CN115580446A - 一种基于去中心化联邦学习的非侵入式负荷检测方法 - Google Patents
一种基于去中心化联邦学习的非侵入式负荷检测方法 Download PDFInfo
- Publication number
- CN115580446A CN115580446A CN202211160060.0A CN202211160060A CN115580446A CN 115580446 A CN115580446 A CN 115580446A CN 202211160060 A CN202211160060 A CN 202211160060A CN 115580446 A CN115580446 A CN 115580446A
- Authority
- CN
- China
- Prior art keywords
- node
- load
- data
- user
- decentralized
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000005611 electricity Effects 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 42
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0407—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the identity of one or more communicating identities is hidden
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明提供一种基于去中心化联邦学习的非侵入式负荷检测方法，非侵入式电力负荷检测方法步骤包括：选取数据、电力负荷数据特征预处理、建立本地模型和去中心化联邦学习网络构建，本发明通过每次聚合的客户端各自进行，每个客户端设为一个节点，每个节点有一个模型，搭建一个网络架构允许每个节点的模型，实现对联邦学习方法的去中心化，并根据GNN网络的特点进行参与的客户端模型结合，确保各个客户端之间地位平等，且能够保证模型进行顺利的交互，实现了非侵入式负荷检测基于单个用户的检测效果有所提高，且速度更快。
Description
技术领域
本发明属于非侵入式负荷检测联邦学习技术领域，更具体地说是一种基于去中心化联邦学习技术的用户用电非侵入式电力负荷检测方法。
背景技术
针对个体商户用电主要存在是否偷电的问题，若存在偷电则会严重损害个体商户的利益；因此需要对用户进行非侵入式电力负荷检测，以确保用户在偷电、违规用电等情况时能够及时发现。
联邦学习是一种分布式机器学习框架，其做到了在保障数据隐私安全及合法合规的基础上，实现数据共享，共同建模；联邦学习通过数据的变化来判断是否负荷运行状态发生了异常的变换，并依据多个特征数据进行判断，其中包括有功特征、无功特征以及稳态的电压-电流轨迹特征等，依据此类数据的对比进行判断用户用电是否存在异常，从而在保护用户隐私的同时实现电力负荷非侵入式检测，其中因为用户的电力数据存储客户端分布都是不规则分布的，传统意义上的机器学习方法不能够很好的解决客户端之间的通信问题，所以在电力负荷检测过程中还会引入图神经网络(GNN)推荐系统解决用户数据分散的问题；
虽然上述方法能够实现对用户用电情况的非侵入式检测，但是现有的联邦学习和GNN推荐技术仍存在以下不足之处：
(1)传统的联邦学习方法，需要可靠的中心化服务器，需要消耗大量的设备资源，如果中心化服务器出现故障，则整个系统瘫痪，无法正常运行；
(2)GNN推荐系统从图结构上进行节点连接，参与的客户端多且杂，缺少可靠性，彼此客户端直接缺少一个信任机制；同时单一的GNN推荐系统，不能够保护用户的隐私安全，容易造成数据泄露，不能很好的保护用户的数据安全。
因此，本发明提供了一种基于去中心化联邦学习的非侵入式负荷检测方法，以解决上述联邦学习方法和GNN推荐系统存在的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于去中心化联邦学习的非侵入式负荷检测方法，以解决现有技术中联邦学习方法对服务器要求高、占用设备资源，以及GNN推荐系统容易出现数据泄露的的问题。
一种基于去中心化联邦学习的非侵入式负荷检测方法，所述非侵入式电力负荷检测方法步骤如下：
S1：选取数据，选择特定区域一段时间内的电力负荷数据作为检测基础；
S2：电力负荷数据特征预处理，根据获取到的电力负荷数据进行相关特征参数提取，将其映射为向量的形式并计算；
S3：建立本地模型，利用正交变换将存在相关性的数据转变为线性不相关的特征向量，然后选择方差较大的特征信息作为主成分，实现数据空间对超平面空间的投影，在主成分分析的基础上加入循环神经网络GRU，构成本地模型主成分分析与循环神经网络；
S4：去中心化联邦学习网络构建，基于图神经网络，在图神经网络节点处信任机制，采用平均误差判断是否存在偷电漏电情况。
优选的，步骤S1中，收集的电力数据参数具有相关性，相关性包括目标任务、数据类型、特征变量。
其中，电力数据集采集的是各个供电台区全部的n个用户h个月的用电总能量数据构成的月负荷序列矩阵Ln×h,用户i第k个月的负荷数据为li,k。
优选的，步骤S2中，从提取的相关电力负荷特征参数映射的向量形式为： X＝{x1，x2，...，x12}；
