CN116756518A - 基于联邦学习的云边协同电力缺陷识别方法及相关装置 - Google Patents

Abstract

本申请公开了基于联邦学习的云边协同电力缺陷识别方法及相关装置，该方法采用云边协同的思想，通过粗识别，仅上传疑似有的缺陷数据至云侧进行精识别，有效减少了云侧服务器的通信和计算负担。采用联邦学习的思想，对云侧模型、边侧模型开展训练更新，且训练过程在保障了各参与方的样本数据不跨出本地的条件下与其他方共同进行模型训练，使得各方数据得以被安全可靠地利用，并间接克服了单方训练样本不足的问题，从而实现联合多方对云侧、边侧模型的共同优化效果，并最终训练出理想的云侧模型、边侧模型。可见，本申请能有效提高云服务器和边侧设备之间的协同作用，增强云侧模型对各自端侧设备缺陷的识别准确率和泛化能力。

Description

基于联邦学习的云边协同电力缺陷识别方法及相关装置

技术领域

本申请实施例涉及互联网技术领域，尤其涉及基于联邦学习的云边协同电力缺陷识别方法及相关装置。

背景技术

在电网系统的运维过程中，常需要对参与的多方设备数据进行分析和判读，以便提前预防和解决设备异常问题，保障系统正常安全运行。

例如，目前电网系统的设备缺陷识别主要采用中心化的处理模式，即将各地的巡检设备数据上传到中心服务器，由中心服务器的人工智能算法对各方数据进行统一处理，但这种模式面临着中心节点计算和通信负担重的问题。此外，因为电网行业关系国计民生，电网系统产生的数据保密性要求高，难以进行跨主体数据交换与汇集，导致不同电网公司的数据无法进行直接交换和汇集，而单方的缺陷数据样本有限，进而使得单方训练的模型识别效果较差。

针对于此，相关技术并未提供有效的解决方案。

发明内容

本申请实施例提供了基于联邦学习的云边协同电力缺陷识别方法及相关装置，用于提高电力数据在模型中的被应用水平和模型识别效果。

本申请实施例第一方面提供一种基于联邦学习的云边协同电力缺陷识别方法，应用于参与的各云服务器，包括：

使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练；所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到，边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；

将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧模型的聚合模型的更新参数，其中，所述云侧或边侧模型的聚合模型指整合各参与方的云侧或边侧模型所得到的全局模型；

将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧、边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；

将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。

本申请实施例第二方面提供一种基于联邦学习的云边协同电力缺陷识别方法，应用于参数服务器，包括：

向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；

聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据各方的样本数据、新预设模型参数对各自最新的云侧模型做下一轮模型训练；所述云侧聚合模型指整合各云侧模型所得到的全局模型；

对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。

本申请实施例第三方面提供一种基于联邦学习的云边协同电力缺陷识别方法，包括：

将端侧设备采集到的数据输入对应的目标模型，以输出所述端侧设备所含的缺陷信息；

其中，所述目标模型通过第一方面或第二方面所述的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。

本申请实施例第四方面提供一种云服务器，包括：第一处理单元和第一发送单元；

所述第一处理单元用于，使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型模型分别进行若干轮本地模型训练，所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到；边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；

所述第一发送单元用于，将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧聚合模型的更新参数，其中，所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；

所述第一处理单元还用于，将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧或边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；

所述第一处理单元还用于，将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。

本申请实施例第五方面提供一种参数服务器，包括：第二处理单元和第二发送单元；

所述第二发送单元用于，向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；

所述第二处理单元用于，聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据样本数据、新预设模型参数对各自最新的云侧模或边侧型做下一轮模型训练；所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；

所述第二处理单元还用于，对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧或边侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。

