CN114462501A - 一种基于联邦学习的非侵入式设备状态识别方法及装置 - Google Patents

一种基于联邦学习的非侵入式设备状态识别方法及装置 Download PDF

Info

Publication number
CN114462501A
CN114462501A CN202210001823.0A CN202210001823A CN114462501A CN 114462501 A CN114462501 A CN 114462501A CN 202210001823 A CN202210001823 A CN 202210001823A CN 114462501 A CN114462501 A CN 114462501A
Authority
CN
China
Prior art keywords
local user
data
network
user node
local
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210001823.0A
Other languages
English (en)
Inventor
薛广涛
童侠通
潘昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210001823.0A priority Critical patent/CN114462501A/zh
Publication of CN114462501A publication Critical patent/CN114462501A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/606—Protecting data by securing the transmission between two devices or processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于联邦学习的非侵入式设备状态识别方法及装置，方法包括：在多个本地用户节点中布置非侵入式设备数据采集***，对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样；构建历史数据集；构建深度学习神经网络，将特征提取子网络布置在本地用户节点中，将设备预测子网络布置在云端；通过历史数据集训练深度学习神经网络，训练过程中本地用户节点与云端通过加密算法进行数据传输；使用训练得到的识别模型对设备状态进行识别。与现有技术相比，本发明解决了数据可靠性问题，解决了高频采样下存在的数据传输瓶颈问题，解决了在训练和预测过程中的用户隐私安全问题。