其中，x1为移动平均序列以下月份负荷的均值平方根，x2为移动平均序列以上月份负荷的均值平方根，x3为前后1个月负荷的均值差，x4为前后3个月负荷的均值差，x5为前后6个月负荷的均值差，x6为全部月份负荷的标准差，x7为前 6个月负荷的标准差，x8为后6个月负荷的标准差，x9为后3个月负荷均值与全部月份负荷均值之比，x10为后6个月负荷均值与全部月份负荷均值之比，x11为后9个月负荷均值与全部月份负荷均值之比，x12为每个用户负荷与全部用户负荷中值序列的线性相关度；设用户i的移动平均序列F为{Fi,1,Fi,2,...,Fi,h},设定前序位数为3，故有：
设全部用户的电力负荷中值序列M为{M1，M2，...，Mh}，故有：
经过上述计算，所述样本集合X＝{x1，x2，...，x12}中的12个特征维度指标变更为，其中x1反映了用户月负荷序列的上升趋势，x2反映了用户月负荷序列的下降趋势，x3、x4、x5反映了用户用电方式的首尾跨越差异度，分别从短期到中期进行考察，减小用户外出或家庭人口变化带来的用电行为习惯变动的影响； x6、x7、x8从标准差的角度衡量了月负荷序列的波动程度，其中又细化为全部月份的标准差和前后6个月各自的标准差；三个指标的组合可以对用户负荷波动发生的时间段有较好的反映；x9、x10、x11主要是为了减小季节变化对用户用电量的影响，每隔3个月取一次负荷均值，依次取3月、6月、9月、12月以反映一年的变化，x12将每个用户负荷序列同全部用户的负荷中值序列做相关性分析。
优选的，步骤S3中，根据S2中样本集合X＝{x1，x2，...，x12}，xi∈Rd，根据主成分分析投影到平面坐标系为W＝{w1，w2，...w12}，则样本集合在新坐标系中投影可表示为：ui＝Wxi；
其中ui投影后的数据集合，经过投影后的样本数据在新坐标间，即特征空间的协方差矩阵Cov(U)表示为：Cov(U)＝(cij)d×d；
根据特征空间协方差矩阵Cov(U)，求解以下约束条件的目标函数表示为：maxaTCov(U)a,s.ta|＝1；
对上述协方差矩阵求解，得出特征值λ＝{λ1，λ2，...，λn}，并且根据特征值求出对应的特征向量α＝{α1，α2，...，αn}，利用特征值较大的前k个对应的特征向量生成特征空间样本集Y，公式表示为：Yd×k＝aTXd×k；
第i个主成分的累计贡献率为
当累计主成分的贡献率达到预定的设定值之后，则说明原始样本数据集可以使用主成分进行替代，即实现了对原始样本数据集的主成分提取。
其中，因为本发明专利中采用的是真实的电力负荷数据，所以用户用电异常的检测与电力负荷之间不是严格的线性特征提取过程，因此本发明专利采用基于核函数的非线性主成分分析方法；该方法首先通过核函数将电力负荷数据映射至高维空间中，然后在高维空间中进行主成分分析，该方法首先通过核函数将电力负荷数据映射至高维空间中，然后在高维空间中进行主成分分析。
优选的，步骤S3中，在GRU网络的输出处，采用一个全连接层，将输出的信息利用支持向量机来实现，MLP为简单的输入层、隐藏层和输出层三层结构；
其中输入为GRU的输出，隐藏层为100个神经元，输出的大小同输入，模型隐藏层中使用GRU结构，模型输出层使用激活函数Sigmoid，输出为二元函数，即{0,1},其中0表示正常用户，1表示异常用户，最终的输出层为本地模型输出。
优选的，步骤S4中，基于图神经网络的去中心化联邦学习，对于每个参与的客户端的节点需要有一个选择，通过加入Eigen Trust算法，在每个用户节点处计算信任值，判断是否需要该节点的客户端。
优选的，所述Eigen Trust算法认为直接信任值越高的节点推荐的信任值越可信，在计算全局信任时赋予较大权重，假设节点i与节点j之间经过多次交易后i对j的直接信任为sij，为降低恶意行为给算法带来的影响，Eigen Trust 对sij做归一化处理，归一化后的直接信任值记为cij，矩阵[cij]记为C，Eigen Trust算法利用下列公式经过多次迭代计算节点的全局信任值： t(k+1)＝(1-α)CTt(k)+ap；
其中t(k)是第k次迭代后的全局信任值向量，p是可信节点的全局信任值。
假设GNN网络中节点中的数量为n个，其中可信节点数量为m，则有
即节点全局信任值的初始值为均匀分布，如果节点i是可信节点，则
否则pi＝0；EigenTrust算法通过可信节点集合可以避免陷入合谋节点的恶意推荐的作弊圈套,使得每个节点的全局信任值都包含一部分来自可信节点的推荐信任值；另外也保证C的不可约性和非周期性，使得计算过程可收敛。
优选的，步骤S4中，参考非侵入式负荷分解模型的评价标准，采用平均绝对误差,主要是用来衡量某时刻分解得到的单个电器设备消耗的电量和输入到该电器的真实电量的平均误差，反应各个本地模型在某时刻的消耗电量和输入电量，具体评价标准公式为：
其中其中gt是在时刻t上该区域的真实耗电量，而pt是在该时刻t上的总输入量，T表示的是时刻点的数量，根据平均绝对误差的误差大小，判断用户是否存在偷电漏电的情况。
与现有技术相比，本发明具有如下有益效果：
1、本发明通过每次聚合的客户端各自进行，每个客户端设为一个节点，每个节点有一个模型，搭建一个网络架构允许每个节点的模型，实现对联邦学习方法的去中心化，从而不需要一个可靠的中心化服务器，降低了非侵入式检测成本。
2、本发明通过基于去中心化联邦学习模型，并根据GNN网络的特点进行参与的客户端模型结合，确保各个客户端之间地位平等，且能够保证模型进行顺利的交互，实现了非侵入式负荷检测基于单个用户的检测效果有所提高，且速度更快。
3、本发明通过在GNN的基础上，在每个客户端添加信任机制评分，利用联邦学习技术，以各个设备为单位建立本地模型，联邦学习的全局模型采用各自客户端训练的模型进行联合训练出来的模型，不涉及用户的隐私数据，实现了对用户数据的隐私保护。
附图说明
图1是本发明非侵入式电力负荷检测方法流程图；
图2是本发明分布式联邦学习流程图；
图3是本发明去中心化联邦学习流程图；
图4是本发明PCA-GRU模型运行流程图；