本申请实施例第六方面提供一种识别设备，包括：输入单元；

所述输入单元用于，将端侧设备采集到的数据输入对应的目标模型，以得到所述端侧设备采集的电力数据中所含的设备缺陷信息；

其中，所述目标模型通过第一方面或第二方面所述的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。

本申请第一、第二、第三方面所述的方法在具体实施时，可采用本申请第四、第五、第六方面所述的内容实现。

本申请实施例第七方面提供一种电子设备，包括：

中央处理器，存储器以及输入输出接口；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行本申请实施例第一至第三方面的任一具体实现方式所描述的方法。

本申请实施例第八方面提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如本申请实施例第一至第三方面的任一具体实现方式所描述的方法。

本申请实施例第九方面提供一种包含指令或计算机程序的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如本申请实施例第一至第三方面的任一具体实现方式所描述的方法。

从以上技术方案可以看出，本申请实施例至少具有以下优点：

采用云边协同的思想，通过粗识别(初筛)，仅上传有的缺陷数据至云侧进行精识别(精筛)，有效减少了云侧服务器的通信和计算负担。采用联邦学习的思想，对云侧模型、边侧模型开展训练更新，且训练过程在保障了各参与方的样本数据不跨出本地的条件下与其他方共同进行模型训练，使得各方数据得以被安全可靠地利用，并间接克服了单方训练样本不足的问题，从而实现联合多方对云侧、边侧模型的共同优化效果，并最终训练出理想的云侧模型、边侧模型。可见，本申请能有效提高云服务器和边侧设备之间的协同作用，增强云侧模型对各自端侧设备缺陷的识别准确率和泛化能力。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

需要说明的是，虽然各实施例所涉及的流程性示意图(若存在)中各个步骤按照箭头的指示依次绘制，但除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

图1为本申请实施例方法的一个流程示意图；

图2为本申请实施例方法的另一流程示意图；

图3为本申请实施例方法的另一流程示意图；

图4为本申请实施例电子设备的一个结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在以下的描述中，涉及到“一个具体实施方式”或“一个具体示例”等类似表达，其描述了所有可能实施例的子集，但是可以理解，“一个具体实施方式”或“一个具体示例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。在以下的描述中，涉及到的术语多个是指至少两个。本申请所说的某数值达到阈值(如果存在)，在一些具体示例中，可包括前者大于阈值后者的情况；若提及“任意”或“至少一”等类似表述，具体可指所列举示例中的任一种示例或这些示例之间的任意组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

近年来，采用云边协同的模式进行巡检数据处理得到了业界的普遍认同，即在靠近巡检设备或在巡检设备(即端侧设备)上配置一定的算力和人工智能算法，在边缘平台(边侧)对数据进行初步处理，再将需要进一步处理的数据上传中心云服务器(云侧)进行处理。这种模式在很大程度上能解决中心服务器通信和计算负担重的问题，但仍有一些关键问题没有解决：(1)深度学习技术是以数据驱动，需要大量高质量数据用于训练得到高质量模型。而许多电网设备缺陷的发生属于偶发现象，样本数量较少，高质量样本获取难度大，常用的深度神经网络对于小样本数据集往往会产生严重的过拟合现象，检测效果较差。(2)由于电网行业关系国计民生，电网系统产生的数据保密性要求高或难脱敏、脱密，难以进行跨主体数据交换共享与汇集，导致无法利用不同电网公司的数据共同更新缺陷识别模型，存在小样本缺陷难识别的问题。

针对上述问题，本申请提供了基于联邦学习的云边协同电力缺陷识别方法及相关装置，以解决上述出现的样本数据质量差的问题，提高样本数据在模型中的被应用水平和模型识别效果。

下面以电网系统为例对本申请的方法做进一步的详细说明，但类似的，该方法仍可运用于除电网系统之外能基于联邦学习思想实现模型预测的场景，具体可由实际场景的不同对应实施。需说明的是，本申请边侧的模型操作类似云侧的模型操作，即边侧模型、边侧聚合模型的训练更新过程，可同理参考云侧模型、云侧聚合模型的训练更新过程，具体不多做赘述。此外，在一些具体示例中，边侧模型可由云服务器侧训练好再下发给边缘计算平台，也可以由边缘计算平台自行训练，即只要边侧模型能得到训练就好，不在乎是谁当操作实施方。

