[发明专利]基于联邦学习的电力巡检图像异常检测方法及系统

说明书

本发明公开了一种基于联邦学习的电力巡检图像异常检测方法及系统。该方法步骤如下：采用经过预训练的异常检测模型作为服务端初始模型，并分发给各个参与方；参与方基于本地的电力巡检图像数据集进行训练，将经过裁剪的梯度信息上传给服务器；服务器根据各参与方上传的梯度在辅助模型上使用验证集判断数据质量，并基于设置的阈值，剔除数据质量过差的参与方；基于数据量不平衡以及数据质量指标将模型梯度进行加权聚合，得到全局梯度参数并更新异常检测全局模型，然后将新模型分发给各个参与方；循环以上步骤，直至全局模型收敛。根据本发明实施例的方法，能够提高各参与方的本地电力巡检图像异常检测模型的准确度。

技术领域

本发明属于电力设备检测领域，具体是涉及一种基于联邦学习的电力巡检图像异常检测方法。

背景技术

为了能够及时发现电力设备的异常以便有效排除安全隐患，电力运维部门需要定期对电力设备开展巡检。然而人工巡检耗时耗力，效率低下，且异常检测的准确性依赖检查人员的专业水平。随着人工智能技术的迅猛发展，基于深度学习的电力巡检图像异常检测逐渐成为现实。

但在实际的工业生产环境中，电力巡检图像异常检测会面临以下问题：1.电力巡检图像数据以碎片化的方式存在于各个电力公司，形成了“数据孤岛”，本地数据量少，不足以训练出较好的网络，且这些分散在各地的数据是非独立同分布的，将其集中到一起进行训练可行性差、成本高；2.根据国家电网数据安全规定，禁止将电网生产及用电采集类业务数据及装置提供给社会第三方使用。

同时由于政策法规的限制，对数据隐私和保护做出了明确的要求，数据的获取难上加难，人们对于隐私的保护意识也越来越强。因此，如何在保护多方数据隐私和安全的前提下，融合多方的数据信息开展基于深度学习的电力巡检图像异常检测任务十分重要。

发明内容

为了解决现有技术存在的不足，本发明提供了一种基于联邦学习的电力巡检图像异常检测方法及系统，在保护各个电力公司巡检图像数据隐私安全的前提下，融合大量的电力巡检图像数据信息进行基于深度学习的电力巡检图像异常检测。

本发明提供了一种基于联邦学习的电力巡检图像异常检测方法，所述方法包括如下步骤：

步骤1：采用经过预训练的异常检测模型作为服务端初始模型，并分发给各个参与方；

步骤2：参与方基于本地的电力巡检图像数据集进行训练，并对梯度进行裁剪，然后将剩余梯度信息加密上传给服务器；

步骤3：服务器根据各参与方上传的梯度，在辅助模型上用验证集计算异常检测的准确度，判断数据质量，并设置阈值以剔除数据质量过差的参与方；

步骤4：基于参与方的数据数量指标及质量指标，将对应模型梯度进行加权聚合，得到全局梯度参数并更新全局异常检测模型，然后将新模型分发给各个参与方；

步骤5：循环以上2-4步骤，直至全局模型收敛或达到预设训练终止条件。

进一步的，步骤1中的异常检测模型为适用于迁移学习的深度异常检测模型。深度异常检测模型采用经过改进的深度SVDD模型，将深度SVDD模型目标函数的正则化项改进为其中，为上一轮全局模型参数。

进一步的，所述步骤1预训练异常检测模型，具体预训练过程如下：

步骤1.1：选取绝缘子数据集作为异常检测模型预训练所需的公共数据集，绝缘子的正常样本作为输入。

步骤1.2：使用改进的深度SVDD模型进行训练，改进后模型的损失函数为：

其中，是输入x_i经过参数为的神经网络φ提取出的特征表示，参数是第层的权重，为上一轮全局模型第层的权重，c为超球面的中心，超参数λ0。