CN119936569B - 一种电网端边全要素分析的智能波形量测感知方法及系统 - Google Patents

Abstract

本发明公开了一种电网端边全要素分析的智能波形量测感知方法及系统，本发明方法包括，在端侧设备上利用本地波形量测设备采集的实时同步波形数据进行联邦网络模型的局部训练，在边侧服务器上将所有端侧设备局部训练得到的模型参数进行多设备协同优化并将模型参数下发给端侧设备；各个端侧设备根据下发的模型参数更新本地的联邦网络模型并进行局部的波形故障感知，在边侧服务器上对所有端侧设备上传的电网参数进行波形故障感知获得全局的波形故障感知结果。本发明旨在解决现有电网监测系统在高延迟、低准确度和缺乏有效协作的情况下对电网扰动的识别和响应问题，提升新型电力系统的故障监测、告警与预测等态势实时感知能力。

Description

一种电网端边全要素分析的智能波形量测感知方法及系统

技术领域

本发明涉及智能电网技术领域，具体涉及一种电网端边全要素分析的智能波形量测感知方法及系统。

背景技术

随着新能源比例的提高，电网面临越来越复杂的运行环境和非线性动态扰动，这使得传统的电网监测技术逐渐无法满足当前电网对安全、稳定和高效运行的需求。现有的电网监测方法存在以下问题高延迟、低准确度以及有限的端边协同能力。传统电网监测方法在处理和响应电网扰动时存在较高的延迟，无法满足对快速扰动的实时响应需求；在复杂的电力系统中，现有系统对高频扰动的检测和定位存在准确度不足的问题，特别是在新能源接入情况下，电网参数的准确监测尤为重要；现有电网监测系统主要依赖中心化的计算与控制，缺乏高效的端侧和边侧设备之间的协同工作，导致数据利用率低，无法实现高效、准确的态势感知。因此，亟需一种新的电网监测技术，能够在端侧进行全要素数据采集和本地计算，通过端边协同提升电网扰动的识别和响应能力。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种电网端边全要素分析的智能波形量测感知方法及系统，本发明旨在解决现有电网监测系统在高延迟、低准确度和缺乏有效协作的情况下对电网扰动的识别和响应问题，提升新型电力系统的故障监测、告警与预测等态势实时感知能力。

为了解决上述技术问题，本发明采用的技术方案为：

一种电网端边全要素分析的智能波形量测感知方法，包括下述步骤：

S1，在端侧设备上利用本地波形量测设备采集的实时同步波形数据进行联邦网络模型的局部训练，且将局部训练得到的模型参数上传给边侧服务器，所述联邦网络模型的输入数据为基于实时同步波形数据提取得到的电网参数，输出结果为局部的态势感知结果；

S2，在端侧设备上接收在边侧服务器上将所有端侧设备局部训练得到的模型参数进行多设备协同优化后下发的模型参数；

S3，在端侧设备根据边侧服务器下发的模型参数更新本地的联邦网络模型，并利用更新模型参数后的联邦网络模型对本地波形量测设备采集的实时同步波形数据进行局部的波形故障感知，并将电网参数和局部的态势感知结果上传给边侧服务器，以使得边侧服务器对所有端侧设备上传的电网参数利用边侧感知模型进行全局的波形故障感知以获得全局的波形故障感知结果。

可选地，步骤S2中进行多设备协同优化的函数表达式为：

，

，

其中，为多设备协同优化后的模型参数，为端侧设备数量，为总数据样本数，为端侧设备的多设备协同优化前的模型参数，为端侧设备的实时同步波形数据的样本数。

可选地，所述联邦网络模型包括部署在端侧设备上的特征提取器w₀、协同感知器w_s以及部署在边侧服务器上的特征处理器w₁，特征提取器w₀用于对电网参数提取特征h ₀，特征处理器w₁用于对特征h ₀进一步挖掘出的特征h ₁，协同感知器w_s用于对特征h ₁进行感知预测获得预测的波形量测感知结果。