请参阅图1至图3，本申请一方面提供一种基于联邦学习和云边协同的电力缺陷识别的一个具体实施例，该实施例包括如下操作步骤：

11.参数服务器向参与的各云服务器发送预设模型参数。

预设模型参数用于配置各云服务器存有的云侧或边侧模型。本申请实施例的方法可应用于图2所示的电网系统场景，具体的，可假设每个电网公司运行一套本申请实施例方法对应的系统，该系统可称为基于联邦学习多侧协同的设备缺陷识别系统，每套系统包括云服务器(云侧)、边缘计算平台(边侧)、端侧设备(端侧)，云服务器和后两者之间通信连接；边缘计算平台与手持巡检终端、巡检无人机、巡检机器人、高清监控等端侧设备连接，以获取它们采集的图像、视频或文本等数据。

12.云服务器依据预设模型参数和各方样本数据训练云侧模型或边侧模型。

云服务器使用各方电力样本数据对存于各自云服务器的云侧或边侧模型分别进行若干轮模型训练。其中，云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到，故可以理解的是，云侧或边侧模型的初始模型参数，是依据参数服务器(全局侧)最初下发的预设模型参数配置的；初始时，云侧模型更新参数指依据预设模型参数配置得的云测模型，经样本数据训练后得到的模型参数。此处，边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出(疑似)的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛。

作为一种可能的实施方式，具体可使用边侧模型对端侧设备采集到的初始样本数据进行初筛识别，以筛选出当中置信度高于预设置信度的缺陷数据供云侧模型做精筛(即精细识别)；其中，初筛识别的过程可由存于边缘计算平台的边侧模型实施，边缘计算平台与云服务器、端侧设备通信连接。在一些具体示例中，样本数据由各云服务器各自对应的端侧设备采集，样本数据的精筛处理过程包括：使用各所述云侧模型对各自边侧模型初筛出的样本数据进行精筛，并将其中精细识别出的置信度低于预设置信度的缺陷数据用于模型训练。

如图2所示，为了减少冗余数据，边缘计算平台对所获取的数据进行采样存储，并利用预先从云服务器上下载的识别算法模型(即边侧模型)对数据进行初筛处理，即将数据输入模型，执行模型推理，从而对巡检图像或视频中的设备进行识别，并判断画面中的设备处于正常状态还是异常状态，若异常置信度高于某一阈值，则将该数据(如初筛判定的缺陷数据)上传云服务器做进一步的精细识别，以免将非缺陷数据误认为缺陷数据。

而云服务器上，边缘计算平台上传的数据会被存储下来。一方面，将这些数据输入给云服务器上预先存储的识别算法模型(即云侧模型)，执行模型推理，从而对巡检图像或视频中的设备缺陷进行精细识别(即精筛)，以确定出缺陷种类、严重程度和/或定位缺陷位置，并给出相应的预测置信度等模型推理结果。根据模型推理结果，生成巡检报表，以文字、表格、图片等形式汇总报告缺陷识别结果，为设备维护和检修提供依据。另一方面，对于模型推理结果中置信度较低的缺陷数据、样本量较少的缺陷数据，以及人工审核或抽检中发现的识别有误的缺陷数据，进行人工标注，用于对云服务器和边缘计算平台上使用的智能识别模型进行再训练。模型的再训练可以是单独在本地数据集上进行常规训练，或者与其他电网公司联合开展联邦学习，利用各方的数据共同训练、更新模型，以解决单方样本不足的问题。开展本地训练或联邦学习训练后，对训练后得到的新模型进行保存，并按需替换云服务器和边缘计算平台上已有的模型。