图5是本发明GRU网络示意图；
图6是本发明GRU重置门机制示意图；
图7是本发明GRU更新门机制示意图；
图8是本发明t时刻的候选状态ht示意图；
图9是本发明t时刻的隐藏状态ht示意图；
图10是本发明环形信任网络U0源用户的网状结构示意图；
图11是本发明以节点3为例的GNN网络示意图；
图12是本发明去中心化联邦学习的非侵入式负荷检测实例图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
如图1-12所示，本发明提供一种基于去中心化联邦学习的非侵入式负荷检测方法，本发明基于GNN、推荐系统、模型游走、信任网络和联邦学习模型，提出一种基于去中心化联邦学习的非侵入式负荷检测方法，用于解决联邦学习对于可靠中心服务器的依靠；本专利算法保护用户的隐私安全，去中心化的联邦学习省去了可靠的中心服务器，成本相对较低。
联邦学习作为一种新型的加密分布式机器学习，提升了用户对当下人工智能技术的信任度，联邦学习模型图如图2所示，联邦学习聚合有个前提：各参与方数据要有一定的相关性，这个相关性包括目标任务、数据类型、特征变量等；本发明是去中心化的联邦学习方法，基于本地的客户端建模需要大量的训练，因而本发明在模型游走训练阶段会根据模型的性能进行加权，确保最后聚合的模型性能泛化性更佳；
针对背景技术中提出的两个问题，本发明通过基于去中心化的联邦学习模型，每次聚合的客户端各自进行，每个客户端设为一个节点，每个节点有一个模型，搭建一个网络架构允许每个节点的模型；根据GNN网络的特点进行参与的客户端模型结合，在重复迭代后可以让在每一个节点处的模型收敛，形成本次参与聚合的客户端的模型的最优模型，去中心化的联邦学习模型搭建，利用 GNN网络进行搭建，可以确保各个客户端之间地位平等，且能够保证模型进行顺利的交互，使得非侵入式负荷检测基于单个用户的检测效果更加要好，且速度相对而言比较快；
并在GNN的基础上，在每个客户端添加信任机制评分，利用联邦学习技术，以各个设备为单位建立本地模型，联邦学习的全局模型采用各自客户端训练的模型进行联合训练出来的模型，不涉及用户的隐私数据，以此解决GNN推荐系统存在的隐私安全问题，同时因为是基于联邦学习的框架，又能很好的避免对等网络数据量过大的问题。
本发明中基于去中心化联邦学习的非侵入式负荷检测方法，实施步骤具体如下：
第一步：选取数据
本发明以苏南某地区电网进行实施例介绍，进行实例分析，在如图12中给出基于去中心化联邦学习的非侵入式负荷检测实例图；本实例数据来源于苏南某地区电网近10年的用电数据，选取相关性较强的电力数据，相关性包括目标任务、数据类型、特征变量；去中心化的联邦学习省去了可靠的中心服务器，成本相对较低；家庭负荷数据的异常检测本质是将家庭住宅已知的总功率信号分解出单一的负荷设备的功率信号，对于一个家庭用户来说，总功率负荷包括家中智能电表所测得的所有功率数据，因此进行非侵入式负荷检测的目的是为了获悉某时间段内家庭中负荷设备的功率变化情况；根据非侵入式负荷数据检测到的变换情况，能够及时的检测到用户用电的异常情况。
第二步：针对苏南某地区电力负荷数据特征预处理
基于本发明专利的数据为片区用户使用的的电力负荷数据特征变化，对于不同用户的电器使用不同，电力负荷数据偏差较大；本发明方法是基于用户电力数据负荷异常进行检测，均是基于在选定的负荷类型基础上进行，即便是同种电器、同一片区，因使用时间的不同，用户之间的负荷特征存在较大的差异性；如居民A用户是白班，则在早晚使用电较多，居民B用户是夜班，则在白天用电较多，亦或是居民C是个体经营户，用电除夜间较少外，白天电量使用普遍较多；为了不受到不同区域、不同生活习惯等产生的不良影响，本发明数据集以区域供电台为单位，此外，数据的大小不一，不利于神经网络的数据处理，故本发明进行数据归一化处理。具体预处理步骤如下：
2-1本发明专利针对于用户的用电异常使用情况进行检测，本发明专利数据集采集的是各个供电台区全部的n个用户h个月的用电总能量数据构成的月负荷序列矩阵Ln×h,用户i第k个月的负荷数据为li,k，用户数据包括商业用电和居民用电，本实施例只考虑电力负荷使用异常情况，不考虑电价直接的差异，在原有使用电力记录的基础上进行后期异常电力使用的监控检测；
2-2本发明专利采用深度学习算法进行监控用电异常使用情况，不同的检测部分含有不同的参数，本发明专利需要获取的部分特征参数可以作为后续分析的基础，本发明收集的参数包括主电表采样率、居住人口数、测量开始时间、测量结束时间、持续天数、主要负荷电器数量、主要负荷电器类型等，其中对上述数据进行电力公式转换成本发明专利可执行数据，具体的电力公式转换不是本发明专利的重点内容，故不进行详细叙述。通过从12个特征维度进行用电异常的检测，根据获取到的电力负荷数据进行相关特征参数提取，将其映射为向量的形式：X＝{x1，x2，...，x12}，其中x1为移动平均序列以下月份负荷的均值平方根、，x2为移动平均序列以上月份负荷的均值平方根，x3为前后1个月负荷的均值差，x4为前后3个月负荷的均值差，x5为前后6个月负荷的均值差，x6为全部月份负荷的标准差，x7为前6个月负荷的标准差，x8为后6个月负荷的标准差，x9为后3个月负荷均值与全部月份负荷均值之比，x10为后6个月负荷均值与全部月份负荷均值之比，x11为后9个月负荷均值与全部月份负荷均值之比，x12为每个用户负荷与全部用户负荷中值序列的线性相关度；设用户i的移动平均序列F为{Fi,1,Fi,2,...,Fi,h},本发明专利设定前序错位数为3，故有公式(1)：
设全部用户的负荷中值序列M为{M1，M2，...，Mh},故有公式(2)：
