CN113283175A - 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 - Google Patents
一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 Download PDFInfo
- Publication number
- CN113283175A CN113283175A CN202110644538.6A CN202110644538A CN113283175A CN 113283175 A CN113283175 A CN 113283175A CN 202110644538 A CN202110644538 A CN 202110644538A CN 113283175 A CN113283175 A CN 113283175A
- Authority
- CN
- China
- Prior art keywords
- model
- fault diagnosis
- data
- joint
- photovoltaic power
- 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
Images
Classifications
-
- 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
- G06N3/04—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (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)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法,涉及故障诊断领域。构建原始本地数据集;数据预处理;搭建用于训练本地故障诊断模型的CNN网络;基于异步去中心化联邦学习开展多个电站的联合故障诊断建模;最后评估联合故障诊断模型的故障诊断准确率、通信效率以及模型训练效率。本发明有效提高了模型的泛化能力;在保障数据隐私的情况下充分利用了多个电站的本地数据;全局模型的聚合不需要中心服务器的参与而是完全分布式的,有效提高了模型的通信和训练效率;只需要采用简易CNN网络就能实现高精度的光伏组件故障诊断。
Description
技术领域
本发明涉及故障诊断领域,尤其涉及一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法。
背景技术
传统化石能源的急剧消耗已经引发了诸多问题,例如能源短缺、全球气候变暖等。太阳能作为一种可再生能源,凭借其清洁、高效、易获取等特点正受到人们日益广泛的关注。在实际应用中,通过光伏系统将太阳辐照转换为电能是太阳能的主要用途之一。但是,光伏系统的发电质量和效率很大程度上受到光伏组件状态的影响。在系统的日常运行过程中,光伏组件可能会遭受一系列常见故障,造成巨大的发电经济损失,严重时甚至会引起火灾等安全事故。对光伏运营商而言,在故障发生后及时排除故障具有重要意义。因此,研究有效的光伏故障诊断方法,对常见的故障类型进行快速准确地诊断,有助于光伏系统维护,能够提高系统安全稳定运行的能力,提升光伏电站运营的经济效益。
本发明提出了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法,是一种数据驱动的机器学习方法。在光伏故障诊断领域,现有的基于机器学习方法的专利主要可以分为三大类。一类是在故障样本类型齐全、数量充足的情况下,通过采用复杂的深度学习网络来提高故障识别的准确率。另一类是在故障样本类型齐全但数量不足的情况下,利用半监督学习、生成对抗网络等方法扩充样本数量,从而在小样本情况下达到较高精度的故障诊断准确率。第三类是从提高建模效率的角度出发,基于训练好的光伏发电功率预测模型,采用迁移学习方法实现光伏故障诊断。
然而,现有的光伏故障诊断专利都是基于单个光伏电站或光伏阵列的故障样本来训练模型的,它们都没有考虑实际现场单个光伏电站难以采集到足够数量和类型的故障样本的问题。尽管半监督学习和生成对抗网络等方法可以使用少量有标签样本和历史数据中的无标签样本提高故障诊断的准确性,但它们都是基于以下假设:用于训练模型的少量有标签样本中已经包含了全部故障类型,也即虽然故障样本的数量受限,但故障样本的类型是齐全的。这意味着一旦发生新的故障,现有专利中的光伏故障诊断方法很难将其识别出来或者仅能将其粗略地分类为未知故障,不利于后续的故障排除工作。同时,现有关于光伏故障诊断的专利都没有考虑多个光伏电站之间样本不平衡难以充分利用的问题,也没有研究多个光伏电站联合建立故障诊断模型的问题。实际上,位于不同区域的多个光伏电站采集的故障样本通常是不同的。例如,新建立的光伏电站的数据集中通常不会包含老化故障的样本,位于地形平坦且云量较少地区的光伏电站收集的数据一般不会包含遮挡故障的样本。为了克服现有光伏故障诊断专利的不足,本发明提出了一种新的基于异步去中心化联邦学习的光伏故障诊断方法,能够在保障数据隐私的前提下协同多个光伏电站建立一个共享的全局故障诊断模型,充分利用多个光伏电站的本地数据,使得每个电站能够识别更多的故障类型。一方面,本发明的方法不局限于单个电站,而是考虑了多个电站的协同建模,极大程度上丰富了用于训练模型的故障样本,模型的泛化能力大大增强。另一方面,本发明提出了一种新的异步去中心化联邦学习框架,可以充分保障各个电站的数据隐私,它们彼此之前不需要传递本地的原始数据,只需要传递模型参数,就能通过分布式的模型聚合方法建立联合故障诊断模型。
现有技术都没有同时考虑故障样本数量受限和类型受限的问题,只是从提高神经网络的识别准确率或者建模效率方面进行研究,难以真正应用于实际现场。现有技术都是针对单个光伏电站或光伏阵列进行建模的,模型所能识别的故障类型很大程度上受到本地故障样本的限制,无法识别本地数据集中不包含的新的故障类型。现有技术没有考虑多个电站样本分布不均衡的特点,没有充分利用多个电站的本地数据开展联合建模,模型泛化能力差。基于以上分析,对于光伏领域而言,亟需一种有效的联合故障诊断建模方法。
因此,本领域的技术人员致力于开发一种多个光伏电站协同建模的光伏组件故障诊断方法,从而可以在确保数据隐私安全的前提下,充分利用多个光伏电站的本地数据,建立高精度的联合故障诊断模型,这对于光伏系统发生故障后的快速维护具有重要意义。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是单个光伏电站难以采集到足够数量和类型的故障样本以及多个光伏电站之间样本不平衡难以充分利用,模型泛化性能差的问题。
为实现上述目的,本发明提供了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,包括以下步骤:
步骤1、数据采集;
步骤2、数据预处理;
