2025年 06期

摘要(Abstract)：

为了解决联邦学习多参与方本地端数据分布差异导致的模型收敛不一致和收敛速度慢等问题，提出一种面向电力数据异常检测的散度评估增强的联邦学习模型；该模型利用存储在不同参与方中的本地端电力数据，引入对称詹森-香农散度矩阵表示数据的非独立同分布性，并使用Softmax函数计算散度相似性分数，评估各客户端梯度在聚合过程中的贡献，从而提升模型在非独立同分布数据下的收敛性和准确性，最终基于训练完成的模型实现电力数据异常检测。电力数据异常检测仿真实验结果表明，所提模型相较于基线模型展现出优异的性能，有效地解决了联邦学习中数据的非独立同分布问题，验证了联邦学习技术在电力数据异常检测领域的实用性。

关键词(KeyWords)：电力数据分析;异常检测;联邦学习;散度评估;梯度聚合

基金项目(Foundation):国家重点研发计划项目(2022YFB2702805);; 国网山东省电力公司科技项目(520626230045)

作者(Author):刘冬兰,刘新,常英贤,孙莉莉,张方哲,姚洪磊

DOI:10.13349/j.cnki.jdxbn.20251024.001

参考文献(References)：

[1] 窦宇宇，林楠，任正，等.风电机组大扰动暂态过电压机理分析及优化抑制[J].山东电力技术，2023,50(5):28.

[2] 齐志强，李聪聪，李玉敦.特高压交流变压器送电调试过程电流规律研究[J].山东电力技术，2023,50(8):42.

[3] 吴蕊，张安勤，田秀霞，等.基于改进K-means的电力数据异常检测算法[J].华东师范大学学报(自然科学版),2020(4):9.

[4] 刘国强，李贵海，郝亚楠，等.输变电场所火灾粒子特征识别方法研究[J].山东电力技术，2023,50(6):75.

[5] 王家武，赵佃云，晋京，等.调度自动化系统主子站通道异常数据辨识[J].山东电力技术，2023,50(2):39.

[6] 王江伟，郭晨瑞，张丕沛，等.220 kV SF6罐式避雷器局部放电异常案例分析及改进提升[J].山东电力技术，2023,50(2):78.

[7] 王振国，贾飞，余洋.支持向量机的电力故障检测方法研究[J].自动化仪表，2021,42(5):84.

[8] 蔡嘉辉，王琨，董康，等.基于DenseNet和随机森林的电力用户窃电检测[J].计算机应用，2021,41(增刊1):75.

[9] 白国政.基于贝叶斯网络的电力变压器局部放电故障检测[J].计算机测量与控制，2023,31(9):90.

[10] 舒一飞，刘兴杰，康洁莹，等.基于 EMD 的异常用电检测方法[J].应用科技，2022,49(2):94.

[11] 林昱奂，胡嘉铭，戴伟力，等.基于改进K-均值联合SVDD的电力数据异常检测方法[J].电力电容器与无功补偿，2023,44(5):99.

[12] 牛罡，王蕾，谭磊，等.基于孤立森林算法的电力数据异常检测方法设计[J].自动化与仪器仪表，2023(8):52.

[13] 刘震宇.基于支持向量机的电力系统调度数据异常检测方法[J].自动化技术与应用，2023,42(6):24.

[14] 马一杰，陈君，刘松.基于长短时记忆网络的电力负荷异常检测[J].云南大学学报(自然科学版),2020,42(增刊2):55.

[15] 樊清川，于飞，宣敏.基于优化Bi-LSTM模型的电力变压器故障诊断[J].计算机仿真，2022,39(11):136.

[16] 夏炳森，唐元春，汪智平.基于AMCNN-LSTM的电力无线接入专网异常流量检测[J].重庆邮电大学学报(自然科学版),2021,33(6):939.

[17] 赵亮，孟令雯，张锐锋，等.基于多时间尺度的电力变压器异常数据检测[J].自动化与仪表，2023,38(1):1.

[18] 唐豫川，苏彦莽，何少华，等.基于DCE-LAE的电力负荷异常检测方法[J].计算机工程与设计，2023,44(6):1692.

[19] 刘月峰，赵潇潇.基于时间卷积网络的用户用电异常检测方法[J].科技创新与应用，2021,11(27):145.

[20] 李利荣，陈鹏，张云良，等.基于改进CenterNet的输电线路电力器件及异常目标检测[J].高电压技术，2023,49(11):4757.

[21] AKAY M,DU Y,SERSHEN C L,et al.Deep learning classification of systemic sclerosis skin using the MobileNetV2 model[J].IEEE Open Journal of Engineering in Medicine and Biology,2021,2:104.

[22] 肖雄，唐卓，肖斌，等.联邦学习的隐私保护与安全防御研究综述[J].计算机学报，2023,46(5):1019.

[23] 宋华伟，李升起，万方杰，等.非独立同分布场景下的联邦学习优化方法[J].计算机工程，2024,50(3):166.

[24] 王永，王永东，邓江洲，等.融合Jensen-Shannon散度的推荐算法[J].计算机科学，2019,46(2):210.

[25] 杨官学，王家栋.基于GRU网络的格兰杰因果网络重构[J].软件导刊，2023,22(10):49.

[26] GUO M H,XU T X,LIU J J,et al.Attention mechanisms in computer vision:a survey[J].Computational Visual Media,2022,8(3):331.

[27] TAO C,TAO T,BAI X J,et al.Wind turbine blade icing prediction using focal loss function and CNN-Attention-GRU algorithm[J].Energies,2023,16(15):5621.

[28] REN X B,YU C M,YU W R,et al.LoPub:high-dimensional crowdsourced data publication with local differential privacy[J].IEEE Transactions on Information Forensics and Security,2018,13(9):2151.

[29] 杨冠群，刘荫，郑海杰，等.基于信息熵的联邦学习异常用电识别[J].软件导刊，2022,21(10):123.

[30] MENéNDEZ M L,PARDO J A,PARDO L,et al.The Jensen-Shannon divergence[J].Journal of the Franklin Institute,1997,334(2):307.