Description

一种基于联邦学习的非侵入式设备状态识别方法及装置
技术领域
本发明涉及非侵入式设备识别领域，尤其是涉及一种基于联邦学习的非侵入式设备状态识别方法及装置。
背景技术
在大楼这样具有大量电器设备的复杂电力***中，识别和确定设备的状态是研究人员关注的重点。非侵入式设备识别是只使用一组传感器，仅测量汇总数据，得到内部***中多种设备运行状态的一种方法。该方法不需要涉及许多组传感器，有方便部署、价格低廉易于推广的特性，得到广泛应用。
在非侵入式设备识别方法中，从采集信号上看，第一类是分析50Hz的交流电，采样频率从几分之一Hz到几Hz。一般而言，这样的低频数据会用来分析稳态间的状态切换(比如开和关)，数据本身主要为平均功率、功率因数等。第二类是分析50Hz的交流电及其谐波，采样频率从1kHz到几十kHz。现在的家用电器设备一般为非线性的，比如电视和LED灯，因此在电流的波形中包含重要的谐波失真信息。为了捕捉这样的细节信息，较高的采样率是必要的。第三类是分析高频瞬时信号，采样频率从几十kHz到几十MHz，大多数电子设备都使用了开关模式电源(SMPS)，其频段就在这一区间。从数据处理上看，现有的大部分研究工作都集中在有监督的机器学习技术上，包括传统马尔科夫模型以及深度学习模型。
在数据采集上，数据采集可以是高频瞬态信号，也可以是较低频的稳态信号。无疑，高频瞬态信号包含更多的信息，可以提供更准确的识别，同时也可以通过将采样得到低频的稳态信号，毫无疑问是数据采集的首选。但是，高频数据采样将导致大流量的数据传输，将代替算力瓶颈并成为更大的瓶颈，显著限制了服务器的承载能力。
在数据处理上，深度学习模型显然更优。侵入式设备识别***需要大量的训练数据，而这些训练数据来自大量的用户，需要汇总不同用户的数据构成训练集再进行神经网络训练。在数据汇总这一环节，如何保护各个用户的隐私安全成为了必须面对的挑战。潜在的攻击者可能窃取原始训练数据，识别出设备使用情况，并进一步推断出用户的状态信息，进而达到窃取用户隐私的目的。
综上，大流量数据传输和用户隐私安全是非侵入式设备状态识别方法中亟待解决的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于联邦学习的非侵入式设备状态识别方法及装置。
本发明的目的可以通过以下技术方案来实现：
一种基于联邦学习的非侵入式设备状态识别方法，包括以下步骤：
S1、在多个本地用户节点中布置非侵入式设备数据采集***，对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样，所述本地用户节点为家庭、实验室、办公室等环境；
S2、根据各个本地用户节点的数据分别构建历史数据集；
S3、构建深度学习神经网络，包括特征提取子网络和设备预测子网络，将特征提取子网络布置在本地用户节点中，将设备预测子网络布置在云端；
S4、通过历史数据集训练深度学习神经网络，训练过程中本地用户节点与云端通过加密算法进行数据传输，得到训练好的识别模型；
S5、使用训练好的识别模型对设备状态进行识别，监测各设备的运行状态。
进一步的，步骤S1中的非侵入式设备数据采集***以180kHz的频率非侵入式采集本地用户节点中干路的总电流数据，以1Hz的频率采集本地用户节点中各并联分路的功率数据，本地用户节点中的各设备均连入并联分路中。
进一步的，步骤S2包括以下步骤：
S21、获取非侵入式设备数据采集***持续采集的总电流数据和功率数据；
S22、设定每种设备的最小启动功率Pmin_start、最大停止功率Pmax_end、最短持续时间tmin和最长中断时间tmax，对功率数据进行处理，使用流式算法根据功率数据判断各个设备的工作状态，包括启动和关闭；
S23、引入滑动窗口，对当前时刻t与前一时刻t-1之间的数据，应用流式算法汇聚各个设备的工作状态，根据预设置的判断规则保留合法有效的数据，并根据工作状态为设备添加标签，构建每个本地用户节点中的历史数据集。
进一步的，预设置的判断规则为：在同一窗口内，如果所有设备的工作状态均未发生启动至关闭或者关闭至启动的切换，则认为该窗口数据合法；在同一窗口内，如果所有设备均处于关闭状态，则认为该窗口无效。
进一步的，深度学习神经网络用于实现多标签分类，所述特征提取子网络是基本模块为一维卷积单元的残差网络，所述设备预测子网络为多层感知机的残差网络，多标签分类使用的损失函数为Asymmetric Loss，对特征提取子网络和设备预测子网络通过模型压缩、剪枝等方法进行精简优化，并调整相关参数，在保证准确率的同时减少计算量，使其能够部署在边缘设备上。
进一步的，深度学习神经网络的训练过程如下：
S41、对于每个本地用户节点，获取历史数据集并进行预处理，将历史数据集送入特征提取子网络中得到计算结果；
S42、将每个本地用户节点中的计算结果通过加密算法加密后上传云端；
S43、云端汇总所有本地用户节点的计算结果，并在云端对设备预测子网络进行训练，并将梯度回传至各个本地用户节点；
S44、本地用户节点根据接收的梯度更新特征提取子网络。
进一步的，所述加密算法为差分加密算法。
进一步的，云端将梯度回传至每个本地用户节点，每个本地用户节点特征提取子网络的结构相互独立，每个本地用户节点特征提取子网络的更新相互独立。