经过上述计算之后，本发明中的12个特征向量，指标含义变更为以下含义， x1反映了用户月负荷序列的上升趋势，x2反映了用户月负荷序列的下降趋势，x3、 x4、x5反映了用户用电方式的首尾跨越差异度，分别从超短期(1个月)到中期 (6个月)进行考察，减小用户如外出或家庭人口变化带来的用电行为习惯变动的影响；x6、x7、x8从标准差的角度衡量了月负荷序列的波动程度，其中又细化为全部月份的标准差和前后6个月各自的标准差，三个指标的组合可以对用户负荷波动发生的时间段有较好的反映；x9、x10、x11主要是为了减小季节变化对用户用电量的影响，每隔3个月取一次负荷均值，依次取3月、6月、9月、12月则正好可以反映一年的变化，x12将每个用户负荷序列同全部用户的负荷中值序列做相关性分析，用户与中值序列的相关性越弱，越有可能是异常对象。
2-3对于上述2-2处理完数据，则一定存在部分用户的数据缺失，在数据预处理阶段需要对数据进行填充，常用的数据填充方法包括线性插值、拉格朗日插值、最邻近插值、阶梯插值法等；基于现有数据的实际缺失状况，本发明采用拉格朗日插插值法策略。目前拉格朗日插值法，即依据现有的n+1个点，通过计算构建一个n次函数，使得该函数能够较好地拟合这n+1个点，因而也能以此求得未知点；其中拉格朗日插值法公式(3)如下所示：
其中，L(x)为拉格朗日差值法插入的值，xi对应上述的12个特征值，yi表示区域内第y个用户的第i个特征。
2-4在上述步骤2-3之后进行插值法的验证，本发明采用交叉验证的方法来进行验证拉格朗日插值法，插入数据的合理性，通过交差验证可以确定设置的插值法相关参数是否合理，其评价指标采用均方根预测误差RMSPE；RMSPE可以判断插值的数据是否合理，RMSPE的值越小，则拉格朗日插值就越接近真实值，公式(4)为RMSPE的具体计算过程：
其中，k表示缺失值个数，
为未知xk随机变量Zi的估计值,Zi(xk)为未知xk上的样点真实值,n为用于交叉验证的预测样点个数。
2-5在上述步骤2-4之后，筛选得到可适用的数据,本专利得到所有收集的数据之后，把他们分成训练集、测试集和验证集三个组成部分，以便更好地训练和更准确地评价，将Q1数据作为训练集，Q2作为测试集和Q3作为验证集；其中验证集Q3在各自客户端，其用来进行验证全局模型的准确率。其中Q1为训练数据集占总数据的80％，Q2为测试数据集占总数据的10％，Q3为验证数据集占总数据的10％。一般而言，当输入端数据接近于“0”平均值时，深度学习算法的学习效率最佳。对于收集的数据采用最大值最小值标准化，将数据映射到[0,1]之间，标准化函数如公式(5)所示：
其中Xt是t时刻负荷序列功率，Xmax是负荷序列的最大值，Xmin是负荷率序列的最小值，Xt *是t时刻的标准化结果。
第三步：建立本地模型
基于苏南某市片区用户数据，建立本地模型，进行异常检测；在现有的检测模型，常见的有专家知识检测模型、统计学方法检测模型和数据驱动检测模型。其中数据驱动检测模型因其具有良好的通用性和准确性成为异常用电检测的常用方法，本发明采用基于主成分分析和深度循环神经网络，实现对用户用电的非侵入式负荷检测；模型建立具体过程如下：
3-1主成分分析的特征提取
主成分分析是基于一个统计学的机器学习方法，本发明首先利用正交变换将存在相关性的数据转变为线性不相关的特征向量，然后选择方差较大的特征信息作为主成分，实现数据空间对超平面空间的投影；电力负荷数据经过主成分分析处理后，能够在消除数据冗余成分的同时，保留对用电数据异常检测所需的特征信息；在第二步中，相关电力数据信息已经预先处理，此处令第二步中的样本集合X＝{x1，x2，...，x12}，xi∈Rd，根据主成分分析投影到平面坐标系为W＝{w1，w2，...，w12},则样本集合在新坐标系中投影可表示为公式(6)：
ui＝Wxi (6)
其中ui表示投影后的数据集合，经过投影后的样本数据在新坐标空间，即特征空间的协方差矩阵cov(U)表示为公式(7)：
cov(U)＝(cij)d×d (7)
根据特征空间协方差矩阵，求解如下约束条件的目标函数表示为公式(8)：
max aT cov(U)a,s.t|a|＝1(8)
对协方差矩阵进行特征值分解，得出特征值λ＝{λ1，λ2，...，λn}，并且根据特征值求出对应的特征向量α＝{α1，α2，...，αn}。利用特征值较大的前k 个对应的特征向量生成特征空间样本集Y，表示为公式(9)：
Yd×k＝aTXd×k(9)
第i个主成分的累积贡献率为
当累积主成分的贡献率达到某一预定的设定值之后，则说明原始样本数据集可以使用主成分进行替代，即实现了对原始样本数据集的主成分提取。
因为本发明中是真实的电力负荷数据，所以用户用电异常的检测与电力负荷之间不是严格的线性特征提取过程，因此本发明采用基于核函数的非线性主成分分析方法；该方法首先通过核函数将电力负荷数据映射至高维空间中，然后在高维空间中进行主成分分析，该方法首先通过核函数将电力负荷数据映射至高维空间中，然后在高维空间中进行主成分分析。
3-2根据Mercer定理可知，存在一个能够满足K(xi,xj)＝φ(xi)Tφ(xj)的非线性映射函数φ，将数据由Rd→RD，D>>d,其中映射φ称为核函数；在D维度空间中，直接计算主成分分析所需要的协方差矩阵运算量是较为复杂的，为此本发明假设λ和υ分别表示D维空间协方差矩阵的特征值和特征向量，表示为公式(10)：
其中，
结合Cv＝λv，表示为公式(11)：
其中，
计算出K后，可以相继计算出协方差矩阵的特征值和特征向量，然后根据主成分分析的累积贡献率准则选择特征向量。
3-3基于GRU深度循环神经网络的异常检测本地模型
本发明在本地模型的搭建基于主成分分析的基础上加入循环神经网络GRU，构成本地模型主成分分析与循环神经网络(PCA-GRU)；PCA-GRU模型结构如图4 所示,在如图5中的GRU网络，给出具体的输入输出参数，其中xt为输入电力负荷特征数据，即由第t天用户用电数据提取主成分特征，则输入层神经元个数等于上一节提取得出的特征向量维数；rt和zt分别表示隐藏层输出和参数矩阵， ht表示输出层值。