步骤3、搭建卷积神经网络(CNN);
步骤4、基于异步去中心化联邦学习框架建立联合故障诊断模型;
步骤5、联合故障诊断建模性能评估。
进一步地,所述步骤1采集的数据包括光伏阵列的伏安特性曲线以及对应的温度和辐照度。
进一步地,所述步骤1采集的数据包括光伏组件的正常状态、老化故障状态、短路故障状态、部分遮挡故障状态下的数据。
进一步地,所述步骤2,包括以下步骤:
步骤2.1、读取原始伏安特性曲线,记录开路电压Vo和短路电流Isc;
步骤2.2、对数据进行降采样,在[0,Vo]范围内等距重新采样20个电压VRx,在[0,Isc]范围内等距重新采样20个电流IRx;
步骤2.3、对数据进行补全,计算出20个重采样电流IRx处对应的电压值,以及20个重采样电压VRx处对应的电流值;
步骤2.4、获取重采样后的伏安特性曲线,将得到的40个重采样点按电压降序进行排列,得到40*2的数组;
步骤2.5、数据重构,将40个重采样点对应的温度和辐照度构建为40*2的环境向量,与重采样后40*2的伏安特性曲线数组重构成40*4的二维数组。
进一步地,所述步骤2.3对数据进行补全方法包括双线性插值方法、拉格朗日插值方法、牛顿插值方法、三次Hermite插值方法。
进一步地,所述CNN网络结构包括2-D CNN层、1-D CNN层、Maxpool层、全连接层、Softmax函数。
进一步地,所述步骤4,包括以下步骤:
步骤4.1、利用伏安测试仪采集的本地数据集更新本地故障诊断模型;
步骤4.2、将更新后的本地模型参数发送给其它参与者;
步骤4.3、接收其它电站发送来的更新后的模型参数,当收集到的模型参数达到一定数量后,在本地完成模型聚合得到全局模型;
步骤4.4、将聚合得到的全局模型与现有的本地模型进行比较,保留其中故障诊断精度更高的模型作为新的本地模型,用于后续轮次的通信。
进一步地,所述异步去中心化联邦学习框架是分布式。
进一步地,所述步骤4,参与联合建模的光伏电站充当的角色包括客户端和服务器。
进一步地,所述步骤5,包括以下步骤:
步骤5.1、评估联合故障诊断模型的准确率;
步骤5.2、评估异步去中心化联邦学习框架的通信效率;
步骤5.3、评估异步去中心化联邦学习框架的模型训练效率。
在本发明的较佳实施方式中,本发明提出的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,主要包括以下步骤:
步骤一:数据采集。本发明提出了一种多个光伏电站协同建模的光伏组件故障诊断方法。其中,每个光伏电站由若干个光伏阵列构成,光伏阵列的伏安特性曲线以及对应的温度和辐照度都可以由伏安测试仪采集,将其作为光伏电站的本地原始数据集,如图1所示。本发明主要研究了光伏组件的正常状态以及老化、短路和部分遮挡三种常见的故障状态,四种情形在20℃,辐照度600W/㎡的情况下的伏安特性曲线如图2所示。
步骤二:数据预处理。在本发明中,参与联合建模的各个光伏电站都有自身的数据中心,负责数据预处理以及本地故障诊断模型的训练。为了进一步节省计算资源,同时最大程度地保留原始数据中的有效信息,本发明对原始数据进行了预处理,主要包括以下步骤:
S1,读取原始伏安特性曲线,记录开路电压Vo和短路电流Isc;
S2,对数据进行降采样,在[0,Vo]范围内等距重新采样20个电压VRx,在[0,Isc]范围内等距重新采样20个电流IRx,压缩原始伏安特性曲线的数据量从而节省计算资源;
S3,对数据进行双线性插值,计算出20个重采样电流IRx处对应的电压值,以及20个重采样电压VRx处对应的电流值;
S4,获取重采样后的伏安特性曲线,将双线性插值得到的40个重采样点按电压降序进行排列,得到40*2的数组;
S5,数据重构,将40个重采样点对应的温度和辐照度构建为40*2的环境向量,与重采样后40*2的伏安特性曲线数组重构成40*4的二维数组。
本发明考虑到伏安测试仪采集到的原始伏安曲线存在采样点分布不均、数据冗余以及缺少温度和辐照度信息的问题,设计了一种数据预处理方法。具体来说,在同一个温度和辐照度条件下,伏安测试仪在光伏阵列的不同运行状态下采集到的原始伏安曲线数据的维度不一致。例如温度25℃,光照800W/㎡时,伏安测试仪从正常运行的光伏阵列处采集到的伏安特性曲线可能由130个采样点构成,而从开路故障的光伏阵列处采集到的伏安特性曲线可能是由150个采样点构成的,这就导致了构建数据集时不同运行状态下的数据维度不一致,从而无法为神经网络构建一个统一维度的输入。同时,各种运行状态下原始伏安特性曲线的采样点分布不均匀,会影响神经网络的故障特征提取效果和识别准确率。此外,原始的伏安特性曲线只包含电流和电压,没有考虑环境因素(温度、辐照度)的影响,因此需要在原始数据中插入温度和辐照度,将其重构为二维数组,从而可以利用二维卷积运算自动提取故障特征。为此,首先采用降采样方法压缩数据量,之后利用双线性插值的方法计算重采样点缺失的电流和电压值,使得数据预处理后的伏安曲线都由40个采样点构成,最后再插入对应温度和辐照度进行数据重构。
数据中心首先执行步骤S1,读取伏安测试仪从光伏阵列中采集的原始伏安特性曲线。该数据包括从短路电流至开路电压的电流和电压信息。
然后,考虑到每条原始伏安特性曲线包含的采样点数量不同,且存在冗余信息,数据中心执行步骤S2,对原始伏安曲线进行降采样获得统一维度的样本数据,使得采样点能够在短路电流以及开路电压范围内均匀分布,同时节省计算资源。
接着,数据中心执行步骤S3,利用双线性插值方法分别计算重采样点缺失的电流和电压值。具体来说,利用式(1)计算出20个重新采样电流IRx处的电压VRx_n:
其中(I1,V1)、(I2,V2)是原始伏安曲线上IRx两侧最相邻的采样点。
利用式(2)计算出20个重新采样电流VRx处的电压IRx_n:
其中(I1,V1)、(I2,V2)是原始伏安曲线上VRx两侧最相邻的采样点。
之后,数据中心执行步骤S4,将双线性插值得到的40个重采样点按电压降序进行排列从而获取重采样后的伏安特性曲线。步骤S2、S3和S4的详细流程如图3所示。
最后,数据中心执行步骤S5,将温度和辐照度信息作为环境向量插入到重采样后的伏安特性曲线中,将其重构为40*4的二维数组,将其视为一个样本,作为后续神经网络的输入。
利用本发明提出的数据预处理方法,在温度20℃,辐照度600W/㎡的情况下,遮挡故障在数据预处理前的伏安特性曲线如图4所示,数据预处理后的伏安特性曲线如图5所示。不难发现,通过本发明所提出的数据预处理方法,能够在保留曲线有效信息的前提下将原始曲线约400个数据点大幅压缩为40个,极大节省了计算资源,同时保证了神经网络输入数据维度的一致性。
步骤三:搭建卷积神经网络(CNN)。考虑到故障样本是40*4的二维特征矩阵,而CNN网络能够很好地自动提取数据的二维特征,为此本发明采用了一种CNN网络用于训练本地故障诊断模型,下面对其进行具体介绍:
①卷积层:标准的二维卷积层(Conv2d)作为一种被广泛应用的深度学习结构,具有权重共享的优点,可以大大减少训练过程中的自由参数从而提高网络的性能。从本质上讲,卷积层中的计算过程是一种数学运算,通过在输入矩阵上滑动内核(kernel),计算内核和各个位置输入的点积。Conv2d的计算过程由式(3)定义,而一维卷积层(Conv1d)由式(4)定义:
其中x是上一层的二维输出,i,j用于记录二维输入中的坐标。另外,K代表维度为m×m的内核矩阵,是训练过程中可学习的参数。w和h是二维内核矩阵的位置索引。在等式(4)中,Kk是第k个输入神经元的内核大小,*是没有零填充的互相关算子。
②池化层:池化层通常穿插在连续的卷积层中,主要用于减小特征图的空间大小并有效地防止过拟合。本发明选用的是最大池化(MaxPool),在内核选定的区域中,选出最大的数字替代当前区域,之后按给定的步长滑动内核进行下一次选择和替代。
③ReLU激活函数:为了从原始数据集中学习复杂的非线性特征,需要使用非线性激活函数来增强数据特征的非线性。本发明选择的是非线性激活函数整流线性单元(ReLU),如式(5)所示:
其中,x是输入特征,可以极大地加速收敛并缓解梯度消失的问题,提高计算效率。
④全连接层(FC)与Softmax:全连接层的一个作用是维度变换,尤其是可以把高维变到低维,同时把有用的信息保留下来,如式(6)所示:
y=WN×DxD×M+bN×M (6)
全连接的另一个作用是隐含语义的表达,把原始特征映射到各个隐语义节点。对于本发明来说,由于FC被放置在最后一层,配合Softmax输出的就是光伏故障诊断分类结果的显示表达,如式(7)所示:
所选用的损失函数为交叉熵函数,如式(8)所示:
不同于现有专利中采用复杂的深度神经网络,本发明仅利用一种简易CNN网络就能训练得到准确的本地故障诊断模型,CNN网络结构包括2-D CNN层、1-DCNN层、Maxpool层、全连接层(FC)以及Softmax函数,具体的CNN网络架构如图6所示。
步骤四:基于异步去中心化联邦学习框架建立联合故障诊断模型。本发明的目的是在确保数据隐私的前提下,建立联合故障诊断模型,充分利用多个光伏电站的数据,使得每个参与的电站能够识别更多的故障类型,提高模型的泛化能力。传统的分布式机器学习方法在模型训练过程中使用分布式随机梯度下降算法,并在中央服务器上聚合一定数量的私有数据,这可能会造成数据隐私泄露。为了解决这一挑战,本发明设计了一种新的异步去中心化联邦学习框架,如图7所示。值得注意的是,在本发明的方法中,参与联合建模的各个光伏电站只需要共享神经网络模型的参数而无需提供本地的原始数据,就能在本地以分布式的方式聚合得到高精度的全局故障诊断模型。在多个光伏电站联合建立故障诊断模型的过程中,每个参与的光伏电站,主要执行以下步骤:
S1,利用伏安测试仪采集的本地数据集更新本地故障诊断模型;
S2,将更新后的本地模型参数发送给其它参与者;
S3,接收其它电站发送来的更新后的模型参数,当收集到的模型参数达到一定数量后,在本地完成模型聚合得到全局模型;
S4,将聚合得到的全局模型与现有的本地模型进行比较,保留其中故障诊断精度更高的模型作为新的本地模型,用于后续轮次的通信。
每个电站重复上述步骤S1~S4,直到聚合得到的全局收敛到较高的精度。
值得注意的是,目前光伏故障诊断领域还没有采用联邦学习技术的相关专利,同时相较于其它领域专利中采用的集中式联邦学习方法,本发明提出了一种新的异步去中心化联邦学习框架,该框架是完全分布式的,全局模型的聚合不需要中心服务器的参与,而是由每个参与联合建模的光伏电站同时充当客户端和服务器两种角色,如图8所示。考虑到每个电站的本地数据大小和计算性能的差异,一旦一个电站从其它电站接收到一定数量的模型参数,就可以立即在本地启动模型聚合,而无需等待所有电站完成本地模型的更新,全局模型由每个电站在本地分布式地聚合得到,可以显着提高数据安全性和建模效率。另外,通过将聚合得到的全局模型与当前的本地模型进行比较,并选择精度更高的模型用于后续轮次的通信可以进一步加快模型的收敛速度。
mt=β1·mt-1+(1-β1)·gt (12)
其中,B是小批量数据集,x(i)是小批量数据集B中的样本,CNN的模型参数用w表示。是CNN中Softmax函数输出的概率向量,yi表示样本的真实标签。g表示损失函数J的梯度。当t=0时,mt和vt的初始值等于0。β1和β2是平均移动系数。lr是初始学习率,ε是一个避免分母为零的数值很小的常数。
由于各个电站的数据大小和计算性能的差异,现有专利采用的同步聚合方法可能会导致数据传输效率低下。为此,本发明引入了异步聚合机制。当电站Ck接收到来自其它参与者的模型参数后,它将立即在本地聚合新的全局模型,而无需等待其它所有电站完成本地更新。为了进一步提高通信效率,本发明为异步更新机制设置了终止阈值|L|。|L|是介于1到C之间的正整数,C是参与联合建模的电站总数。L表示已更新完毕模型参数的电站的集合。当电站Ck从其它|L|-1个参与者处收到更新后的模型参数,便执行步骤S3,在本地根据式(16)、(17)聚合全局模型
其中αi和βj是模型聚合时的混合权重。在电站Ck本地聚合的全局模型由两部分组成。第一部分包括|L|-1个其它参与者,电站Ck接收到了它们最新的本地模型权重第二部分包含了剩余的参与者,电站Ck没有接收到它们最新的模型参数,用此前最近一次接收到的网络参数代替。
电站Ck反复执行步骤S1~S4直至全局模型收敛到较高的精度,完成多个光伏电站的联合故障诊断建模。
步骤五:联合故障诊断建模性能评估。为了验证所提出的异步去中心化联邦学习方法的有效性,本发明利用从实际光伏阵列中所采集的故障和正常样本数据,设计了六组独立实验,具体包括:
①实验1:电站1的本地数据集包含正常和短路故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
②实验2:电站1的本地数据集包含正常以及短路和老化故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
③实验3:电站1的本地数据集包含正常以及短路和遮挡故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
④实验4:电站1的本地数据集包含正常以及短路、老化和遮挡故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
⑤实验5:电站1的本地数据集包含正常以及短路和老化故障的样本,电站2的本地数据集包含正常以及老化和遮挡故障的样本,电站3的本地数据集包含正常以及短路和遮挡故障的样本。
⑥实验6:电站1的本地数据集包含正常以及短路、老化和遮挡故障的样本,电站2的本地数据集包含正常以及短路、老化和遮挡故障的样本,电站3的本地数据集包含正常以及短路、老化和遮挡故障的样本。
