基于插值优化的联邦学习异常用电辨识研究OA
爆发式增长的用电用户数据为数据驱动的异常用电辨识奠定了基础,然而不同电力公司间的“数据壁垒”以及用电数据采集频率不高的问题会影响此类方法的性能。为了解决异常用电行为分布式辨识中数据异构和采集频次不高影响辨识性能的问题,文章提出一种基于插值优化的联邦学习异常用电辨识方法。首先,对待辨识异常用电数据集进行线性插值与快速傅里叶变换处理。其次,构建基于长短期记忆机制的分布式联邦学习训练系统。最后,利用构建的训练模型,实现训练系统异构下的分布式异常用电行为辨识。所提方法在某电网大区的真实数据上进行实验,实验结果表明,方法能够实现对数据集的数据增强,在分布式训练与训练数据非独立同分布条件下对用电用户的异常用电行为进行有效识别,有效辅助窃电行为稽查,提升电网运维效率。
肖琦;陆俊;孙霄羽;龚钢军;王振宇
北京市能源电力信息安全工程技术研究中心(华北电力大学),北京市昌平区102206北京市能源电力信息安全工程技术研究中心(华北电力大学),北京市昌平区102206北京市能源电力信息安全工程技术研究中心(华北电力大学),北京市昌平区102206北京市能源电力信息安全工程技术研究中心(华北电力大学),北京市昌平区102206国网电力科学研究院有限公司(南瑞集团有限公司),江苏省南京市211100 国网电力科学研究院武汉能效测评有限公司,湖北省武汉市430074
电子信息工程
异常用电辨识联邦学习数据增强
《电力信息与通信技术》 2025 (1)
P.1-9,9
国家重点研发计划项目“多主体协同的配电网数据资产安全防控体系研究”(2022YFB3105101)。
评论