传统的循环神经网络RNN存在很多弊端，虽然LSTM被证明具备长序列中进行特征学习的能力，也很好地解决了RNN训练过程中出现的梯度爆炸、长期依赖等问题，但是它由多个存储单元组成，需要大量的存储空间；因此减少参数量的机制GRU更加适用；本质上GRU是LSTM的简化版本，其降低了计算成本且能够更快的进行计算，GRU的组成由更新门和重置门组成，如图5是GRU的神经网络结构图，其中GRU神经网络的两个“门”具体结构和功能如下：
(1)重置门rt是可以决定需要遗忘的历史信息，其结构参数如图6所示；由GRU的结构图可知，重置门将t-1的隐藏状态ht-1和t时刻输入xt带入到 Sigmoid函数中，得到重置门rt，可表示为公式(12)：
rt＝σ(Wrht-1+Urxt+br) (12)
其中，Wr和Ur代表重置门的权重矩阵，br代表重置门的偏置项，ht-1表示t-1 时刻的隐藏层状态输出，σ表示Sigmoid激活函数；将ht-1、xt作为重置门rt的输入条件，使得rt处于(0,1)之间，当rt接近于0的时候，则意味着几乎不会保留来自先前隐藏状态的信息，即丢弃上一时刻隐藏状态ht-1；当rt值接近于1 时，则保留上一时刻隐藏状态ht-1。
(2)更新门zt是可以决定需要传递的历史信息，其结构参数如图7所示；由GRU的结构图可知，更新门实现可表示为公式(13)：
Zt＝σ(Wzxt+Uzht-1+bz) (13)
其中，Wz和Uz代表更新门的权重矩阵，bz代表更新门的偏置项；由上式(13) 可知，将上一时刻的输出ht-1和当前时刻t时刻的输入xt分别与更新门权重Uz、 Wz相乘，σ表示Sigmoid激活函数，将其映射到(0,1)之间，便得到了t时刻的更新门Zt，更新门Zt的数值越高，则表明GRU网络中在上一时刻的输出值ht-1较少保留下来。
(3)t时刻的候选状态
结构如图8所示：由GRU的结构图可知，候选状态
实现的公式如(14)：
其中，Wh、Uh为权重矩阵，bh为偏置项，tanh(·)为激活函数，°表示Hadamard 乘积，当前t时刻的候选状态
是由当前t时刻的输入xt和t-1时刻的隐藏层 ht-1，以及重置门rt共同计算，并通过tanh激活函数激活得到。
(4)如图9所示，当前t时刻的隐藏状态ht由更新门来控制，通过使用更新门zt来对t-1时刻隐藏状态ht-1和当前t时刻候选状态
做线性耦合组合，得到隐藏状态ht，实现公式如式(15)：
3-4上述步骤3-1到3-3都完成之后，在GRU网络的输出处，我们采用一个全连接层，来将输出的信息利用支持向量机(MLP)来实现，MLP为简单的输入层、隐藏层和输出层三层结构，其中输入为GRU的输出，隐藏层为100个神经元，输出的大小同输入，模型隐藏层中使用GRU结构，模型输出层使用激活函数Sigmoid，输出为二元函数即{0,1},0表示正常用户，1表示异常用户；最终的输出层为本地模型输出，至此本地模型建立完成定义为wlocals。
第四步：基于图神经网络进行去中心化联邦学习网络构建
去中心化的联邦学习，不需要可靠的服务器，能够节省服务系统的架构成本。现有的联邦学习不能够在多场景下达到性能最优，在现实生活中不同场景中的数据往往具有不同特征和不同分布，一般不能存在具备普适性较强的全局模型；为解决此问题，本发明通过基于图神经网络的去中心化联邦学习方法，在图神经网络节点处加入信任机制，满足信任值的节点才能够进行模型游走，最后满足参与条件的客户端相互可以进行共同训练模型；本发明提出的方法可以很好的解决中心化联邦学习服务器端的开销和被攻击的问题，更加适用于本发明基于用户的非侵入式负荷检测。
4-1去中心化联邦学习信任网络定义：令U0为联邦学习中的一个客户端源节点，其连接的客户端以及连接的客户端连接的客户端共同构成的一个以客户端 U0为源节点(目标客户端)的信任网络。令
为客户端U0的集合，则信任网络可定义为有向图G＝<U,TU>。其中，U＝{U0，U1，...，Un}为信任网络中所有用户的集合，
为所有具有关注关系的边集合；环形网络具有非常复杂的拓扑结构，鉴于研究问题，将环形信任网络定义为U0为源用户的网状结构，如图10所示，图中的每个节点表示1个客户端，每条线表示客户端之间的连接信任关系，全局模型参数为wglobal，本地模型参数为wlocals。
4-2GNN的基本思想是基于节点和局部邻居信息进行信息嵌入，使用神经网络进行聚合每个节点自身信息和周围相邻节点信息，模型的深度根据实际使用情况进行自行设定，训练过中采用随机游走模型的方式进行采样嵌入，也可以选择分解子图的方式进行采样，GNN的问题描述可以表示为公式(16)如下：
其中
表示图神经网络层内状态，Wk和Bk是k层图神经网络自动训练，学习到权重系数向量，
节点v在第k-1层的状态，可以明确看到一个节点的嵌入向量中包含了自身信息和邻居节点信息；如图11给出以节点3为例子的GNN 网络，GNN网络中各层聚合使用的数据参数是相同的，该建模方式可以实现智能化推测出新节点的嵌入表示以及整张图的嵌入表示；如图11显示节点3经过GNN 网络一层提取时包含节点3，节点2以及节点5的信息，信息包含了节点以及节点间边的关系；第二层GNN特征提取后，节点3分别包含节点2的直接邻居节点和节点5的直接邻居节点，两次信息整合后节点3就包含附图11中的5个节点信息以及结构信息，此处就是GNN网络的信息整合能力和特征提取强大之处， GNN网络的传播方式可以满足对信息整合的初步权重分配。