在本发明中,用于性能评估的样本类型包括正常状态以及短路、老化和遮挡故障,每种类型包含的样本数均为2976,共计11904个。对于每个电站,将本地数据集按7:3的比例划分为训练集和测试集。值得注意的是这个7:3是按照样本类别依次划分的。以实验一中的电站1为例,训练集包含70%的正常样本和70%的短路样本,测试集包含30%的正常样本和30%的短路样本,这样保证了训练集中能够包含本地所有的故障类型,能够最大程度地提高本地模型的精度和泛化性能。为了验证本发明方法的有效性,分三个步骤对所建立的联合故障诊断模型的性能进行评估,具体包括:
S1,评估联合故障诊断模型的准确率;
S2,评估异步去中心化联邦学习框架的通信效率;
S3,评估异步去中心化联邦学习框架的模型训练效率;
本发明的目标是在多个电站故障样本分布不均衡的情况下,设计一种新的异步去中心化联邦学习框架实现了联合故障诊断建模,在确保数据隐私的前提下得到高精度的全局故障诊断模型。为了验证所提出方法的有效性,训练完毕的联合故障诊断模型首先执行步骤S1。六组实验中本发明所提出的异步去中心化联邦学习、现有专利中采用的集中式联邦学习以及样本集中式训练得到的模型在全局的故障诊断准确率随聚合轮次的变化如图所示。实验1如图9所示,实验2如图10所示,实验3如图11所示,实验4如图12所示,实验5如图13所示,实验6如图14所示。故障诊断准确率的计算方法如式(18)所示:
其中,True表示模型在全局数据集上正确诊断故障类型的样本数,False表示模型在全局数据集上错误诊断故障类型的样本数。
值得注意的是,由于样本集中式训练不涉及模型的聚合,与轮次无关,因此采用一条恒定数值的直线表示。显然,本发明所提出的方法在一定的聚合轮次后故障诊断准确率都能够收敛到99%以上,接近样本集中式训练模型的故障诊断精度。同时,相较于现有专利采用的集中式联邦学习方法,本发明的方法能够在更少的聚合轮次下达到收敛。
之后,训练完毕的联合故障诊断模型执行步骤S2,以评估本发明方法的通信效率。在联合建模过程中,各个电站之间只需要传递神经网络的模型参数,不需要传递本地的原始数据。因此,各个电站之间数据样本的差异不会影响单次通信的成本,只会影响模型聚合所需的通信轮次。一般来说,多个电站之间本地样本差异越大,全局模型收敛所需的聚合轮次就越多。同时,现有发明中的集中式联邦学习采用的是同步更新机制,需要等待全部电站都更新完毕才会在中心服务器进行模型聚合。本发明提出的方法通过设定聚合阈值,各个电站在完成自身本地模型更新后,仅需要再接收到一定数量其它电站发送来的模型参数,就可以在本地分布式地开展全局模型的聚合,节省了每一轮聚合中的通信次数。本发明将通信成本设定全局模型收敛时总的通信次数,如式(19)所示:
其中,R表示联合故障诊断模型达到收敛时总的通信轮次,Roundr表示第r轮通信中神经网络模型参数的传递次数。
六组实验中本发明方法与现有专利采用的传统集中式联邦学习方法的通信成本对比如图15所示。显然,本发明的方法能够大幅降低模型聚合过程中的通信成本。
最后,训练完毕的联合故障诊断模型执行步骤S3,按照式(20)评估本发明方法的模型训练效率:
TrainingEfficiency=Timestop-Timestart (20)
其中,Timestart表示多个光伏电站开始联合建模的时刻,Timestop表示联合故障诊断模型达到收敛的时刻。
为此,分别记录了六组实验中本发明提出的异步去中心化联邦学习方法和现有发明采用的集中式联邦学习方法所需的训练时间,如图16所示。显然,本发明所提出的方法能够大幅减少模型训练时间,有效提高了联合建模过程的计算效率。
本发明针对实际现场单个光伏电站难以采集到足够数量和类型的故障样本以及多个光伏电站之间样本不平衡难以充分利用,模型泛化性能差的问题,提出了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法。相比于现有专利中的方法,本发明首次考虑了故障样本数量和类型都受限的情况,设计了一种多个光伏电站协同建模的光伏组件故障诊断方法。本发明首先介绍了原始本地数据集的构建方法。之后,为了提高数据质量、节省计算资源,本发明提出了一种数据预处理方法包括:(1)对原始伏安特性曲线降采样,压缩数据量。(2)通过双线性插值计算重采样点缺失的电流和电压值。(3)将温度和辐照度信息插入到重采样后的伏安特性曲线中,将数据重构为二维数组。接着,本发明搭建了用于训练本地故障诊断模型的CNN网络。之后,基于本发明所提出的异步去中心化联邦学习开展多个电站的联合故障诊断建模。最后,本发明设计了六组独立实验,评估了训练完毕的联合故障诊断模型的故障诊断准确率、通信效率以及模型训练效率,用于验证本发明方法的有效性,具体步骤如图17所示。
本发明方法中的异步去中心化联邦学习框架可以被替代为传统的集中式联邦学习框架以及在此基础上稍加改动的其它联邦学习框架,这里的改动包括全局模型聚合的触发条件、全局模型聚合过程中参数的加权方法以及对本发明中异步去中心化联邦框架进行的细微修改。
本发明中数据预处理部分将原始伏安特性曲线重采样为40个数据点,这个数据量不是唯一确定的,可以根据实际采集数据情况进行选取。同时,在本发明中重采样点缺失的电流和电压值是通过双线性插值来补全的,也可以用拉格朗日插值、牛顿插值、三次Hermite插值等方法替代双线性插值。
在光伏组件发生故障后快速准确地诊断故障类型对电站的安全、经济和稳定运行具有重要意义,而现有专利中的光伏故障诊断方法都没有同时考虑故障样本的数量和类型受限的情况,而且只是基于单个光伏电站的本地数据建立故障诊断模型,模型所能识别的故障类型很大程度上受到本地故障样本的限制,一旦出现新的故障就无法识别。同时,现有方法没有考虑多个光伏电站故障样本分布不均衡的问题,没有充分利用多个光伏电站的本地数据开展联合故障诊断建模,模型的泛化能力很差。同时,在光伏故障诊断领域还没有采用联邦学习方法的专利,即使在其它领域有采用联邦学习的相关专利,它们采用的都是传统的集中式联邦学习框架,全局模型的聚合依赖于中心服务器,建模效率低且可能会造成数据泄露,一旦中心服务器遭受袭击崩溃,联合建模就无法开展。
本发明在现有的光伏组件故障诊断方法上做了很大程度的优化,首次考虑了故障样本的数量和类型都受限的情形,首次实现了多个光伏电站联合建立故障诊断模型。本发明的方法不仅有效解决了实际现场单个光伏电站难以采集到足够数量和类型的故障样本的问题,还解决了多个光伏电站之间样本不平衡难以充分利用,模型泛化性能差的问题。值得注意的是,为了提高模型的通信和训练效率,保障数据隐私安全,本发明提出了一种新的异步去中心化联邦学习框架,去除了中心服务器,以分布式的方式在各个电站的本地聚合得到全局模型。同时,本发明还设计了数据预处理方法,提高了数据质量,节省了计算资源。
本发明与现有技术相比较,具有如下显而易见的实质性特点和显著优点:
1.本发明首次同时考虑了光伏电站本地故障样本数量和类型都受限的情况,有效提高了模型的泛化能力;
2.本发明首次考虑了多个光伏电站的联合故障诊断建模问题,在保障数据隐私的情况下充分利用了多个电站的本地数据;
3.本发明首次提出了一种异步去中心化联邦学习框架,全局模型的聚合不需要中心服务器的参与而是完全分布式的,有效提高了模型的通信和训练效率;