在一些具体示例中，上述模型训练全部使用标记型样本数据进行监督学习，或使用部分标记型样本数据进行半监督学习；标记型样本数据指属于缺陷类或非缺陷类的样本数据，其中，样本数据的类型可由模型识别出来或人工标记。

13.云服务器将训练得到的各云侧或边侧模型更新参数传送给参数服务器。

云服务器将训练得到的各云侧或边侧模型更新参数传送给参数服务器，以使参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧聚合模型的更新参数，其中，云侧聚合模型指整合各云侧模型所得到的全局模型，边侧聚合模型指整合各边侧模型所得到的全局模型。

14.参数服务器聚合各云侧或边侧模型更新参数，得到云侧或边侧聚合模型的更新参数发送给各云服务器。

上述将各云侧或边侧模型更新参数传送给参数服务端后，参数服务端可聚合这些参数来更新所存的全局模型(如云侧聚合模型和/或边侧聚合模型)，得到全局模型的更新参数(可称为更新梯度)，使得云侧模型(面对边侧模型时同理)根据全局模型更新梯度再做一轮模型训练(可称为模型更新)，如依据全局模型更新梯度更新云侧模型的参数配置，并用样本数据对更新配置后的模型做训练。换言之，具体操作可为，参数服务器聚合各云侧或边侧模型依据样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数(可称为全局模型更新梯度)发送给各云服务器，使得各云服务器依据各方的样本数据、新预设模型参数对各自最新的云侧或边侧模型做下一轮模型训练；云侧聚合模型指整合各云侧模型所得到的全局模型。

15.云服务器依据云侧或边侧聚合模型的更新参数，对各云侧模型或边侧模型进行下一轮模型训练。

云服务器将参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各云侧或边侧模型参数，并返回执行使用各方电力样本数据对存于各自云服务器的云侧或边侧模型分别进行一轮模型训练的步骤12，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型。此处的预设个可指参与联邦学习的模型全部数量。

16.参数服务器聚合下一轮模型训练得到的云侧或边侧模型更新参数，以将聚合结果发送给云侧或边侧模型继续做训练，直至模型收敛。

参数服务器对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行聚合各云侧或边侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤14，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型。

17.云服务器将最新得到的云侧和/或边侧模型作为目标模型。

将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。具体的，相比于边侧模型，云侧模型用于根据端侧设备采集到的(初筛后)数据更精准地识别出端侧设备存在的缺陷信息。当然，也可以由参数服务器而非云服务器，将最终更新得到的各边侧模型、云侧模型作为，用于由粗到细准确识别各自端侧设备缺陷的目标模型，即确定目标模型这一操作的实施主体可以是参数服务器或云服务器，具体可由需自定。

在一些具体示例中，为优化边侧模型的初筛识别效果，可类似上述训练云侧模型(可实现精细识别效果)、更新云侧聚合模型的操作内容，训练边侧模型和更新云侧聚合模型。具体可以是，若由边侧计算平台自行训练边侧模型，而非接收云服务器训练好并下发的边侧模型，则参数服务器向各云服务器对应的边侧计算平台发送预设模型参数，预设模型参数用于配置各边侧计算平台存有的边侧模型，边侧模型用于对各自端侧设备采集到的初始样本数据进行初筛识别；边侧计算平台将初筛出的样本数据传给相应的云侧模型进行精细识别和模型训练；参数服务器聚合各边侧模型依据初始样本数据训练得的边侧模型更新参数，得到作为新预设模型参数的边侧聚合模型的更新参数发送给各边侧计算平台，使得各边侧计算平台依据各方的初始样本数据、新预设模型参数对各自最新的边侧计算平台做下一轮模型训练；边侧聚合模型指整合各边侧模型所得到的全局模型；对于下一轮模型训练得到的边侧模型更新参数，返回执行聚合各边侧模型依据样本数据训练得的边侧模型更新参数的步骤，且直至更新得到的预设个边侧模型和/或边侧聚合模型达到收敛条件时，停止更新各模型。