4-3基于图神经网络的去中心化联邦学习，对于每个参与的客户端的节点需要有一个选择，在本发明中引入Eigen Trust算法，在每个用户节点处计算信任值，判断是否需要该节点的客户端，Eigen Trust算法认为直接信任值越高的节点推荐的信任值越可信，在计算全局信任时赋予较大权重；假设用户节点i 与区域台节点j之间经过多次交易后i对j的直接信任为sij，为降低恶意行为给算法带来的影响，Eigen Trust算法对sij做归一化处理，归一化后的直接信任值记为cij，矩阵[cij]记为C；Eigen Trust算法利用公式(17)经过多次迭代计算节点的全局信任值：
T(k+1)＝(1-α)CTt(k)+ap (17)
其中t(k)是第k次迭代后的全局信任值向量，p是可信节点的全局信任值。其中假设GNN网络中节点中的数量为n个，其中可信节点数量为m，则有
即节点全局信任值的初始值为均匀分布，如果节点i是可信节点，则
否则pi＝0。Eigen Trust算法通过可信节点集合可以避免陷入合谋节点的恶意推荐的作弊圈套,使得每个节点的全局信任值都包含一部分来自可信节点的推荐信任值；另外也保证C的不可约性和非周期性，使得计算过程可收敛。
Eigen Trust算法在实现机制上提出了基于DHT的分布式计算方法，每个节点的信任值计算由其他节点来完成，这些节点为该节点的区域台节点；为防止区域台节点虚报问题，可以为节点指定多个用电台节点。EigenT rust算法的优点包括：①提出直接信任值越高的节点推荐的信任值越可信的思想；②算法和实现机制d都考虑了恶意行为对算法影响。
4-4上述步骤4-1到4-3完成后，达到设定的目标预测准确率，将基于 PCA-GRU网络的联合训练模型返回给各个本地客户端，至此一轮联邦学习模型训练完成，在保护各个用户的隐私的同时，还能便于检查部门核查用户的电量使用情况是否合规；
4-5本发明的用户电量使用情况，可以参考非侵入式负荷分解模型的评价标准，这里采用其中一个评价指标平均绝对误差(MAE),主要是用来衡量某时刻分解得到的单个电器设备消耗的电量和输入到该电器的真实电量的平均误差，反应各个本地模型在某时刻的消耗电量和输入电量，具体评价标准如公式(18)：
其中gt是在时刻t上该区域的真实耗电量，而pt是在该时刻t上的总输入量，T表示的是时刻点的数量，根据MAE的误差大小，判断用户是否存在偷电漏电的情况。
4-6本发明提出的基于图神经网络的去中心化联邦学习方法，在数据处理阶段采用可验证的拉格朗日插值法补齐缺失数据的影响，在数据特征提取采用PCA 的方法；并利用GRU网络进行本地模型的建立，在全局模型游走基于图神经网络的有向图原理，在用户节点处增加Eigen Trust算法以保证参与运算的用户节点是可信任节点；本发明内容为电力公司防窃电工作提供了一种切实有效的方法，实验结果表明，在原本常规检测的基础上检测的准确率提高了17％，进一步加强了对电网的检测能力。
综上所述，通过上述步骤实现了对电力负荷非侵入式检测，使得用户用电出现异常情况时，能够及时发现，从而有效防止用户存在违法用电的行为；通过去中心化联邦学习模型，有效解决了传统联邦学习需要可靠的中心化服务器，需要消耗大量的设备资源，并且通过加入Eigen Trust算法，在每个用户节点处计算信任值，解决了GNN推荐系统无法很好的保护用户数据安全的问题。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式，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 (9)
1.一种基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于，所述非侵入式电力负荷检测方法步骤如下：
S1：选取数据，选择特定区域一段时间内的电力负荷数据作为检测基础；
S2：电力负荷数据特征预处理，根据获取到的电力负荷数据进行相关特征参数提取，将其映射为向量的形式并计算；
S3：建立本地模型，利用正交变换将存在相关性的数据转变为线性不相关的特征向量，然后选择方差较大的特征信息作为主成分，实现数据空间对超平面空间的投影，在主成分分析的基础上加入循环神经网络GRU，构成本地模型主成分分析与循环神经网络；
S4：去中心化联邦学习网络构建，基于图神经网络，在图神经网络节点处信任机制，采用平均误差判断是否存在偷电漏电情况。
2.如权利要求1所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：步骤S1中，收集的电力数据参数具有相关性，相关性包括目标任务、数据类型、特征变量。
3.如权利要求1所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：步骤S2中，从提取的相关电力负荷特征参数映射的向量形式为：X＝{x1，x2，...，x12}。
4.如权利要求3所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：所述样本集合X＝{x1，x2，...，x12}表示为12个特征维度指标；其中x1反映了用户月负荷序列的上升趋势，x2反映了用户月负荷序列的下降趋势，x3、x4、x5反映了用户用电方式的首尾跨越差异度，分别从短期到中期进行考察，减小用户外出或家庭人口变化带来的用电行为习惯变动的影响；x6、x7、x8从标准差的角度衡量了月负荷序列的波动程度，其中又细化为全部月份的标准差和前后6个月各自的标准差；三个指标的组合可以对用户负荷波动发生的时间段有较好的反映；x9、x10、x11主要是为了减小季节变化对用户用电量的影响，每隔3个月取一次负荷均值，依次取3月、6月、9月、12月以反映一年的变化，x12将每个用户负荷序列同全部用户的负荷中值序列做相关性分析。