4.不同于现有发明采用复杂的深度神经网络,本发明只需要采用简易CNN网络就能实现高精度的光伏组件故障诊断。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的参与联合故障诊断建模的单个光伏电站结构图;
图2是本发明的一个较佳实施例的温度20℃,辐照度600W/㎡时光伏组件四种运行状态的伏安特性曲线;
图3是本发明的一个较佳实施例的数据预处理过程中降采样与双线性插值流程图;
图4是本发明的一个较佳实施例的数据预处理前的伏安特性曲线;
图5是本发明的一个较佳实施例的数据预处理后的伏安特性曲线;
图6是本发明的一个较佳实施例的CNN网络结构图;
图7是本发明的一个较佳实施例的异步去中心化联邦学习框架;
图8是本发明的一个较佳实施例的每个光伏电站充当的两种角色;
图9是本发明的一个较佳实施例的联合故障诊断模型在实验1下的准确率;
图10是本发明的一个较佳实施例的联合故障诊断模型在实验2下的准确率;
图11是本发明的一个较佳实施例的联合故障诊断模型在实验3下的准确率;
图12是本发明的一个较佳实施例的联合故障诊断模型在实验4下的准确率;
图13是本发明的一个较佳实施例的联合故障诊断模型在实验5下的准确率;
图14是本发明的一个较佳实施例的联合故障诊断模型在实验6下的准确率;
图15是本发明的一个较佳实施例的联合故障诊断模型在六组实验下的通信成本;
图16是本发明的一个较佳实施例的联合故障诊断模型在六组实验下的模型训练时间;
图17是本发明的一个较佳实施例的联合故障诊断建模整体流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
如图17所示,本发明针对实际现场单个光伏电站难以采集到足够数量和类型的故障样本以及多个光伏电站之间样本不平衡难以充分利用,模型泛化性能差的问题,提出了一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法。相比于现有专利中的方法,本发明首次考虑了故障样本数量和类型都受限的情况,设计了一种多个光伏电站协同建模的光伏组件故障诊断方法。本发明首先介绍了原始本地数据集的构建方法。之后,为了提高数据质量、节省计算资源,本发明提出了一种数据预处理方法包括:(1)对原始伏安特性曲线降采样,压缩数据量。(2)通过双线性插值计算重采样点缺失的电流和电压值。(3)将温度和辐照度信息插入到重采样后的伏安特性曲线中,将数据重构为二维数组。接着,本发明搭建了用于训练本地故障诊断模型的CNN网络。之后,基于本发明所提出的异步去中心化联邦学习开展多个电站的联合故障诊断建模。最后,本发明设计了六组独立实验,评估了训练完毕的联合故障诊断模型的故障诊断准确率、通信效率以及模型训练效率,用于验证本发明方法的有效性,具体步骤如图17所示。
1、数据采集:本发明提出了一种多个光伏电站协同建模的光伏组件故障诊断方法。其中,每个光伏电站由若干个光伏阵列构成,并利用伏安测试仪采集了正常状态以及老化、短路和部分遮挡三种常见故障状态下光伏阵列的伏安特性曲线以及对应的温度和辐照度,作为原始的本地数据集。
2、数据预处理:在本发明中,参与联合建模的各个光伏电站都有自身的数据中心,负责数据预处理以及本地故障诊断模型的训练。
在数据预处理过程中,数据中心首先读取伏安测试仪采集到的原始伏安特性曲线,该数据包含从短路电流至开路电压的电流和电压采样信息。
之后,考虑到每条原始伏安特性曲线包含的采样点数量不同,且存在冗余信息,数据中心对其进行降采样以压缩数据量,同时确保采样点能够在短路电流以及开路电压范围内均匀分布,便于准确提取故障特征。
接着,数据中心利用双线性插值方法分别计算重采样点缺失的电流和电压值。具体来说,利用式(21)计算出20个重新采样电流IRx处的电压VRx_n:
其中(I1,V1)、(I2,V2)是原始伏安曲线上IRx两侧最相邻的采样点。
利用式(22)计算出20个重新采样电流VRx处的电压IRx_n:
其中(I1,V1)、(I2,V2)是原始伏安曲线上VRx两侧最相邻的采样点。
之后,数据中心将双线性插值得到的40个重采样点按电压降序进行排列,获得重采样后的伏安特性曲线。
最后,数据中心执行步骤S5,将温度和辐照度信息作为环境向量插入到重采样后的伏安特性曲线中,将其重构为40*4的二维数组,将其视为一个样本,作为后续神经网络的输入。
通过本发明所提出的数据预处理方法,能够在保留曲线有效信息的前提下将原始曲线约400个数据点大幅压缩为40个,极大节省了计算资源,同时保证了神经网络输入数据维度的一致性。
3、搭建卷积神经网络(CNN):考虑到故障样本是40*4的二维特征矩阵,而CNN网络能够很好地自动提取数据的二维特征,为此本发明采用了一种CNN网络用于训练本地故障诊断模型。其中,CNN网络结构包含2-D CNN层、1-D CNN层、Maxpool层、全连接层(FC)以及Softmax函数,具体包括:
①卷积层:标准的二维卷积层(Conv2d)作为一种被广泛应用的深度学习结构,具有权重共享的优点,可以大大减少训练过程中的自由参数从而提高网络的性能。从本质上讲,卷积层中的计算过程是一种数学运算,通过在输入矩阵上滑动内核(kernel),计算内核和各个位置输入的点积。Conv2d的计算过程由式(23)定义,而一维卷积层(Conv1d)由式(24)定义:
其中x是上一层的二维输出,i,j用于记录二维输入中的坐标。另外,K代表维度为m×m的核矩阵,是训练过程中可学习的参数。w和h是二维核矩阵中的位置索引。在等式(23)中,Kk是第k个输入神经元的核大小,*是没有零填充的互相关算子。
②池化层:池化层通常穿插在连续的卷积层中,主要用于减小特征图的空间大小并有效地防止过拟合,本发明选用的是最大池化(MaxPool),在内核选定的区域中,选出最大的数字替代当前区域,之后按给定的步长滑动内核进行下一次选择和替代。
③ReLU激活函数:为了从原始数据集中学习复杂的非线性特征,需要使用非线性激活函数来增强数据特征的非线性。在本发明中,选择了非线性激活函数整流线性单元(ReLU),如式(25)所示:
其中,x是输入特征,ReLU激活函数可以极大地加速收敛并缓解梯度消失的问题,提高计算效率。
④全连接层(FC)与Softmax:全连接的一个作用是维度变换,尤其是可以把高维变到低维,同时把有用的信息保留下来,如式(26)所示:
y=WN×DxD×M+bN×M (26)
全连接的另一个作用是隐含语义的表达,把原始特征映射到各个隐语义节点。对于本发明来说,由于FC被放置在最后一层,配合Softmax输出的就是光伏故障诊断分类结果的显示表达,如式(27)所示:
所选用的损失函数为交叉熵函数,如式(28)所示:
不同于现有专利中采用复杂的深度神经网络,本发明仅利用一种简易CNN网络就能训练得到准确的本地故障诊断模型。
4、基于异步去中心化联邦学习框架建立联合故障诊断模型:考虑到每个电站的本地数据大小和计算性能的差异,本发明提出了一种新的异步去中心化联邦学习框架来解决多个光伏电站之间样本不平衡难以充分利用的问题,实现多个光伏电站的联合故障诊断建模。具体来说:
mt=β1·mt-1+(1-β1)·gt (32)
其中,B是小批量数据集,x(i)是小批量数据集B中的样本,CNN的模型参数用w表示。是CNN中Softmax函数输出的概率向量,yi是样本的真实标签。g表示损失函数J的梯度。当t=0时,mt$和vt的初始值等于0。β1和β2是平均移动系数。lr是初始学习率,ε是一个避免分母为零的数值很小的常数。
考虑到各个电站的数据大小和计算性能的差异,为了提高通信效率,本发明为异步更新机制设置了终止阈值|L|。|L|是介于1到C之间的正整数,C是参与联合建模的电站总数。L是一个包含已更新完毕模型参数的电站的集合。当电站Ck从其它|L|-1个参与者处收到更新后的模型参数,便在本地根据式(36)(37)聚合全局模型
其中αi和βj是模型聚合时的混合权重。在电站Ck本地聚合的全局模型由两部分组成。第一部分包括|L|-1个其它参与者,电站Ck接收到了它们最新的本地模型权重第二部分包含了剩余的参与者,电站Ck没有接收到它们最新的模型参数,用此前最近一次接收到的网络参数代替。
最后,电站Ck重复执行上述步骤直至全局模型收敛到较高的精度,完成多个光伏电站的联合故障诊断建模。
5、联合故障诊断建模性能评估:为了验证所提出的异步去中心化联邦学习方法的有效性,本发明利用从实际光伏阵列中所采集的故障和正常样本数据,设计了六组独立实验,评估了训练完毕的联合故障诊断模型的故障诊断准确率、通信效率以及模型训练效率,用于验证本发明方法的有效性,具体包括:
①实验1:电站1的本地数据集包含正常和短路故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
②实验2:电站1的本地数据集包含正常以及短路和老化故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
③实验3:电站1的本地数据集包含正常以及短路和遮挡故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
④实验4:电站1的本地数据集包含正常以及短路、老化和遮挡故障的样本,电站2的本地数据集包含正常和老化故障的样本,电站3的本地数据集包含正常和遮挡故障的样本。
⑤实验5:电站1的本地数据集包含正常以及短路和老化故障的样本,电站2的本地数据集包含正常以及老化和遮挡故障的样本,电站3的本地数据集包含正常以及短路和遮挡故障的样本。
⑥实验6:电站1的本地数据集包含正常以及短路、老化和遮挡故障的样本,电站2的本地数据集包含正常以及短路、老化和遮挡故障的样本,电站3的本地数据集包含正常以及短路、老化和遮挡故障的样本。
其中,用于性能评估的样本类型包括正常状态以及短路、老化和遮挡故障,每种类型包含的样本数均为2976,共计11904个。对于每个电站,将本地数据集按照7:3的比例划分为训练集和测试集。
首先,多个参与者基于步骤四中的异步去中心化联邦学习框架训练得到收敛后的联合故障诊断模型。
之后,按照式(38)测试联合故障诊断模型在全局的故障诊断准确率:
其中,True表示联合故障诊断模型在全局数据集上正确诊断故障类型的样本数,False表示联合故障诊断模型在全局数据集上错误诊断故障类型的样本数。
接着,按照式(39)测试本发明建立的联合故障诊断模型的通信效率:
其中,R表示联合故障诊断模型达到收敛时总的通信轮次,Roundr表示第r轮通信中神经网络模型参数的传递次数。
最后,按照式(40)测试本发明建立的联合故障诊断模型的模型训练效率:
TrainingEfficiency=Timestop-Timestart (40)
其中,Timestart表示多个光伏电站开始联合建模的时刻,Timestop表示联合故障诊断模型达到收敛的时刻。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,包括以下步骤:
步骤1、数据采集;
步骤2、数据预处理;
步骤3、搭建卷积神经网络(CNN);
步骤4、基于异步去中心化联邦学习框架建立联合故障诊断模型;
步骤5、联合故障诊断建模性能评估。
2.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤1采集的数据包括光伏阵列的伏安特性曲线以及对应的温度和辐照度。
3.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤1采集的数据包括光伏组件的正常状态、老化故障状态、短路故障状态、部分遮挡故障状态下的数据。
4.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤2,包括以下步骤:
步骤2.1、读取原始伏安特性曲线,记录开路电压Vo和短路电流Isc;
步骤2.2、对数据进行降采样,在[0,Vo]范围内等距重新采样20个电压VRx,在[0,Isc]范围内等距重新采样20个电流IRx;
步骤2.3、对数据进行补全,计算出20个重采样电流IRx处对应的电压值,以及20个重采样电压VRx处对应的电流值;
步骤2.4、获取重采样后的伏安特性曲线,将得到的40个重采样点按电压降序进行排列,得到40*2的数组;
步骤2.5、数据重构,将40个重采样点对应的温度和辐照度构建为40*2的环境向量,与重采样后40*2的伏安特性曲线数组重构成40*4的二维数组。
5.如权利要求4所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤2.3对数据进行补全方法包括双线性插值方法、拉格朗日插值方法、牛顿插值方法、三次Hermite插值方法。
6.如权利要求1所述的异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述CNN网络结构包括2-D CNN层、1-D CNN层、Maxpool层、全连接层、Softmax函数。CNN网络模型可以被其它用于分类的神经网络替代,包括BP神经网络、支持向量机、深度残差网络、深度置信网络、径向基网络等。
7.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤4,包括以下步骤:
步骤4.1、利用伏安测试仪采集的本地数据集更新本地故障诊断模型;
步骤4.2、将更新后的本地模型参数发送给其它参与者;
步骤4.3、接收其它电站发送来的更新后的模型参数,当收集到的模型参数达到一定数量后,在本地完成模型聚合得到全局模型;
步骤4.4、将聚合得到的全局模型与现有的本地模型进行比较,保留其中故障诊断精度更高的模型作为新的本地模型,用于后续轮次的通信。
8.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述异步去中心化联邦学习框架是分布式。