需要说明的是，上述训练云侧模型、更新云侧聚合模型，与训练边侧模型、更新云侧聚合模型之间的先后执行顺序可以不限，也可以同时执行，具体可视实际情况而定。

本申请可通过联邦学习、云边协同与电力巡检场景业务相结合的方式，在各方数据不出本地的条件下共同更新模型，有效解决电网设备缺陷样本不足、各方数据保密难共享、中心服务器端计算和通信负担重等难题，进而有效提高云服务器和边侧设备之间的协同作用，增强云侧模型对各自端侧设备缺陷的识别准确率和泛化能力。

可见，由于部分电网设备缺陷发生几率小，样本难获取，单方数据样本不足以训练大型智能缺陷识别算法，故这种情况下，多方电网公司可以共同开展联邦学习对智能识别算法进行训练。开展联邦学习时，除了各电网公司的云端服务器，还需要可共用的参数服务器，该参数服务器可以是参与联邦学习的其中一个电网公司提供，或者由可信任的第三方提供。为便于理解，上述步骤11至17的操作另可概括为如下流程：

(1)数据准备。各方按照统一的规范(如初筛识别和/或精细识别等规则)把各自的数据集准备好，放在各自云服务器的数据存储路径下。

(2)参数服务器给各参与方云服务器下发初始化的预设模型参数信息；当然，参数服务器也可以选择给各参与方云服务器下发初始化的全局模型(如云侧聚合模型和/或边侧聚合模型)；在一些示例中，初始时，云侧聚合模型、边侧聚合模型可用于分化出多个云侧模型、多个边侧模型发给云服务器、边缘计算平台。

(3)用户启用联邦学习应用，开始联邦训练过程，以云侧模型、云侧聚合模型充当被更新对象为例，具体流程可如图3所示：

①各参与方云服务器在各自的本地数据上，根据预设模型参数的设置进行一轮模型训练。该训练可以用全部标注好数据类型的数据进行监督学习，或用部分标注了的样本数据进行半监督学习。

②各参与方云服务器把本地模型(云侧模型)一轮训练的更新梯度(即模型更新参数)加密上传给参数服务器。

③参数服务器收集各参与方云服务器上传的更新梯度后进行聚合，得到全局模型的更新梯度。典型的聚合方式可为FedAvg或Scaffold等算法，其中FedAvg算法通过加权平均来聚合模型参数，其基本思想是将本地模型的参数上传到服务器，服务器计算所有模型参数的平均值，然后将这个平均值广播回给所有本地设备，这个过程可以迭代多次，直到模型收敛。

④参数服务器将全局模型的更新梯度通过加密的方式下发给各参与方云服务器，典型的加密算法有同态加密、差分隐私等。

⑤各参与方云服务器解密全局模型的更新梯度并更新本地模型，可视为再做一轮模型训练。

重复步骤①至⑤，直到各方模型或者全局模型达到收敛条件，停止联邦训练。作为一种可能的实施方式，最后，可利用本地数据对各模型进行精度评估，若其精度指标高于现有模型或符合其他评价标准，则将该模型保存下来备用，从而最终得出理想的目标模型来精准识别设备的缺陷。类似的，边侧模型、边侧聚合模型可充当被更新对象，执行如上述步骤①至⑤的操作，以完成对边侧各种模型的训练更新，从而提高对电力初始数据的初筛精度，降低数据处理压力。

本申请另一方面提供一种模型使用方法的一个具体实施例，该实施例包括如下操作步骤：将端侧设备采集到的数据输入对应的目标模型，以输出所述端侧设备所含的缺陷信息；其中，所述目标模型通过图1至图3任一示意的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。