可选地，步骤S1之前还包括分割部署特征提取器w₀和特征处理器w₁：

S101，将由多层神经网络构成的特征提取网络模型利用知识蒸馏降低模型参数量；

S102，定义模型分割比率：

，

其中，为特征提取器w₀的参数数量，为特征提取器w₀和特征处理器w₁的参数总数量，根据端侧设备的计算能力和内存限制确定最优的模型分割比率：

,

其中，和分别为根据内存限制确定的最大和最小模型分割比率，和分别为端侧设备和边侧服务器的算力大小，且有：

，

，

其中，表示下确界，为模型分割比率对应的端侧设备的参数存储大小，为端侧设备可用内存最大值，和分别为特征提取网络模型第1层和最后一层的参数数量；

S103，根据最优的模型分割比率将特征提取模型分割为特征提取器w₀和特征处理器w₁，并将特征提取器w₀部署在端侧设备上，将特征处理器w₁部署在端侧设备上。

可选地，步骤S1中在端侧设备上利用实时同步波形数据进行联邦网络模型的局部训练时，局部训练所采用的目标函数为：

，

其中，为端侧设备k的目标函数，为端侧设备k的模型参数，为端侧设备k的实时同步波形数据的样本数，为局部训练时采用的损失函数，为联邦网络模型基于第i个输入信号和模型参数的波形量测感知结果，为第i个输入信号对应的理想波形量测感知结果。

可选地，所述端侧设备上还部署有端感知器w_e，所述端感知器w_e用于在端侧设备、边侧服务器之间发生通讯故障时对特征h ₀进行感知预测获得联邦网络模型的输出结果；所述局部训练还包括针对由特征提取器w₀、端感知器w_e构成的辅助模型进行训练以更新特征提取器w₀、端感知器w_e的模型参数，且训练辅助模型时采用的损失函数的函数表达式为：

，

其中，为样本数量，为端感知器w_e对第i个样本预测得到的波形量测感知结果，为第i个样本的波形量测感知结果真实标签值。

可选地，所述边侧感知模型包括特征处理器w₂和边侧感知器w _P，所述特征处理器w₂用于根据特征h ₁挖掘出特征h _P2，边侧感知器w _P用于根据特征h _P2预测生成边侧感知值y _p以作为全局的波形量测感知结果。

此外，本发明还提供一种电网端边全要素分析的智能波形量测感知系统，包括边侧服务器和分别与边侧服务器相连的多个端侧设备，所述端侧设备被编程或配置以执行所述电网端边全要素分析的智能波形量测感知方法。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序或指令，该计算机程序或指令被编程或配置以通过处理器执行所述电网端边全要素分析的智能波形量测感知方法。

此外，本发明还提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被编程或配置以通过处理器执行所述电网端边全要素分析的智能波形量测感知方法。

和现有技术相比，本发明主要可起到下述有益效果：本发明方法包括在端侧设备上利用本地波形量测设备采集的实时同步波形数据进行联邦网络模型的局部训练，在边侧服务器上将所有端侧设备局部训练得到的模型参数进行多设备协同优化并将模型参数下发给端侧设备；各个端侧设备根据下发的模型参数更新本地的联邦网络模型并进行局部的波形故障感知，在边侧服务器上对所有端侧设备上传的电网参数进行波形故障感知获得全局的波形故障感知结果，本发明方法通过构建高效的端边协同架构，能够解决现有电网监测系统在高延迟、低准确度和缺乏有效协作的情况下对电网扰动的识别和响应问题，在端侧进行全要素数据采集和本地计算，通过端边协同提升电网扰动的识别和响应能力，提升新型电力系统扰动监测的实时性与精度，优化端侧设备与边侧设备之间的协同效率，同时通过轻量型联邦网络的部署解决数据传输延迟和计算资源利用效率低的问题，并有效解决新型电力系统下动态扰动难以快速检测与高精度辨识的难题同时保障用户数据隐私安全，可用于新型电力系统各类故障的监测、告警与预测等态势感知。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例中端侧设备、边侧服务器的一种工作流程示意图。

图3为本发明实施例中端侧设备及其波形量测设备的一种框架结构示意图。

图4为本发明实施例中联邦网络模型及边侧感知模型的一种布置示意图。

图5为本发明实施例中的系统结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合本发明实施例中的附图，对本发明的技术方案进行进一步的详细说明。

如图1所示，本实施例电网端边全要素分析的智能波形量测感知方法包括下述步骤：

S1，在端侧设备上利用本地波形量测设备采集的实时同步波形数据进行联邦网络模型的局部训练，且将局部训练得到的模型参数上传给边侧服务器，所述联邦网络模型的输入数据为基于实时同步波形数据提取得到的电网参数，输出结果为局部的态势感知结果；