一种基于联邦学习的非侵入式设备状态识别装置，包括：
非侵入式设备数据采集***，分别布置在各个本地用户节点中，用于对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样；
本地数据集构建模块，分别布置在各个本地用户节点中，用于根据各个本地用户节点的数据分别构建历史数据集；
本地计算单元，分别布置在各个本地用户节点中，与本地数据集构建模块通信连接，存放有特征提取子网络，用于进行训练过程中特征提取子网络的计算、更新；
云端计算单元，布置在云端，存放有设备预测子网络，用于进行训练过程中设备预测子网络的计算、更新，训练过程中，本地计算单元与云端计算单元通过加密算法进行数据传输；
检测模块，使用训练好的识别模型对设备状态进行识别。
进一步的，使用高频数模转换芯片，以180kHz的频率非侵入式采集本地用户节点中干路的总电流数据，使用具有功率测量功能的智能插座，以1Hz的频率采集本地用户节点中各并联分路的功率数据，本地用户节点中的各设备均连入并联分路中。
进一步的，以有线传输的方式将总电流数据传输至本地数据集构建模块，所述智能插座具有无线通信功能，以无线传输的方式将功率数据传输至本地数据集构建模块。
与现有技术相比，本发明具有以下有益效果：
(1)高频采样总电流并通过深度学习神经网络进行数据处理，高频采样能够保留更多的信息，并同时采集个设备的并联支路上的功率数据，基于功率数据进行合法性、有效性校验并添加标签，解决了数据可靠性问题。
(2)深度学习神经网络拆分为本地的特征提取子网络和云端的设备预测子网络，本地采集的高频数据直接在本地进行计算，云端与本地之间传输计算结果和梯度，数据传输量小，解决了高频采样下存在的数据传输瓶颈问题。
(3)本地的特征提取子网络提取的特征通过加密算法送入云端，云端回传梯度进行更新，一方面，加密算法保证了数据传输的安全性，另一方面，计算结果和梯度无法溯源得到用户的原始状态数据，解决了在训练和预测过程中的用户隐私安全问题。
附图说明
图1为设备状态识别方法的流程图；
图2为设备状态识别***的架构图；
附图标记：1、非侵入式设备数据采集***，2、本地数据集构建模块，3、本地计算单元，4、云端计算单元。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件。
实施例1：
一种基于联邦学习的非侵入式设备状态识别方法，如图1所示，包括以下步骤：
S1、在多个本地用户节点中布置非侵入式设备数据采集***，对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样，本地用户节点为家庭、实验室、办公室等环境；
非侵入式设备数据采集***以180kHz的频率非侵入式采集本地用户节点中干路的总电流数据，以1Hz的频率采集本地用户节点中各并联分路的功率数据，本地用户节点中的各设备均连入并联分路中。
具体的，本实施例中如下：
步骤S11：以高频数模转换芯片，设计采样电路，并以180kHz的频率非侵入式采集总电流数据I总，总电流是各个并联分路的电流之和，理论上
Figure BDA0003454904230000051
n表示设备总数量，其中Ii为各并联分路的电流，各设备均连入并联分路中，且各分路间无高频滤波装置；
步骤S12：使用具有wifi通信与功率测量功能的多个智能插座，以1Hz的频率低频采集各并联分路的功率数据Pi；
步骤S13：部署微型主机作为本地计算中心，以usb有线传输的方式获取高频总电流数据，以局域网wifi互传的无线传输方式获取低频功率数据，应用软件缓冲层将数据快速写入内存，并持续写入微型主机的硬盘，保证数据的可靠传输。
S2、根据各个本地用户节点的数据分别构建历史数据集；
S21、获取非侵入式设备数据采集***持续采集的总电流数据和功率数据，如在非侵入式设备数据采集***部署完成后，持续采集一周、半个月等时间内实际使用情况下具有高频特征的设备的功率数据与总电流数据；
S22、可以依据专家经验，设定每种设备的最小启动功率Pmin_start、最大停止功率Pmax_end、最短持续时间tmin和最长中断时间tmax，对功率数据进行处理，使用流式算法根据功率数据判断各个设备的工作状态，包括启动和关闭；当设备实时功率大于Pmin_start且持续时间长于tmin，可以认为设备已经启动，当设备实时功率小于Pmax_end且持续时间长于tmax，可以认为设备已经关闭；
S23、引入滑动窗口，对当前时刻t与前一时刻t-1s之间的数据，应用流式算法汇聚各个设备的工作状态，根据预设置的判断规则保留合法有效的数据，并根据工作状态为设备添加标签，构建每个本地用户节点中的历史数据集。如：在同一窗口内，如果所有设备的工作状态均未发生启动至关闭或者关闭至启动的切换，则认为该窗口数据合法；在同一窗口内，如果所有设备均处于关闭状态，则认为该窗口无效。对于合法有效的数据，记录标签并保存，构建历史数据集，数据样本为总电流数据和对应的各设备状态，其余数据则予以丢弃。功率数据用于判断数据的合法有效性以及标签的确定，这样根据功率可以自动进行标签添加和数据筛选，大大减少了人力工作。
S3、构建深度学习神经网络，包括特征提取子网络和设备预测子网络，将特征提取子网络布置在本地用户节点中，将设备预测子网络布置在云端；