9.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤4,参与联合建模的光伏电站充当的角色包括客户端和服务器。
10.如权利要求1所述的基于异步去中心化联邦学习的光伏电站联合故障诊断方法,其特征在于,所述步骤5,包括以下步骤:
步骤5.1、评估联合故障诊断模型的准确率;
步骤5.2、评估异步去中心化联邦学习框架的通信效率;
步骤5.3、评估异步去中心化联邦学习框架的模型训练效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644538.6A CN113283175B (zh) | 2021-06-09 | 2021-06-09 | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644538.6A CN113283175B (zh) | 2021-06-09 | 2021-06-09 | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283175A true CN113283175A (zh) | 2021-08-20 |
CN113283175B CN113283175B (zh) | 2023-02-03 |
Family
ID=77284025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644538.6A Active CN113283175B (zh) | 2021-06-09 | 2021-06-09 | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283175B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114039546A (zh) * | 2021-11-18 | 2022-02-11 | 河海大学常州校区 | 基于光伏组件i-v曲线重构的光伏阵列故障定位方法和装置 |
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 |
CN114662618A (zh) * | 2022-05-23 | 2022-06-24 | 湖南工商大学 | 一种基于联邦学习的故障诊断方法、装置及相关设备 |
CN115562244A (zh) * | 2022-10-26 | 2023-01-03 | 河北工业大学 | 一种基于动态联邦学习的设备故障诊断方法 |
WO2023033727A3 (en) * | 2021-08-30 | 2023-05-25 | Envision Digital International Pte. Ltd. | Method and apparatus for training photovoltaic monitoring model, and method and apparatus for monitoring photovoltaic device |
CN116186784A (zh) * | 2023-04-27 | 2023-05-30 | 浙江大学 | 基于联邦学习隐私保护的心电图心率失常分类方法及装置 |
CN117708592A (zh) * | 2023-12-12 | 2024-03-15 | 清新文化艺术有限公司 | 基于文化创意的艺术科技融合数字平台 |
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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306616A (zh) * | 2018-01-11 | 2018-07-20 | 厦门科华恒盛股份有限公司 | 一种光伏组件异常检测方法、系统及光伏系统 |
US20190251199A1 (en) * | 2018-02-14 | 2019-08-15 | Ivan Klianev | Transactions Across Blockchain Networks |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN111600707A (zh) * | 2020-05-15 | 2020-08-28 | 华南师范大学 | 一种在隐私保护下的去中心化联邦机器学习方法 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
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 |
CN112598150A (zh) * | 2020-11-09 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种在智能电厂中基于联邦学习提升火灾检测效果的方法 |
CN112787591A (zh) * | 2020-10-30 | 2021-05-11 | 福州大学 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
CN112818394A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 具有本地隐私保护的自适应异步联邦学习方法 |
CN112906859A (zh) * | 2021-01-27 | 2021-06-04 | 重庆邮电大学 | 一种用于轴承故障诊断的联邦学习算法 |
-
2021
- 2021-06-09 CN CN202110644538.6A patent/CN113283175B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306616A (zh) * | 2018-01-11 | 2018-07-20 | 厦门科华恒盛股份有限公司 | 一种光伏组件异常检测方法、系统及光伏系统 |
US20190251199A1 (en) * | 2018-02-14 | 2019-08-15 | Ivan Klianev | Transactions Across Blockchain Networks |
CN111600707A (zh) * | 2020-05-15 | 2020-08-28 | 华南师范大学 | 一种在隐私保护下的去中心化联邦机器学习方法 |
CN111698322A (zh) * | 2020-06-11 | 2020-09-22 | 福州数据技术研究院有限公司 | 一种基于区块链和联邦学习的医疗数据安全共享方法 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN112787591A (zh) * | 2020-10-30 | 2021-05-11 | 福州大学 | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 |