由上述说明可知，本申请实施例不仅是基于联邦学习的模型训练，其另一个主要特点是通过云边协同(云侧和边侧两方面协同)的方式，实现电力设备缺陷由粗到精的识别，减少了传统的中心化识别的巨大通信开销和中心节点的计算负担。其中，联邦学习解决的是单方缺陷样本数据不足的问题；云边协同解决的是传统中心化处理模式下中心节点通信和计算负担重的问题，如所有端侧设备采集的所有数据都要上传到中心服务器(可视为云侧)、由中心服务器处理，必然导致通信和计算负担重的问题。而本申请实施例通过边侧模型先粗筛，仅上传疑似的缺陷数据到云侧，那就把大部分的无缺陷数据给筛除了，大大减少了中心服务器的通信和计算负担；之后，再通过中心服务器的云侧模型做精细识别。

此外，可理解的是，云侧、边侧的各模型都可以通过联邦学习的方式进行训练和更新，具体过程类似。作为一种可能实施方式，云侧可通过初筛前或后的电力数据做联邦学习训练(以更新云侧模型)，还可以通过联邦学习的方式帮边侧训练模型，并将训练好的边侧模型下发给边侧做更新；这是因为边侧的模型可以在云侧做存储，使得边侧可以只做模型推理，不做训练。

综上，本申请实施例可通过多方协同的方式，充分利用边缘算力进行数据处理，结合联邦学习技术开展多方联合的模型训练，在保障各方数据不出本地的条件下，安全利用各方数据共同训练模型，解决单方样本不足的问题，并克服传统中心服务器端计算和通信负担重、小样本缺陷数据不足、多方数据无法共用等的缺陷。因此，本模型使用方法有利于提升电网设备缺陷识别算法的准确率和泛化能力，提高电网设备智能化运维水平。

本申请另一方面提供一种云服务器，包括：第一处理单元和第一发送单元；

所述第一处理单元用于，使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型模型分别进行若干轮本地模型训练，所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到；边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；

所述第一发送单元用于，将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧聚合模型的更新参数，其中，所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；

所述第一处理单元还用于，将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧或边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；

所述第一处理单元还用于，将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。

可选地，样本数据由各云服务器各自对应的端侧设备采集，第一处理单元具体用于：

使用边侧模型对所述端侧设备采集到的初始样本数据进行初筛识别，以筛选出当中置信度高于预设置信度的缺陷数据供云侧模型做精筛；其中，所述初筛识别的过程由存于边缘计算平台的边侧模型实施，所述边缘计算平台与所述云服务器、所述端侧设备通信连接。

可选地，第一处理单元具体用于：

使用各所述云侧模型对各自边侧模型初筛出的样本数据进行精筛，并将其中精细识别出的置信度低于预设置信度的缺陷数据用于模型训练。

本申请另一方面提供一种参数服务器，包括：第二处理单元和第二发送单元；

所述第二发送单元用于，向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；

所述第二处理单元用于，聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据样本数据、新预设模型参数对各自最新的云侧模或边侧型做下一轮模型训练；所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；

所述第二处理单元还用于，对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧或边侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。

可选地，若由边侧计算平台自行训练边侧模型，而非接收云服务器训练好并下发的边侧模型，则第二处理单元还用于：

向各云服务器对应的边侧计算平台发送预设模型参数，预设模型参数用于配置各边侧计算平台存有的边侧模型；边侧模型用于对各自端侧设备采集到的初始样本数据进行初筛识别，以得到初筛出的样本数据传给相应的云侧模型进行精细识别和模型训练；

聚合各边侧模型依据初始样本数据训练得的边侧模型更新参数，得到作为新预设模型参数的边侧聚合模型的更新参数发送给各边侧计算平台，使得各边侧计算平台依据各方的初始样本数据、新预设模型参数对各自最新的边侧计算平台做下一轮模型训练；边侧聚合模型指整合各边侧模型所得到的全局模型；

