继承私有模型联邦学习的电能质量扰动分类

姜鹏, 王鹏, 朱红霞, 王建华, 李鹏飞, 冯彦翔

doi:10.15938/j.jhust.2025.03.012

哈尔滨理工大学学报 ›› 2025, Vol. 30 ›› Issue (03) : 107 -115. DOI: 10.15938/j.jhust.2025.03.012

继承私有模型联邦学习的电能质量扰动分类

姜鹏, 王鹏, 朱红霞, 王建华, 李鹏飞, 冯彦翔

作者信息 +

Author information +

文章历史 +

PDF

摘要

电能质量扰动(power quality disturbance,PQD)分类是保障电力系统安全的重点。传统PQD分类算法精度较差,采用深度学习网络则会受制于“数据孤岛”问题而无法得到有效地训练。针对以上问题,提出了一种基于继承私有模型联邦学习的PQD分类算法,保留了历史训练中所有个性化模型的知识,用于监督下一轮全局模型的本地更新,在模型初步收敛时能及时停止历史模型的继承以降低计算量。此外,引入了Ranger优化算法作为隐私保护策略,同时能更好地优化目标函数。在自建数据集上经过多组实验验证,5个客户端平均分类准确率达0.993 0,收敛稳定性高且性能优于多种PQD分类模型。