基于联邦分割学习的输电线路异物检测算法

摘要

异物入侵是导致输电线路故障的主要原因之一，但现有输电线路异物检测方法未能充分利用终端设备的计算能力，造成资源浪费与隐私数据泄露等问题。针对上述问题，提出了一种基于联邦分割学习的检测算法（FSLDA）。该算法结合联邦学习和分割学习，提高输电线路异物检测效率和终端设备数据安全性。FSLDA通过构建可分割的小型神经网络，将计算负载分散至不同设备，减轻终端设备的运算压力，同时确保训练数据的隐私安全得到有效保障。实验结果表明：与经典联邦学习相比，FSLDA在保持预测精度的同时，终端设备的训练时间和能源消耗分别减少了10%和20%。由此可知，FSLDA在提升输电线路异物检测效率和可靠性方面具备有效性，并有助于优化系统总体性能和保障终端数据隐私安全。

关键词

边缘计算 / 联邦学习 / 线路检测 / 分割学习

基金资助

国家自然科学基金（62102292）; 湖北省智能机器人重点实验室开放基金（HBIRL 202204）; 武汉市知识创新专项曙光项目（2023010201020440）