对于下一轮模型训练得到的边侧模型更新参数，返回执行聚合各边侧模型依据样本数据训练得的边侧模型更新参数的步骤，且直至更新得到的预设个边侧模型和/或边侧聚合模型达到收敛条件时，停止更新各模型。

本申请中，云服务器、参数服务器各单元所执行的操作，与前述图1至图3所示的方法实施例所描述的操作类似，具体此处不再赘述。当然，本申请图1至图3各操作的具体实现过程，也可参见云服务器、参数服务器各单元的相关描述实现。

本申请另一方面提供一种识别设备，包括：输入单元；

输入单元用于，将端侧设备采集到的数据输入对应的目标模型，以得到所述端侧设备采集的电力数据中所含的设备缺陷信息；

其中，目标模型通过前述图1至图3所示所述的方法得到，缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。

请参阅图4，本申请实施例的电子设备400可以包括一个或一个以上中央处理器CPU(CPU，centralprocessingunits)401和存储器405，该存储器405中存储有一个或一个以上的应用程序或数据。

其中，存储器405可以是易失性存储或持久存储。存储在存储器405的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器401可以设置为与存储器405通信，在电子设备400上执行存储器405中的一系列指令操作。

电子设备400还可以包括一个或一个以上电源402，一个或一个以上有线或无线网络接口403，一个或一个以上输入输出接口404，和/或，一个或一个以上操作系统，例如WindowsServerTM，MacOSXTM，UnixTM，LinuxTM，FreeBSDTM等。

该中央处理器401可以执行前述第一方面或第一方面的任一具体方法实施例所执行的操作，具体不再赘述。

本申请提供的一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如前述图1至图3的任一具体实现方式所描述的方法。

本申请提供的一种包含指令或计算机程序的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如前述图1至图3的任一具体实现方式所描述的方法。

可以理解的是，在本申请的各种实施例中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统(若存在)、装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统或装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品(计算机程序产品)存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，业务服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (11)

1.一种基于联邦学习的云边协同电力缺陷识别方法，其特征在于，应用于参与的各云服务器，包括：

使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练；所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到，边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；

将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧模型的聚合模型的更新参数，其中，所述云侧或边侧模型的聚合模型指整合各参与方的云侧或边侧模型所得到的全局模型；

将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧、边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；

将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。

2.根据权利要求1所述的方法，其特征在于，所述样本数据的初筛处理过程包括：

使用边侧模型对所述端侧设备采集到的初始样本数据进行初筛识别，以筛选出当中置信度高于预设置信度的缺陷数据供云侧模型做精筛；其中，所述初筛识别的过程由存于边缘计算平台的边侧模型实施，所述边缘计算平台与所述云服务器、所述端侧设备通信连接。

3.根据权利要求1所述的方法，其特征在于，所述样本数据的精筛处理过程包括：

使用各所述云侧模型对各自边侧模型初筛出的样本数据进行精筛，并将其中精细识别出的置信度低于预设置信度的缺陷数据用于模型训练。

4.一种基于联邦学习的云边协同电力缺陷识别方法，其特征在于，应用于参数服务器，包括：

向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；

聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据各方的样本数据、新预设模型参数对各自最新的云侧模型做下一轮模型训练；所述云侧聚合模型指整合各云侧模型所得到的全局模型；

对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。

5.根据权利要求4所述的方法，其特征在于，若由边侧计算平台自行训练边侧模型，而非接收云服务器训练好并下发的边侧模型，则将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型之前，所述方法还包括：

向各所述云服务器对应的边侧计算平台发送预设模型参数，所述预设模型参数用于配置各所述边侧计算平台存有的边侧模型；所述边侧模型用于对各自所述端侧设备采集到的初始样本数据进行初筛识别，以得到初筛出的样本数据传给相应的所述云侧模型进行精细识别和模型训练；