5.如权利要求1所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：步骤S3中，根据S2中样本集合X＝{x1，x2，...，x12}，xi∈Rd，根据主成分分析投影到平面坐标系为W＝{w1，w2，...w12}，则样本集合在新坐标系中投影可表示为：ui＝Wxi；
其中ui投影后的数据集合，经过投影后的样本数据在新坐标间，即特征空间的协方差矩阵Cov(U)表示为：Cov(U)＝(cij)d×d；
根据特征空间协方差矩阵Cov(U)，求解以下约束条件的目标函数表示为：maxaTCov(U)a,s.t|a|＝1；
对上述协方差矩阵求解，得出特征值λ＝{λ1，λ2，...，λn}，并且根据特征值求出对应的特征向量α＝{α1，α2，...，αn}，利用特征值较大的前k个对应的特征向量生成特征空间样本集Y，公式表示为：Yd×k＝aTXd×k；
第i个主成分的累计贡献率为
当累计主成分的贡献率达到预定的设定值之后，则说明原始样本数据集可以使用主成分进行替代，即实现了对原始样本数据集的主成分提取。
6.如权利要求1所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：步骤S3中，在GRU网络的输出处，采用一个全连接层，将输出的信息利用支持向量机来实现，MLP为简单的输入层、隐藏层和输出层三层结构；
其中输入为GRU的输出，隐藏层为100个神经元，输出的大小同输入，模型隐藏层中使用GRU结构，模型输出层使用激活函数Sigmoid，输出为二元函数，即{0,1},其中0表示正常用户，1表示异常用户，最终的输出层为本地模型输出。
7.如权利要求1所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：步骤S4中，基于图神经网络的去中心化联邦学习，对于每个参与的客户端的节点需要有一个选择，通过加入Eigen Trust算法，在每个用户节点处计算信任值，判断是否需要该节点的客户端。
8.如权利要求7所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：所述Eigen Trust算法认为直接信任值越高的节点推荐的信任值越可信，在计算全局信任时赋予较大权重，假设节点i与节点j之间经过多次交易后i对j的直接信任为sij，为降低恶意行为给算法带来的影响，Eigen Trust对sij做归一化处理，归一化后的直接信任值记为cij，矩阵[cij]记为C，Eigen Trust算法利用下列公式经过多次迭代计算节点的全局信任值：t(k +1)＝(1-α)CTt(k)+ap；
其中t(k)是第k次迭代后的全局信任值向量，p是可信节点的全局信任值。
9.如权利要求1所述基于去中心化联邦学习的非侵入式负荷检测方法，其特征在于：步骤S4中，参考非侵入式负荷分解模型的评价标准，采用平均绝对误差,主要是用来衡量某时刻分解得到的单个电器设备消耗的电量和输入到该电器的真实电量的平均误差，反应各个本地模型在某时刻的消耗电量和输入电量，具体评价标准公式为：
其中其中gt是在时刻t上该区域的真实耗电量，而pt是在该时刻t上的总输入量，T表示的是时刻点的数量，根据平均绝对误差的误差大小，判断用户是否存在偷电漏电的情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211160060.0A CN115580446A (zh) | 2022-09-22 | 2022-09-22 | 一种基于去中心化联邦学习的非侵入式负荷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211160060.0A CN115580446A (zh) | 2022-09-22 | 2022-09-22 | 一种基于去中心化联邦学习的非侵入式负荷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115580446A true CN115580446A (zh) | 2023-01-06 |
Family
ID=84581965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211160060.0A Pending CN115580446A (zh) | 2022-09-22 | 2022-09-22 | 一种基于去中心化联邦学习的非侵入式负荷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115580446A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116582341A (zh) * | 2023-05-30 | 2023-08-11 | 连连银通电子支付有限公司 | 异常检测方法、装置、设备及存储介质 |
| CN117436576A (zh) * | 2023-10-11 | 2024-01-23 | 中国矿业大学 | 不同时间尺度下多节点多元负荷联邦协同预测方法 |
| CN117556369A (zh) * | 2024-01-12 | 2024-02-13 | 南京信息工程大学 | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 |
-
2022
- 2022-09-22 CN CN202211160060.0A patent/CN115580446A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116582341A (zh) * | 2023-05-30 | 2023-08-11 | 连连银通电子支付有限公司 | 异常检测方法、装置、设备及存储介质 |