构建基于神经网络的混合模型，即深度学习神经网络，深度学习神经网络用于实现对输入数据的多标签分类，对很合模型进行改造，将其分为本地计算部分与云端计算部分。本实施例中，特征提取子网络是基本模块为一维卷积单元的残差网络，布置在本地的微型主机中(边缘设备)，设备预测子网络为多层感知机的残差网络，布置在云端服务器，多标签分类使用的损失函数为Asymmetric Loss。
以180kHz采集的高频总电流数据是一个高维数据，如果进行降维处理则违背了使用高频数据保留更多信息的初衷，如果使用常规的神经网络，则需要设计较多的输入神经元，导致网络结构复杂。卷积网络一般用于进行图像处理，以240×240的图片为例，其输入实际上是240×240的像素矩阵，能够处理较高维的数据。因此，本申请的特征提取子网络是基本模块为一维卷积单元的残差网络，通过卷积操作对高频数据进行特征提取，降低了特征提取子网络的复杂度，且本地边缘设备的计算量可以满足。
为了应对多标签分类的输出，设备预测子网络为多层感知机的残差网络，多标签分类使用的损失函数为Asymmetric Loss。
最后，对特征提取子网络和设备预测子网络通过模型压缩、剪枝等方法进行精简优化，并调整相关参数，在保证准确率的同时减少计算量，使其能够部署在本地边缘设备上。
本实施例中未对特征提取子网络和设备预测子网络的具体结构进行限制，相关从业人员按照需要进行设计即可，可以应用多种高性能神经网络混合建模，在较低计算量下保证较高的准确率。
S4、通过历史数据集训练深度学习神经网络，训练过程中本地用户节点与云端通过加密算法进行数据传输，得到训练好的识别模型；
训练过程如下：
S41、对于每个本地用户节点，获取历史数据集并进行预处理，包括去噪、归一化等预处理操作，将历史数据集送入特征提取子网络中得到计算结果；
S42、将每个本地用户节点中的计算结果通过加密算法加密后上传云端，如差分加密算法等；
S43、云端搭载有一个设备预测子网络，汇总所有本地用户节点的计算结果，将计算结果进行整合，并在云端对设备预测子网络进行训练，并将梯度回传至各个本地用户节点；
S44、本地用户节点根据接收的梯度更新特征提取子网络。
考虑到不同本地用户节点中的设备数量、工作方式有所区别，因此各个本地用户节点特征提取子网络的结构相互独立，可以使用不同的结构，故云端回传至每个本地用户节点的是梯度，不影响不同特征提取子网络的更新，最终得到的识别模型也能适配各个本地用户节点。
各个本地用户节点特征提取子网络的更新相互独立，由于网络结构不同，根据梯度进行的更新也不同，考虑到不同本地用户节点的设备使用高低峰、网络状态等，可以在不同的时间段回传梯度，异步更新各个特征提取子网络。
S5、使用训练好的识别模型对设备状态进行识别，监测各设备的运行状态。
完成训练后，可以将设备预测子网络也布置在本地，即本地的边缘设备搭载了识别模型。在本地获取实时的总电流数据，将实时的总电流数据送入识别模型，即可实时监测各个设备的状态，从而进行分析，如目标时间段内各个设备的运行状态。也可以仍将设备预测子网络布置在云端，本地的边缘设备搭载特征提取子网络，将实时的总电流数据送入特征提取子网络，特征提取子网络提取的特征送入云端设备预测子网络，得到设备状态识别结果。
如果本地用户节点新引入了设备，可以重复步骤S1-S4，更新特征提取子网络和设备预测子网络，得到新的识别模型。
实施例2：
一种基于联邦学习的非侵入式设备状态识别装置，如图2所示，包括：
非侵入式设备数据采集***1，分别布置在各个本地用户节点中，用于对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样；
本地数据集构建模块2，分别布置在各个本地用户节点中，用于根据非侵入式设备数据采集***1采集的各个本地用户节点的数据分别构建历史数据集；
本地计算单元3，分别布置在各个本地用户节点中，与本地数据集构建模块2通信连接，存放有特征提取子网络，用于进行训练过程中特征提取子网络的计算、更新；
云端计算单元4，布置在云端，存放有设备预测子网络，用于进行训练过程中设备预测子网络的计算、更新，训练过程中，本地计算单元3与云端计算单元4之间通过加密算法进行数据传输；
检测模块，使用训练好的识别模型对设备状态进行识别。
如图2所示，在非侵入式设备数据采集***1的搭建过程中，使用高频数模转换芯片，设计采样电路，以180kHz的频率非侵入式采集本地用户节点中干路的总电流数据，使用具有功率测量功能的智能插座，以1Hz的频率采集本地用户节点中各并联分路的功率数据，本地用户节点中的各设备均连入并联分路中。
本地数据集构建模块2和本地计算单元3可以集成在微型主机上，即边缘计算设备，以USB有线传输的方式将总电流数据传输至本地数据集构建模块2，智能插座具有无线通信功能，以WIFI无线传输的方式将功率数据传输至本地数据集构建模块3。
高频数模转换芯片、采样电路进行高频采样的技术是较成熟的技术，微型主机、智能插座也是现有设计，使用普通的计算机、智能插座即可实现，因此成本低、可靠性高。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，包括以下步骤：
S1、在多个本地用户节点中布置非侵入式设备数据采集***，对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样；