聚合各所述边侧模型依据初始样本数据训练得的边侧模型更新参数，得到作为新预设模型参数的边侧聚合模型的更新参数发送给各所述边侧计算平台，使得各边侧计算平台依据各方的初始样本数据、新预设模型参数对各自最新的边侧计算平台做下一轮模型训练；所述边侧聚合模型指整合各边侧模型所得到的全局模型；

对于下一轮模型训练得到的边侧模型更新参数，返回执行所述聚合各所述边侧模型依据样本数据训练得的边侧模型更新参数的步骤，且直至更新得到的预设个边侧模型和/或边侧聚合模型达到收敛条件时，停止更新各模型。

6.一种基于联邦学习的云边协同电力缺陷识别方法，其特征在于，包括：

将端侧设备采集到的数据输入对应的目标模型，以输出所述端侧设备所含的缺陷信息；

其中，所述目标模型通过权利要求1至5任一项所述的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。

7.一种云服务器，其特征在于，包括：第一处理单元和第一发送单元；

所述第一处理单元用于，使用各方电力样本数据对存于各自所述云服务器的云侧或边侧模型模型分别进行若干轮本地模型训练，所述云侧或边侧模型的初始参数依据参数服务器发送的预设模型参数配置得到；边侧模型、云侧模型分别采用的样本数据为，端侧设备采集到的初始样本数据、边侧模型从所述初始样本数据中初筛出的缺陷数据，云侧模型用于对初筛出的缺陷数据做精筛；

所述第一发送单元用于，将训练得到的各云侧或边侧模型更新参数传送给所述参数服务器，以使所述参数服务器聚合各云侧或边侧模型更新参数得到云侧或边侧聚合模型的更新参数，其中，所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；

所述第一处理单元还用于，将所述参数服务器发送的云侧或边侧聚合模型的更新参数，作为新的预设模型参数以更新各所述云侧或边侧模型参数，并返回执行所述使用各方样本数据对存于各自所述云服务器的云侧或边侧模型分别进行若干轮本地模型训练的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型；

所述第一处理单元还用于，将最终更新得到的各边侧模型和/或云侧模型作为目标模型，所述目标模型用于通过待测端侧设备采集到的数据，由粗到细地识别出所述待测端侧设备的缺陷；最终更新得到的各边侧模型的接收方包括各云服务器方的边侧计算平台。

8.一种参数服务器，其特征在于，包括：第二处理单元和第二发送单元；

所述第二发送单元用于，向参与的各云服务器发送预设模型参数，所述预设模型参数用于配置各所述云服务器存有的云侧或边侧模型；

所述第二处理单元用于，聚合各所述云侧或边侧模型依据电力样本数据训练得的云侧或边侧模型更新参数，得到作为新预设模型参数的云侧或边侧聚合模型的更新参数发送给各所述云服务器，使得各云服务器依据样本数据、新预设模型参数对各自最新的云侧模或边侧型做下一轮模型训练；所述云侧或边侧聚合模型指整合各云侧或边侧模型所得到的全局模型；

所述第二处理单元还用于，对于下一轮模型训练得到的云侧或边侧模型更新参数，返回执行所述聚合各所述云侧或边侧模型依据样本数据训练得的云侧或边侧模型更新参数的步骤，且直至更新得到的云侧或边侧模型，或各聚合模型达到收敛条件时，停止更新各模型，以将最终更新得到的各云侧和/或边侧模型作为用于识别各自端侧设备缺陷的目标模型。

9.一种识别设备，其特征在于，包括：输入单元；

所述输入单元用于，将端侧设备采集到的数据输入对应的目标模型，以得到所述端侧设备采集的电力数据中所含的设备缺陷信息；

其中，所述目标模型通过权利要求1至5任一项所述的方法得到，所述缺陷信息包含设备状态是否异常、异常等级、缺陷种类和缺陷所在位置中的至少一项信息。

10.一种电子设备，其特征在于，包括：

中央处理器，存储器以及输入输出接口；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至6中任意一项所述的方法。

11.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至6中任意一项所述的方法。