| CN116582341B (zh) * | 2023-05-30 | 2024-06-04 | 连连银通电子支付有限公司 | 异常检测方法、装置、设备及存储介质 |
| CN117436576A (zh) * | 2023-10-11 | 2024-01-23 | 中国矿业大学 | 不同时间尺度下多节点多元负荷联邦协同预测方法 |
| CN117556369A (zh) * | 2024-01-12 | 2024-02-13 | 南京信息工程大学 | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 |
| CN117556369B (zh) * | 2024-01-12 | 2024-04-19 | 南京信息工程大学 | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115580446A (zh) | 一种基于去中心化联邦学习的非侵入式负荷检测方法 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| An et al. | Data integrity attack in dynamic state estimation of smart grid: Attack model and countermeasures | |
| CN109523021B (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
| Huang et al. | False data injection attacks detection in smart grid: A structural sparse matrix separation method | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN108520357A (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| CN113411821B (zh) | 一种复杂网络的体系重构能力测评方法及系统 | |
| Kargah-Ostadi | Comparison of machine learning techniques for developing performance prediction models | |
| Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
| Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
| Dai et al. | Federatednilm: A distributed and privacy-preserving framework for non-intrusive load monitoring based on federated deep learning | |
| Yang et al. | A node-level PathGraph-based bearing remaining useful life prediction method | |
| Kumar et al. | Cloud-based electricity consumption analysis using neural network | |
| CN116842459A (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| Wu et al. | Gridtopo-GAN for distribution system topology identification | |
| CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
| CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
| Musleh et al. | Spatio-temporal data-driven detection of false data injection attacks in power distribution systems | |
| Chang et al. | Prognostics for remaining useful life estimation in proton exchange membrane fuel cell by dynamic recurrent neural networks | |
| Liu et al. | Learning task-aware energy disaggregation: a federated approach | |
| Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
| Raghuvamsi et al. | A review on distribution system state estimation uncertainty issues using deep learning approaches | |
| CN116432535A (zh) | 考虑多元环境要素的电力计量装置性能检定误差分析方法 |
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 |