S2，在端侧设备上接收在边侧服务器上将所有端侧设备局部训练得到的模型参数进行多设备协同优化后下发的模型参数；

S3，在端侧设备根据边侧服务器下发的模型参数更新本地的联邦网络模型，并利用更新模型参数后的联邦网络模型对本地波形量测设备采集的实时同步波形数据进行局部的波形故障感知，并将电网参数和局部的态势感知结果上传给边侧服务器，以使得边侧服务器对所有端侧设备上传的电网参数利用边侧感知模型进行全局的波形故障感知以获得全局的波形故障感知结果。

如图2所示，本实施例通过端侧设备、边侧服务器构建了一种高效的端边协同架构，端侧设备利用本地波形量测设备采集的实时同步波形数据，进行联邦网络模型的局部训练、局部的波形故障感知；边侧服务器则进行多设备协同优化，以及利用边侧感知模型进行全局的波形故障感知以获得全局的波形故障感知结果，从而形成了电网端边全要素分析系统。在一个或多个实施例中，电网端边全要素分析系统的工作国产奶包括：利用端侧设备实时采集电网电压与电流信号，计算相角、频率、幅值与频率变化率等全要素电参数；在端侧设备中部署轻量型联邦网络模块，通过本地态势感知实现电网全景数据的智能分析，并对数据进行无损压缩后上传至边侧设备；边侧设备整合多个端侧设备上传的模型参数，采用同步聚合策略进行模型训练，优化联邦网络模型参数并下发至端侧设备，最终实现端侧设备对电网参数的智能监测，以及故障定位、振荡监测、负荷预测和惯量估计等多种应用。全面支持电网参数量测、智能分析和多场景应用，提升了电网态势感知的智能化水平与实时性。

图3为本实施例中端侧设备及其波形量测设备的一种框架结构示意图。在一个或多个实施例中，本实施例中的边侧包括波形量测设备和边侧设备，用于电网端边全要素分析。其中，波形量测设备采用可编程逻辑门阵列（FPGA）实现，采用FPGA对电压、电流信号进行高频同步采样，实时计算相角、频率、幅值等关键电参数，确保数据采集的精度和时效性。通过实时同步采样，可编程逻辑门阵列FPGA可以处理高达几百赫兹的信号，确保数据采集的精度和时效性。

端侧设备可采用如树莓派、STM32的平台实现，通过运行联邦网络进行本地分析，降低上传延时，并通过二值化和知识蒸馏方法优化模型性能。数据通过以太网或无线通信模块上传至边侧设备或服务器，进行区域性电网态势感知。智能波形量测感知设备可实时计算相角、频率、幅值、频率变化率、宽频振荡参数和故障发生时刻等全要素电参数，提供毫秒级动态响应，为电网态势感知和故障定位提供支持。最后通过以太网（TCP/IP）或无线通信模块（如Wi-Fi、4G、5G）将数据传输至边侧服务器，进行局部电网态势感知。

本实施例步骤S1中在端侧设备上利用实时同步波形数据进行联邦网络模型的局部训练时，局部训练所采用的目标函数为：

，

其中，为端侧设备k的目标函数，为端侧设备k的模型参数，为端侧设备k的实时同步波形数据的样本数，为局部训练时采用的损失函数，为联邦网络模型基于第i个输入信号和模型参数的波形量测感知结果，为第i个输入信号对应的理想波形量测感知结果。其中，局部训练时采用的损失函数可根据需要采用所需的损失函数，例如交叉熵损失等。

作为一种可选的实施方式，本实施例中联邦网络模型的输入电网参数包括是指相角是指电压和电流之间的相位差，用于判断电网负载变化及功率因数；频率是指电网频率的变化情况，频率的波动过大表明电网运行异常；幅值是指电压和电流的幅值，电压超过±0.05p.u.被视为电压越限；频率变化率是指频率变化的速率，反映电网扰动的变化趋势。作为一种可选的实施方式，本实施例中联邦网络模型局部的态势感知结果可为短时频率波动、负荷、扰动、宽频振荡参数、故障信息中的一种。其中，宽频振荡参数是指电网宽频振荡的频率、阻尼率与模态数；故障信息包括故障发生时刻和故障类型，故障发生时刻是指不同故障事件的发生起止时刻，故障类型包括分布式新能源接入下配电网中的新能源电源投切/高频开关/线路短路/甩负荷等故障。电网端边全要素分析的智能波形量测感知设备通过端侧同步相量测量单元FPGA模块的实时计算，能够在毫秒级别提供电网的动态参数，这些参数将被用于后续的态势感知和故障定位。联邦学习通过分布式学习和局部训练，使得设备能够根据本地数据进行实时的模型更新和调节，而无需将所有数据上传到云端，这样可以减少网络带宽消耗，提升实时性。

本实施例中通过端侧设备与边侧服务器实现了一种端边并行协同处理机制，通过优化设备的分布式训练与并行计算，实现了电网态势感知的高效性与实时性。端侧设备利用实时电网量测数据进行特征提取和局部模型训练，边侧设备通过接收端侧设备上传的模型参数，完成全局模型的优化与更新，并通过同步聚合策略确保全局模型的参数一致性和收敛性，该方法显著优化了分布式计算资源利用率，具备计算性能强和资源友好等特点，为动态电网环境下的实时状态感知和故障定位提供了强有力的技术支撑。

在边侧服务器，所有端侧设备上传的数据将被整合、汇总并用于本地训练。在边侧设备上，基于上传的端侧数据进行多设备协同优化，并将优化后的模型参数下发至端侧设备。通过这一端边协同的处理机制，系统可以保持高效的状态感知能力，并确保设备在动态电网环境下始终保持最佳的参数检测与故障定位能力。为了保证端边模型更新的一致性和全局收敛性，在端侧模型与边侧模型采用同步聚合策略，同步聚合是一种全局模型更新方式，要求所有设备完成本地训练后再进行全局模型的参数聚合。本实施例步骤S2中进行多设备协同优化采用的同步聚合策略，其函数表达式为：

，

，

其中，为多设备协同优化后的模型参数，为端侧设备数量，为总数据样本数，为端侧设备的多设备协同优化前的模型参数，为端侧设备的实时同步波形数据的样本数。

如图4所示，本实施例中的联邦网络模型包括部署在端侧设备上的特征提取器w₀、协同感知器w_s以及部署在边侧服务器上的特征处理器w₁，特征提取器w₀用于对电网参数提取特征h ₀，特征处理器w₁用于对特征h ₀进一步挖掘出的特征h ₁，协同感知器w_s用于对特征h ₁进行感知预测获得预测的波形量测感知结果。如图4所示，本实施例端侧设备上还部署有端感知器w_e，所述端感知器w_e用于在端侧设备、边侧服务器之间发生通讯故障时对特征h ₀进行感知预测获得联邦网络模型的输出结果；所述局部训练还包括针对由特征提取器w₀、端感知器w_e构成的辅助模型进行训练以更新特征提取器w₀、端感知器w_e的模型参数，且训练辅助模型时采用的损失函数的函数表达式为：

，

其中，为样本数量，为端感知器w_e对第个样本预测得到的波形量测感知结果，为第个样本的波形量测感知结果真实标签值。

本实施例中将联邦网络模型划分为主模型（部署在端侧设备上的特征提取器w₀、协同感知器w_s以及部署在边侧服务器上的特征处理器w₁）和辅助模型（部署在端侧设备上的特征提取器w₀和端感知器w_e），并分别在边侧服务器和端侧设备运行，不仅实现了端边协同训练，还显著优化了分布式计算资源的利用率。端侧设备首先利用电网数据x作为输入，通过相量计算方法得到初始特征表示h ₀=f(w ₀,x)。随后，边侧服务器中的特征处理器w ₁对表示进一步挖掘，得到h ₁=f(w ₁,h ₀)。基于此，主模型生成预测输出y _s=f(w_s,h ₁)。与此同时，辅助模型直接在端边设备生成局部预测感知y _e=f(w _e,h ₀)。于此同时，在边侧服务器可以针对特征处理器w ₁中参数进行进一步的特征感知w ₂并与边侧感知器w _P获得边侧模型感知量y _p。相比传统的模型分割训练方法，端边并行协调处理设计具有以下两大创新点：1）通信开销减少：通过将梯度计算与w ₁解耦，边侧服务器无需将反向传播的梯度返回至端侧设备，从而显著降低了通信量，节省了约四分之一的通信开销。2）并行计算加速：端边并行协调处理，端侧设备的特征提取器w₀与边侧服务器w₁的梯度可以同时计算，从而缩短了反向传播所需的时间近一半。

如图4所示，本实施例中的边侧感知模型包括特征处理器w₂和边侧感知器w _P，所述特征处理器w₂用于根据特征h ₁挖掘出特征h _P2，边侧感知器w _P用于根据特征h _P2预测生成边侧感知值y _p以作为全局的波形量测感知结果，针对边侧感知模型的训练为对特征提取器w₀、特征处理器w₁、特征处理器w₂和边侧感知器w _P构成的端到端的网络模型进行训练，其具体可根据需要采用所需的损失函数和训练方法，在此不再展开说明。其中，端感知器w_e、协同感知器w_s、边侧感知器w _P均为现有公知网络模型。

联邦网络模型的实现主要分为模型构建与初始化、本地训练、全局优化和模型下发四个部分。模型构建与初始化：构建适用于端侧计算能力的轻量型联邦网络，采用二值化、知识蒸馏方法将端侧模型参数量降低；根据端侧设备资源条件，划分端侧和边侧模型，确定分割比率，实现模型压缩。本地训练：端侧设备利用本地数据训练特征提取器，并将中间参数上传至边侧服务器。全局优化：边侧服务器接收所有端侧设备的更新结果，通过同步聚合更新全局模型。模型下发：边侧服务器将优化后的模型下发至端侧设备，开始新一轮训练。根据端侧设备的计算能力、内存限制以及通信条件，需要将完整的深度学习模型拆分为两部分进行模型分割以实现模型的初始化，模型分割为两部分：端侧模型部分和边侧模型部分。端侧模型部分：部署在端侧设备，用于特征提取与初步计算；边侧模型部分：部署在边侧服务器，用于高计算复杂度的推理任务。

本实施例中，步骤S1之前还包括分割部署特征提取器w₀和特征处理器w₁：

S101，将由多层神经网络构成的特征提取网络模型利用知识蒸馏降低模型参数量；

S102，定义模型分割比率：

，

其中，为特征提取器w₀的参数数量，为特征提取器w₀和特征处理器w₁的参数总数量，根据端侧设备的计算能力和内存限制确定最优的模型分割比率：

,

其中，和分别为根据内存限制确定的最大和最小模型分割比率，和分别为端侧设备和边侧服务器的算力大小，且有：

，

，

其中，表示下确界，为模型分割比率对应的端侧设备的参数存储大小，为端侧设备可用内存最大值，和分别为特征提取网络模型第1层和最后一层的参数数量；其中模型分割比率对应的端侧设备的参数存储大小为模型参数的存储大小和参数数量的乘积,为特征提取网络模型的层数；

S103，根据最优的模型分割比率将特征提取模型分割为特征提取器w₀和特征处理器w₁，并将特征提取器w₀部署在端侧设备上，将特征处理器w₁部署在端侧设备上。

综上所述，本实施例方法包括下述特点：轻量型联邦网络设计与优化：部署了轻量型联邦网络（Federated Learning）模块，用于数据本地分析与态势感知。在设备端侧，采集到的电网全景信息（相角、频率、幅值、频率变化率、宽频振荡参数、故障发生时刻等）被输入至联邦网络模块，进行本地态势感知。联邦学习通过分布式学习和局部训练，使得设备能够根据本地数据进行实时的模型更新和调节，而无需将所有数据上传到云端，这样可以减少网络带宽消耗，提升实时性。端边协同处理与优化：端侧设备对数据进行无损压缩后，通过无线通信网络将数据上传至边侧设备，边侧设备将来自多个端侧设备的数据进行汇总，基于这些数据进行本地模型的训练与优化。通过本地训练，边侧设备能够更新联邦网络模块的参数，并将这些优化的模型下发至端侧设备，以此提升全系统的电网状态监测与故障定位能力。数据安全与共享机制：在本系统中，每个端侧设备能够独立进行数据采集与处理，并将部分数据上传至边侧设备。边侧设备根据上传的数据进行模型训练，并通过无损数据压缩技术优化数据传输效率。系统中所有端侧设备共享更新后的联邦网络模型，但各设备的数据保留在本地，确保数据隐私与安全性。电网端边全要素分析方法和系统通过全要素的电网信息采集与实时分析，能够动态响应电网状态变化，提高电网的智能化监控水平，可以实现电网扰动检测、负荷预测、惯量估计、故障定位与振荡监测等应用。

如图5所示，本实施例还提供一种电网端边全要素分析的智能波形量测感知系统，包括边侧服务器和分别与边侧服务器相连的多个端侧设备，所述端侧设备被编程或配置以执行所述电网端边全要素分析的智能波形量测感知方法。其中，端侧设备：端侧设计智能波形量测感知设备，所述设备包含端侧同步相量测量单元（FPGA）与端侧设备（树莓派、微控制器STM32等系列高性能边缘计算模块），用于实时采集电网的电压、电流等信息，进行相角、频率、幅值等全要素电参数的计算，并将处理后的数据通过无线网络上传至边侧设备。端侧设备内置的轻量型联邦网络模块能够进行本地态势感知与模型更新。边侧服务器：边侧设备负责接收来自多个端侧设备的数据，进行数据整合、汇总并开展本地模型的训练。边侧设备将优化后的轻量型联邦网络参数下发至端侧设备，确保全系统的协同运行。在边侧服务器，所有端侧设备上传的数据将被整合、汇总并用于本地训练。在边侧设备上，基于上传的端侧数据，边侧系统通过多轮训练优化模型，并将更新后的轻量型联邦网络参数下发至端侧设备。通过这一端边协同的处理机制，系统可以保持高效的状态感知能力，并确保设备在动态电网环境下始终保持最佳的参数检测与故障定位能力。端侧设备部署特征提取模块，用于实时采集电网的电压、电流等信号，并完成特征提取。端侧设备使用本地数据进行局部训练，并更新端侧模型的参数，更新频率为每天或每周更新一次。端侧设备将提取的中间参数和部分模型更新参数上传至边侧设备，在边侧设备上，部署分类或感知模块，用于接收端侧设备上传的参数并完成剩余计算任务，同时对来自多个端侧设备的模型更新进行聚合，优化全局模型，并通过同步策略下发更新后的模型参数。本实施例电网端边全要素分析的智能波形量测感知系统在端侧利用同步信息采集电网电压与电流全景信息；在本地计算包括相角、频率、幅值与频率变化率等全要素电参数；在设备数据管理模块部署轻量型联邦网络；将全景信息输入轻量型联邦网络模块并进行本地态势感知；端侧设备将数据进行无损压缩并上传到边侧设备或边侧服务器；边侧设备集合所有端侧信息后进行本地训练并更新轻量型联邦网络模块参数并下发到端侧设备，用于电网参数检测、故障定位、振荡监测、负荷预测、惯量估计等新型应用。本发明旨在提升新型电力系统扰动监测、告警与预测等态势实时感知能力，解决新型电力系统下电网新型扰动辨识高延迟、低准确度难题。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序或指令，该计算机程序或指令被编程或配置以通过处理器执行所述电网端边全要素分析的智能波形量测感知方法。

此外，本实施例还提供一种计算机程序产品，包括计算机程序或指令，该计算机程序或指令被编程或配置以通过处理器执行所述电网端边全要素分析的智能波形量测感知方法。

本领域内的技术人员应明白，本发明的实施例可提供的技术方案形式可为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电网端边全要素分析的智能波形量测感知方法，其特征在于，包括下述步骤：

S1，在端侧设备上利用本地波形量测设备采集的实时同步波形数据进行联邦网络模型的局部训练，且将局部训练得到的模型参数上传给边侧服务器，所述联邦网络模型的输入数据为基于实时同步波形数据提取得到的电网参数，输出结果为局部的态势感知结果；

S2，在端侧设备上接收在边侧服务器上将所有端侧设备局部训练得到的模型参数进行多设备协同优化后下发的模型参数；

S3，在端侧设备根据边侧服务器下发的模型参数更新本地的联邦网络模型，并利用更新模型参数后的联邦网络模型对本地波形量测设备采集的实时同步波形数据进行局部的波形故障感知，并将电网参数和局部的态势感知结果上传给边侧服务器，以使得边侧服务器对所有端侧设备上传的电网参数利用边侧感知模型进行全局的波形故障感知以获得全局的波形故障感知结果。

2.根据权利要求1所述的电网端边全要素分析的智能波形量测感知方法，其特征在于，步骤S2中进行多设备协同优化的函数表达式为：

，

，

其中，为多设备协同优化后的模型参数，为端侧设备数量，为总数据样本数，为端侧设备的多设备协同优化前的模型参数，为端侧设备的实时同步波形数据的样本数。

3.根据权利要求1所述的电网端边全要素分析的智能波形量测感知方法，其特征在于，所述联邦网络模型包括部署在端侧设备上的特征提取器w₀、协同感知器w_s以及部署在边侧服务器上的特征处理器w₁，特征提取器w₀用于对电网参数提取特征h ₀，特征处理器w₁用于对特征h ₀进一步挖掘出的特征h ₁，协同感知器w_s用于对特征h ₁进行感知预测获得预测的波形量测感知结果。

4.根据权利要求3所述的电网端边全要素分析的智能波形量测感知方法，其特征在于，步骤S1之前还包括分割部署特征提取器w₀和特征处理器w₁：

S101，将由多层神经网络构成的特征提取网络模型利用知识蒸馏降低模型参数量；

S102，定义模型分割比率：

，

其中，为特征提取器w₀的参数数量，为特征提取器w₀和特征处理器w₁的参数总数量，根据端侧设备的计算能力和内存限制确定最优的模型分割比率：

,

其中，和分别为根据内存限制确定的最大和最小模型分割比率，和分别为端侧设备和边侧服务器的算力大小，且有：

，

，

其中，表示下确界，为模型分割比率对应的端侧设备的参数存储大小，为端侧设备可用内存最大值，和分别为特征提取网络模型第1层和最后一层的参数数量；

S103，根据最优的模型分割比率将特征提取模型分割为特征提取器w₀和特征处理器w₁，并将特征提取器w₀部署在端侧设备上，将特征处理器w₁部署在端侧设备上。

5.根据权利要求3所述的电网端边全要素分析的智能波形量测感知方法，其特征在于，步骤S1中在端侧设备上利用实时同步波形数据进行联邦网络模型的局部训练时，局部训练所采用的目标函数为：

，

其中，为端侧设备k的目标函数，为端侧设备k的模型参数，为端侧设备k的实时同步波形数据的样本数，为局部训练时采用的损失函数，为联邦网络模型基于第i个输入信号和模型参数的波形量测感知结果，为第i个输入信号对应的理想波形量测感知结果。

6.根据权利要求5所述的电网端边全要素分析的智能波形量测感知方法，其特征在于，所述端侧设备上还部署有端感知器w_e，所述端感知器w_e用于在端侧设备、边侧服务器之间发生通讯故障时对特征h ₀进行感知预测获得联邦网络模型的输出结果；所述局部训练还包括针对由特征提取器w₀、端感知器w_e构成的辅助模型进行训练以更新特征提取器w₀、端感知器w_e的模型参数，且训练辅助模型时采用的损失函数的函数表达式为：

，

其中，为样本数量，为端感知器w_e对第i个样本预测得到的波形量测感知结果，为第i个样本的波形量测感知结果真实标签值。

7.根据权利要求1所述的电网端边全要素分析的智能波形量测感知方法，其特征在于，所述边侧感知模型包括特征处理器w₂和边侧感知器w _P，所述特征处理器w₂用于根据特征h ₁挖掘出特征h _P2，边侧感知器w _P用于根据特征h _P2预测生成边侧感知值y _p以作为全局的波形量测感知结果。

8.一种电网端边全要素分析的智能波形量测感知系统，包括边侧服务器和分别与边侧服务器相连的多个端侧设备，其特征在于，所述端侧设备被编程或配置以执行权利要求1～7中任意一项所述电网端边全要素分析的智能波形量测感知方法。

9.一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序或指令，其特征在于，该计算机程序或指令被编程或配置以通过处理器执行权利要求1～7中任意一项所述电网端边全要素分析的智能波形量测感知方法。

10.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被编程或配置以通过处理器执行权利要求1～7中任意一项所述电网端边全要素分析的智能波形量测感知方法。