CN112598150A (zh) * | 2020-11-09 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种在智能电厂中基于联邦学习提升火灾检测效果的方法 |
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 |
CN112906859A (zh) * | 2021-01-27 | 2021-06-04 | 重庆邮电大学 | 一种用于轴承故障诊断的联邦学习算法 |
CN112818394A (zh) * | 2021-01-29 | 2021-05-18 | 西安交通大学 | 具有本地隐私保护的自适应异步联邦学习方法 |
Non-Patent Citations (2)
Title |
---|
YINGHUI LIU等: "Blockchain-Enabled Asynchronous Federated Learning in", 《SENSORS 2021》 * |
ZHICONG CHEN等: "Deep residual network based fault detection and diagnosis of photovoltaic arrays using current-voltage curves and ambient conditions", 《ENERGY CONVERSION AND MANAGEMENT》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023033727A3 (en) * | 2021-08-30 | 2023-05-25 | Envision Digital International Pte. Ltd. | Method and apparatus for training photovoltaic monitoring model, and method and apparatus for monitoring photovoltaic device |
CN114039546A (zh) * | 2021-11-18 | 2022-02-11 | 河海大学常州校区 | 基于光伏组件i-v曲线重构的光伏阵列故障定位方法和装置 |
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 |
CN114662618A (zh) * | 2022-05-23 | 2022-06-24 | 湖南工商大学 | 一种基于联邦学习的故障诊断方法、装置及相关设备 |
CN115562244A (zh) * | 2022-10-26 | 2023-01-03 | 河北工业大学 | 一种基于动态联邦学习的设备故障诊断方法 |
CN115562244B (zh) * | 2022-10-26 | 2023-08-15 | 河北工业大学 | 一种基于动态联邦学习的设备故障诊断方法 |
CN116186784A (zh) * | 2023-04-27 | 2023-05-30 | 浙江大学 | 基于联邦学习隐私保护的心电图心率失常分类方法及装置 |
CN117708592A (zh) * | 2023-12-12 | 2024-03-15 | 清新文化艺术有限公司 | 基于文化创意的艺术科技融合数字平台 |
CN117708592B (zh) * | 2023-12-12 | 2024-05-07 | 清新文化艺术有限公司 | 基于文化创意的艺术科技融合数字平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113283175B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283175B (zh) | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
CN109144987A (zh) | 基于深度学习的电力系统量测缺失值重建方法及其应用 | |
Zhu et al. | Wind speed behaviors feather analysis and its utilization on wind speed prediction using 3D-CNN | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN112001486A (zh) | 一种基于深度学习的负荷分解方法 | |
CN113984969A (zh) | 一种基于多源时空数据融合的空气质量预测方法及系统 | |
CN111694827B (zh) | 一种电力设备状态监测数据缺失值分类插补方法和系统 | |
CN117610737A (zh) | 一种基于astgcn的碳排放因子预测方法和系统 | |
CN116011608A (zh) | 光伏功率超短期预测方法及装置、电子设备、存储介质 | |
CN110389268B (zh) | 一种电力系统的在线监测系统 | |
CN115859792A (zh) | 基于注意力机制的中期电力负荷预测方法及系统 | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
Yin et al. | A survey of deep learning and its application in distribution network | |
CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
CN116774089A (zh) | 基于特征融合的卷积神经网络电池健康状态估计方法及系统 | |
CN110212591A (zh) | 一种基于压缩感知技术的分布式光伏辐照度量测布点方法 | |
EP4123862A1 (en) | Systems and methods for optimal synchrophasor data recovery | |
CN115600494A (zh) | 一种低压台区拓扑自动识别方法及装置 | |
CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及系统 | |
CN115630320A (zh) | 一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法 | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 |
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 |