基于联邦学习的边缘侧电能质量扰动分类研究

作者：徐正一; 琚贇^*; 于轲鑫; 刘鹏辉; 谢可; 祝文军

来源：电力信息与通信技术, 2023, 21(10): 26-34.

DOI：10.16543/j.2095-641x.electric.power.ict.2023.10.04

• 边缘计算
• 联邦学习
• 电能质量
• 配电物联网

传统云端电能质量扰动识别模式下，海量扰动数据对云端的服务器造成了较大的存储、计算压力，且云端扰动识别存在延迟，实时性较差；边缘侧扰动识别可以缓解云端压力，降低延迟，但边缘侧之间无法实现数据的跨域共享。针对以上问题，文章提出了基于联邦学习的边缘计算框架，首先，边缘侧使用本地数据训练模型，然后将模型参数上传至云端进行聚合，更新模型并下发至边缘侧进行部署，在边缘侧对电能质量扰动进行识别分类。实验结果表明，相比云端扰动识别模式，基于联邦学习的边缘侧扰动识别对云端的存储需求下降了97.58%，数据通信成本下降了53.68%，单次扰动识别的传输速率需求下降了99.994%，满足扰动识别实时性的要求；优化后的联邦学习算法与传统的联邦学习算法相比，扰动识别准确率提升了1.72%～3.64%。

• 单位
  国网信息通信产业集团有限公司; 华北电力大学