S2、根据各个本地用户节点的数据分别构建历史数据集；
S3、构建深度学习神经网络，包括特征提取子网络和设备预测子网络，将特征提取子网络布置在本地用户节点中，将设备预测子网络布置在云端；
S4、通过历史数据集训练深度学习神经网络，训练过程中本地用户节点与云端通过加密算法进行数据传输，得到训练好的识别模型；
S5、使用训练好的识别模型对设备状态进行识别。
2.根据权利要求1所述的一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，步骤S1中的非侵入式设备数据采集***以180kHz的频率非侵入式采集本地用户节点中干路的总电流数据，以1Hz的频率采集本地用户节点中各并联分路的功率数据，本地用户节点中的各设备均连入并联分路中。
3.根据权利要求1所述的一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，步骤S2包括以下步骤：
S21、获取非侵入式设备数据采集***持续采集的总电流数据和功率数据；
S22、设定每种设备的最小启动功率Pmin_start、最大停止功率Pmax_end、最短持续时间tmin和最长中断时间tmax，对功率数据进行处理，使用流式算法根据功率数据判断各个设备的工作状态；
S23、引入滑动窗口，对当前时刻t与前一时刻t-1之间的数据，应用流式算法汇聚各个设备的工作状态，根据预设置的判断规则保留合法有效的数据，并根据工作状态为设备添加标签，构建每个本地用户节点中的历史数据集。
4.根据权利要求1所述的一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，深度学习神经网络用于实现多标签分类，所述特征提取子网络是基本模块为一维卷积单元的残差网络，所述设备预测子网络为多层感知机的残差网络，多标签分类使用的损失函数为Asymmetric Loss。
5.根据权利要求1所述的一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，深度学习神经网络的训练过程如下：
S41、对于每个本地用户节点，获取历史数据集并进行预处理，将历史数据集送入特征提取子网络中得到计算结果；
S42、将每个本地用户节点中的计算结果通过加密算法加密后上传云端；
S43、云端汇总所有本地用户节点的计算结果，并在云端对设备预测子网络进行训练，并将梯度回传至各个本地用户节点；
S44、本地用户节点根据接收的梯度更新特征提取子网络。
6.根据权利要求5所述的一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，所述加密算法为差分加密算法。
7.根据权利要求5所述的一种基于联邦学习的非侵入式设备状态识别方法，其特征在于，云端将梯度回传至每个本地用户节点，每个本地用户节点特征提取子网络的结构相互独立，每个本地用户节点特征提取子网络的更新相互独立。
8.一种基于联邦学习的非侵入式设备状态识别装置，其特征在于，基于如权利要求1-7中任一所述的一种基于联邦学习的非侵入式设备状态识别方法，包括：
非侵入式设备数据采集***，分别布置在各个本地用户节点中，用于对本地用户节点中干路的总电流数据进行高频采样，对本地用户节点中各并联分路的功率数据进行低频采样；
本地数据集构建模块，分别布置在各个本地用户节点中，用于根据各个本地用户节点的数据分别构建历史数据集；
本地计算单元，分别布置在各个本地用户节点中，与本地数据集构建模块通信连接，存放有特征提取子网络，用于进行训练过程中特征提取子网络的计算、更新；
云端计算单元，布置在云端，存放有设备预测子网络，用于进行训练过程中设备预测子网络的计算、更新，训练过程中，本地计算单元与云端计算单元通过加密算法进行数据传输；
检测模块，使用训练好的识别模型对设备状态进行识别。
9.根据权利要求8所述的一种基于联邦学习的非侵入式设备状态识别装置，其特征在于，使用高频数模转换芯片，以180kHz的频率非侵入式采集本地用户节点中干路的总电流数据，使用具有功率测量功能的智能插座，以1Hz的频率采集本地用户节点中各并联分路的功率数据，本地用户节点中的各设备均连入并联分路中。
10.根据权利要求9所述的一种基于联邦学习的非侵入式设备状态识别装置，其特征在于，以有线传输的方式将总电流数据传输至本地数据集构建模块，所述智能插座具有无线通信功能，以无线传输的方式将功率数据传输至本地数据集构建模块。
CN202210001823.0A 2022-01-04 2022-01-04 一种基于联邦学习的非侵入式设备状态识别方法及装置 Pending CN114462501A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210001823.0A CN114462501A (zh) 2022-01-04 2022-01-04 一种基于联邦学习的非侵入式设备状态识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210001823.0A CN114462501A (zh) 2022-01-04 2022-01-04 一种基于联邦学习的非侵入式设备状态识别方法及装置

