式方案在通信网络各个节点搜集并保存包括节点通信状态以及对应设备运行状态等数据。
本发明针对如图1所示的电力通信网络中可能存在的故障预警问题，采用联邦学习的框架于各类通信节点上独立学习预测模型。在图中的通信网络中，存在各类不同级别的通信节点并对应电网本身的相应设备，如通信A类节点对应500KV变电站、B类通信节点对应220KV变电站，而C类通信节点对应处于中央位置的数据服务器。各节点之间以相应的拓扑结构组成通信网络。
传统的机器学习方法主要利用自然语言处理中的n-gram概念对文本进行特征提取,并且使用TFIDF对n-gram特征权重进行调整,然后将提取到的文本特征输入到Logistics回归、SVM等分类器中进行训练。传统机器学习方法面临此类问题时，通常采用将每个通信节点上数据通过网络发送至C类服务器节点，对整个网络数据进行统一处理并学习预测模型。然而在如图1显示的拓扑结构中，数据天然的在各通信节点上分散产生，且由于级别不同的通信节点上对应的设备以及通信状态都各不相同，采用集中式学习的方法必然效率较低。本方案引入联邦学习的思路，在各通信节点上分布式的搜集本地节点通信状态以及本地对应设备的运行状态等数据，直接进行处理并学习模型。
对应图1中各通信节点上常见的数据包括设备运行的历史数据、维护数据、缺陷记录以及诸如环境温度等传感器数据都作为输入数据用于模型预测。除此以外，和相邻节点间通信的一些状态数据，如光功率、漂移、误码秒、误码率以及信噪比等等同样作为可学习特征输入模型。以上数据在输入模型前经过常见的数据清洗、数据拉直以及中心化手段进行预处理，保证可学习模式的清晰性。
步骤2，基于联邦学习方法，通过传统的机器学习方法和网络通信训练局部预测模型和全局预测模型。
本发明基于联邦学习机制对全网共享的全局预测模型进行学习，具体实现如下。给定网络上总共有K个通信节点，在每一轮模型学习时，以C为比例更新其中对应节点上的模型。则全局预测模型的学习和更新可以总结为如下目标函数：
Figure BDA0002874212320000051
Figure BDA0002874212320000052
此处ω为全局预测模型的可学习参数，可视为一个d维向量。Ik为当前第k个节点上的训练样本集合，|Ik|为对应的样本个数，n为总样本个数。l(·)为在当前样本输入xi下实际输出和已标记监督信息之间yi的损失函数。
在联邦学习的框架下，对于公式(1)的优化分为两个阶段，第一阶段在各通信节点上使用成熟的随机梯度下降方法优化模型，给定当前节点的训练集Ik＝{(xi，yi)|i∈|Ik|}，对该训练集本地迭代E轮，每轮随机抽样个数为b小批次样本，基于梯度更新模型如下：
Figure BDA0002874212320000053
在得到所有的本地模型以后，第二步将多个通信节点上优化得到的模型传输回参数服务器进行平均得到该轮最终的更新模型并分发，具体更新方法如下：
Figure BDA0002874212320000054
其中t为全局迭代轮数，
Figure BDA0002874212320000061
即公式(2)中的输出结果。采用该方案，通过在本地节点的多轮迭代充分学习局部样本，而仅通过少量参数传输和全局更新轮数即可完成全局预测模型的训练。
步骤3，基于多阶段训练策略，根据局部预测模型和全局预测模型通过滑动平均得到真实预测模型；
本发明在步骤2中所描述的多阶段训练策略的基础上，进一步提出一种区分每个通信节点局部预测模型和全局预测模型的局部更新方法。该方法在公式(3)迭代得到全局预测模型的基础上，在模型分发时不选择直接用全局预测模型覆盖本地模型，而是采用指数滑动平均的方式，将本地模型更新如下：
ω←αω+(1-α)ωg (12)
式中ωg为公式(3)中得到的全局预测模型，α为指数滑动平均的更新常数。该方法保证局部预测模型以一个动量缓慢的和全局预测模型保持同步，同时有所区别。使用该框架，各节点上的预测模型可以保持对该节点具体数据的预测准确度，从而进一步降低总体的问题复杂度。
步骤4，根据预测模型以及当前通信节点真实运行数据对节点运行状态进行预测；
在得到电力通信网络中每个通信节点对应的局部故障预警模型以后，则可以在网络运行时对潜在的故障进行实时预测。本发明中在具体通信节点上采用的预测模型是以长短时记忆单元为实现的递归神经网络，经实际数据测试。采用同样的长短时记忆单元结构，基于联邦学习和本地模型平滑机制得到的局部预测模型在保证同样性能的情况下，可以将模型复杂度降低到四倍一下，同时仅需非常少量的网络传输开销即可完成训练。本发明所提基于联邦学习的预测模型训练方法，不局限于具体的预测模型实现，可广泛运用于具有网络节点结构的预测以及分类相关问题中。
分布式计算方案是现有技术的术语名词，参见陈凯和江劼发表的分布式计算[J].中国信息技术教育，2006(9)：34-34。监督信息为已有技术术语。参数服务器专门用于保存技术全局模型参数。
在本地通信节点以传统方法和网络通信训练局部预测模型，传统方法在现有技术中可采用的方案有很多，本领域技术人员可根据实际需求选用，本实施例中不再一一解释。
数据清洗、数据拉直以及中心化手段进行预处理是现有技术中存在的处理步骤，在现有技术中可采用的方案有很多，本领域技术人员可根据实际需求选用，本实施例中不再一一解释。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种基于联邦学习的电力通信网络故障预警方法，其特征在于，包括以下步骤：
以分布式计算方案在电力通信网络各个通信节点搜集并保存数据；
基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型；
局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型；
根据真实局部故障预测模型以及当前通信节点的真实运行数据对通信节点运行状态进行预测。
2.根据权利要求1所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，以分布式计算方案在电力通信网络各个节点搜集并保存数据，包括以下步骤：
采用联邦学习的框架于各类通信节点上独立学习预测模型，设置各类不同级别的通信节点的对应设备，各通信节点之间以相应的拓扑结构组成电力通信网络；
在拓扑结构中，在各通信节点上分布式搜集本地通信节点通信状态以及本地通信节点对应设备的运行状态，直接对本地通信节点通信状态以及本地通信节点对应设备的运行状态进行预处理，预处理包括数据清洗、数据拉直以及中心化，并学习故障预测模型；
各通信节点上的数据和相邻通信节点间通信的状态数据，作为可学习特征输入故障预测模型；各通信节点上的数据和相邻通信节点间通信的状态数据在输入故障预测模型前经过数据清洗、数据拉直以及中心化的处理。
3.根据权利要求1所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，基于联邦学习方法，在本地通信节点以传统机器学习方法和网络通信训练局部预测模型，在本地通信节点以传统机器学习方法和网络通信训练全局预测模型，包括以下步骤：
基于联邦学习方法对全网共享的全局预测模型进行学习，给定电力通信网络上总共有K个节点，在每一轮全局预测模型学习时，以C为比例更新对应通信节点上的全局预测模型，则全局预测模型的学习和更新总结为如下目标函数：
Figure FDA0002874212310000011
Figure FDA0002874212310000012
式中，w为全局预测模型的可学习参数，w为一个d维向量；
Figure FDA0002874212310000013
表示d维实数空间；Fk(·)即当前第k个通信节点上待学习的预测模型函数，也被称之为局部预测模型；Ik为当前第k个通信节点上的训练样本集合，|Ik|为当前第k个通信节点上对应的样本个数，n为总样本个数；l(·)为在当前样本输入xi下实际输出和已标记监督信息之间yi的损失函数，表示第k个通信节点未来是否发生故障；
在联邦学习方法的框架下，对于公式(1)的优化分为两个阶段，第一阶段在各通信节点上使用随机梯度下降方法优化全局预测模型，给定当前通信节点的训练样本集合Ik＝{(xi，yi)|i∈|Ik|}，对该训练样本集合本地迭代E轮，每轮随机抽样个数为b批次样本，基于随机梯度下降方法更新全局预测模型如下：
Figure FDA0002874212310000021
公式(2)更新了可学习参数ω，η为步长超参数，
Figure FDA0002874212310000022
为由当前损失函数计算得到的梯度；在得到所有的局部预测模型以后，第二步将多个通信节点上优化得到的局部预测模型传输回参数服务器进行平均，得到该轮最终的全局预测模型并分发，具体公式如下：
Figure FDA0002874212310000023
其中t为全局迭代轮数，ωt+1表示全局预测模型，
Figure FDA0002874212310000024
即公式(2)中的对ω进行迭代学习的结果，
Figure FDA0002874212310000025
表示第k个通信节点上经过t+1轮迭代后的局部预测模型。
4.根据权利要求3所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，根据局部预测模型和全局预测模型通过滑动平均得到真实局部故障预测模型，包括以下步骤：在公式(3)迭代得到全局预测模型的基础上，在模型分发时不选择直接用全局预测模型覆盖真实局部故障预测模型，而是采用指数滑动平均的方式将真实局部故障预测模型更新，公式如下：
ω←αω+(1-α)ωg (4)
式中ωg为公式(3)中得到的全局预测模型，α为指数滑动平均的更新常数，ω为最终的真实局部故障预测模型。
5.根据权利要求4所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，步骤4，根据真实局部故障预测模型以及当前通信节点真实运行数据对通信节点运行状态进行预测，包括以下步骤：
在得到电力通信网络中每个通信节点对应的真实局部故障预测模型以后，则在电力通信网络运行时对通信节点运行状态进行实时预测。
6.根据权利要求1所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，数据包括节点通信状态和对应设备运行状态；当前通信节点的真实运行数据包括当前通信节点的光功率、当前通信节点的漂移、当前通信节点的误码秒、当前通信节点的误码率以及当前通信节点的信噪比。
7.根据权利要求2所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，设置各类不同级别的通信节点的对应设备包括以下步骤：
设置A类通信节点对应500KV变电站，设置B类通信节点对应220KV变电站，设置C类通信节点对应处于中央位置的数据服务器。
8.根据权利要求2所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，各通信节点上的数据包括对应设备运行的历史数据、对应设备运行的维护数据、对应设备运行的缺陷记录以及环境温度都作为输入数据用于模型预测。
9.根据权利要求2所述的一种基于联邦学习的电力通信网络故障预警方法，其特征在于，相邻通信节点间通信的状态数据包括光功率、漂移、误码秒、误码率以及信噪比。
CN202011642773.1A 2020-12-30 2020-12-30 一种基于联邦学习的电力通信网络故障预警方法 Active CN112801815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011642773.1A CN112801815B (zh) 2020-12-30 2020-12-30 一种基于联邦学习的电力通信网络故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011642773.1A CN112801815B (zh) 2020-12-30 2020-12-30 一种基于联邦学习的电力通信网络故障预警方法

Publications (2)

Publication Number Publication Date
CN112801815A true CN112801815A (zh) 2021-05-14
CN112801815B CN112801815B (zh) 2024-03-29

Family

ID=75809248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011642773.1A Active CN112801815B (zh) 2020-12-30 2020-12-30 一种基于联邦学习的电力通信网络故障预警方法

Country Status (1)

Country Link
CN (1) CN112801815B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219147A (zh) * 2021-12-13 2022-03-22 南京富尔登科技发展有限公司 一种基于联邦学习的配电站故障预测方法
CN114219147B (zh) * 2021-12-13 2024-06-07 南京富尔登科技发展有限公司 一种基于联邦学习的配电站故障预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240202A1 (en) * 2015-08-19 2018-08-23 China Electric Power Research Institute Company Limited Method of predicting distribution network operation reliability
WO2020147349A1 (zh) * 2019-01-14 2020-07-23 中国电力科学研究院有限公司 配电网运行辅助决策分析系统及方法
CN111510327A (zh) * 2020-04-08 2020-08-07 北京字节跳动网络技术有限公司 用于共同训练模型的训练参与端的网络连接方法和装置
CN111722043A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种电力设备故障检测方法、装置及系统
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备
CN111882133A (zh) * 2020-08-03 2020-11-03 重庆大学 一种基于预测的联邦学习通信优化方法及系统
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180240202A1 (en) * 2015-08-19 2018-08-23 China Electric Power Research Institute Company Limited Method of predicting distribution network operation reliability
WO2020147349A1 (zh) * 2019-01-14 2020-07-23 中国电力科学研究院有限公司 配电网运行辅助决策分析系统及方法
CN111510327A (zh) * 2020-04-08 2020-08-07 北京字节跳动网络技术有限公司 用于共同训练模型的训练参与端的网络连接方法和装置
CN111737749A (zh) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 基于联邦学习的计量装置告警预测方法及设备
CN111722043A (zh) * 2020-06-29 2020-09-29 南方电网科学研究院有限责任公司 一种电力设备故障检测方法、装置及系统
CN111882133A (zh) * 2020-08-03 2020-11-03 重庆大学 一种基于预测的联邦学习通信优化方法及系统
CN112101489A (zh) * 2020-11-18 2020-12-18 天津开发区精诺瀚海数据科技有限公司 一种联邦学习与深度学习融合驱动的设备故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219147A (zh) * 2021-12-13 2022-03-22 南京富尔登科技发展有限公司 一种基于联邦学习的配电站故障预测方法
CN114219147B (zh) * 2021-12-13 2024-06-07 南京富尔登科技发展有限公司 一种基于联邦学习的配电站故障预测方法

Also Published As

Publication number Publication date
CN112801815B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
WO2020077682A1 (zh) 一种服务质量评估模型的训练方法及装置
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN109872003A (zh) 对象状态预测方法、系统、计算机设备及存储介质
CN115412947A (zh) 一种基于数字孪生与ai算法的故障仿真方法和系统
CN116308304B (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN116614177B (zh) 一种光纤状态多维度参量监测系统
CN105471647A (zh) 一种电力通信网故障定位方法
CN115278741A (zh) 一种基于多模态数据依赖关系的故障诊断方法和装置
CN112116160A (zh) 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法
He et al. Fault diagnosis and location based on graph neural network in telecom networks
CN114048546B (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN117354171B (zh) 基于物联网平台的平台健康状况预警方法及系统
CN107818523B (zh) 基于非稳定频率分布与频率因子学习的电力通信系统数据真值判别与推断方法
CN112801815B (zh) 一种基于联邦学习的电力通信网络故障预警方法
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
Wang et al. Uncertainty analysis for failure prediction in optical transport network using Bayesian neural network
CN112269778A (zh) 一种设备故障诊断方法
CN110263811A (zh) 一种基于数据融合的设备运行状态监测方法及系统
CN111597860B (zh) 一种用于cnc断刀预测的系统及方法
CN117829822B (zh) 一种电力变压器故障预警方法及系统
Wu et al. Wind turbine generator state monitoring based on flower pollination algorithm and neural network

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