Publications (1)

Publication Number Publication Date
CN114462501A true CN114462501A (zh) 2022-05-10

Family

ID=81407035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210001823.0A Pending CN114462501A (zh) 2022-01-04 2022-01-04 一种基于联邦学习的非侵入式设备状态识别方法及装置

Country Status (1)

Country Link
CN (1) CN114462501A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108350A (zh) * 2023-01-06 2023-05-12 中南大学 一种基于多任务学习的非侵入式电器识别方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116108350A (zh) * 2023-01-06 2023-05-12 中南大学 一种基于多任务学习的非侵入式电器识别方法及***
CN116108350B (zh) * 2023-01-06 2023-10-20 中南大学 一种基于多任务学习的非侵入式电器识别方法及***

Similar Documents

Publication Publication Date Title
CN103107886A (zh) 一种身份识别***及方法
CN105143892A (zh) 电能测量装置和使用该装置的电能测量信息标记***
CN105824837B (zh) 一种日志处理方法及装置
CN112257658B (zh) 一种脑电信号的处理方法、装置、电子设备及存储介质
CN110687404A (zh) 一种便携式局部放电检测设备
CN102208983A (zh) 针对保障性住宅住户身份识别管理***及方法
CN109391923A (zh) 一种基于5g架构的建筑能耗管理方法及***
CN114462501A (zh) 一种基于联邦学习的非侵入式设备状态识别方法及装置
CN108804696A (zh) 电力用户电器指纹库的创建方法及其***
CN108460346A (zh) 指纹识别方法及装置
CN105974220B (zh) 一种居民小区用电负荷识别***
CN111198525A (zh) 一种基于油田现场设备运转音频监控***及故障检测方法
CN106384400A (zh) 一种用于办公室的员工在岗检测***及方法
CN107843781A (zh) 电能质量监测分析***
CN113723184A (zh) 基于智能网关的场景识别***、方法、装置和智能网关
CN109064467A (zh) 小区安防的分析方法、装置及电子设备
CN203942602U (zh) 银行监控装置
CN113627547B (zh) 训练方法、电弧检测方法、装置、电子设备及存储介质
KR20230089652A (ko) 전자기기의 비침식 부하 모니터링 시스템 및 그 방법
CN108460363A (zh) 监控考勤方法、装置及***
CN112651273A (zh) 一种ai智能摄像跟踪的方法
CN114895609A (zh) 机房监控方法、装置、设备及介质
CN104183045A (zh) 基于电容感应技术的门禁***
CN111797127B (zh) 时序数据分割方法、装置、存储介质及电子设备
CN203982468U (zh) 施工现场人员考勤管理设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination