一种基于云边端的电力数据分类方法及装置与流程

本技术涉及数据处理，尤其涉及一种基于云边端的电力数据分类方法及装置。

背景技术：

1、电力数据分类是智能电网建设中需要重点关注的技术。但是电网智能终端采集的时间序列数据一般存在明显的低质量问题，例如，由于智能终端设备通信故障、传感器故障和人为操作失误等因素，常常会导致获取的数据出现数值缺失和大量的电力样本类别标记错误的问题。

2、近年来云边端交互方案的相关技术在电力系统场景上涵盖了电力数据的采集、处理和智能分析等诸多方面应用。虽然云边端交互方案能够实现数据的分析处理；但如果直接利用云边端模型对原始标注的电力数据进行挖掘分析，这会降低模型的鲁棒性，分析结果也难以满足实际数据应用需求。

技术实现思路

1、本技术提供了一种基于云边端的电力数据分类方法及装置，用于解决现有技术对低质量电力数据的分类缺乏鲁棒性和准确性，难以满足实际数据应用需求的技术问题。

2、有鉴于此，本技术第一方面提供了一种基于云边端的电力数据分类方法，包括：

3、通过终端设备将获取的预置电力数据集上传至边缘层；

4、通过所述边缘层采用预置电力数据集对初始局部分类模型进行时频协同分类训练，得到局部训练分类模型；

5、通过云层采用联邦学习范式依据所述局部训练分类模型的模型参数和预设置信数据集对初始全局分类模型进行微调训练，得到全局训练分类模型；

6、根据所述全局训练分类模型的模型参数对所述边缘层的所述局部训练分类模型进行参数更新，得到优化局部分类模型；

7、将优化局部分类模型发送至所述终端设备，通过所述终端设备根据所述优化局部分类模型对当前低质量电力数据进行分类，得到目标分类结果。

8、优选地，所述通过终端设备将获取的预置电力数据集上传至边缘层，之前还包括：

9、通过终端设备采集初始电力数据，所述初始电力数据包括缺值数据和错误标记数据；

10、对所述初始电力数据进行归一化处理和缺失值填充处理，得到预置电力数据集。

11、优选地，所述通过所述边缘层采用预置电力数据集对初始局部分类模型进行时频协同分类训练，得到局部训练分类模型，包括：

12、通过所述边缘层采用快速傅里叶变换算法在时域上的预置电力数据集中提取频域信息，构建时频数据集，所述时频数据集包括时域电力数据和频域电力数据；

13、基于局部时频损失函数采用所述时频数据集对初始局部分类模型中的时域网络和频域网络进行时频交叉协同分类训练，得到局部训练分类模型，所述局部时频损失函数包括时域损失、频域损失和对比损失。

14、优选地，所述基于局部时频损失函数采用所述时频数据集对初始局部分类模型中的时域网络和频域网络进行时频交叉协同分类训练，得到局部训练分类模型，还包括：

15、分别根据所述时域损失和所述频域损失在所述时频数据集中筛选出对应的时域置信样本和频域置信样本；

16、基于所述时域置信样本和所述频域置信样本构建每个所述局部训练分类模型的预设置信数据集。

17、优选地，所述通过云层采用联邦学习范式依据所述局部训练分类模型的模型参数和预设置信数据集对初始全局分类模型进行微调训练，得到全局训练分类模型，包括：

18、通过云层采用联邦学习范式根据所述局部训练分类模型的模型参数和预设置信数据集确定初始全局分类模型的模型参数，得到调参全局分类模型；

19、基于所述预设置信数据集对所述调参全局分类模型进行微调训练，得到全局训练分类模型。

20、本技术第二方面提供了一种基于云边端的电力数据分类装置，包括：

21、电力数据上传单元，用于通过终端设备将获取的预置电力数据集上传至边缘层；

22、局部模型训练单元，用于通过所述边缘层采用预置电力数据集对初始局部分类模型进行时频协同分类训练，得到局部训练分类模型；

23、全局模型训练单元，用于通过云层采用联邦学习范式依据所述局部训练分类模型的模型参数和预设置信数据集对初始全局分类模型进行微调训练，得到全局训练分类模型；

24、局部模型调整单元，用于根据所述全局训练分类模型的模型参数对所述边缘层的所述局部训练分类模型进行参数更新，得到优化局部分类模型；

25、终端设备分类单元，用于将优化局部分类模型发送至所述终端设备，通过所述终端设备根据所述优化局部分类模型对当前低质量电力数据进行分类，得到目标分类结果。

26、优选地，还包括：

27、数据采集单元，用于通过终端设备采集初始电力数据，所述初始电力数据包括缺值数据和错误标记数据；

28、预处理单元，用于对所述初始电力数据进行归一化处理和缺失值填充处理，得到预置电力数据集。

29、优选地，所述局部模型训练单元，包括：

30、时频分析子单元，用于通过所述边缘层采用快速傅里叶变换算法在时域上的预置电力数据集中提取频域信息，构建时频数据集，所述时频数据集包括时域电力数据和频域电力数据；

31、分类训练子单元，用于基于局部时频损失函数采用所述时频数据集对初始局部分类模型中的时域网络和频域网络进行时频交叉协同分类训练，得到局部训练分类模型，所述局部时频损失函数包括时域损失、频域损失和对比损失。

32、优选地，还包括：

33、样本筛选单元，用于分别根据所述时域损失和所述频域损失在所述时频数据集中筛选出对应的时域置信样本和频域置信样本；

34、置信构建单元，用于基于所述时域置信样本和所述频域置信样本构建每个所述局部训练分类模型的预设置信数据集。

35、优选地，所述全局模型训练单元，具体用于：

36、通过云层采用联邦学习范式根据所述局部训练分类模型的模型参数和预设置信数据集确定初始全局分类模型的模型参数，得到调参全局分类模型；

37、基于所述预设置信数据集对所述调参全局分类模型进行微调训练，得到全局训练分类模型。

38、从以上技术方案可以看出，本技术实施例具有以下优点：

39、本技术中，提供了一种基于云边端的电力数据分类方法，包括：通过终端设备将获取的预置电力数据集上传至边缘层；通过边缘层采用预置电力数据集对初始局部分类模型进行时频协同分类训练，得到局部训练分类模型；通过云层采用联邦学习范式依据局部训练分类模型的模型参数和预设置信数据集对初始全局分类模型进行微调训练，得到全局训练分类模型；根据全局训练分类模型的模型参数对边缘层的局部训练分类模型进行参数更新，得到优化局部分类模型；将优化局部分类模型发送至终端设备，通过终端设备根据优化局部分类模型对当前低质量电力数据进行分类，得到目标分类结果。

40、本技术提供的基于云边端的电力数据分类方法，基于云边端模型对低质量电力数据进行分类处理，在此过程中，通过时频协同分类训练的方式对边缘层的初始局部分类模型进行分类训练，可以提高局部训练分类模型抵抗错误数据标签的能力；而通过微调训练对初始全局分类模型进行调整则可以提升模型的鲁棒性；此外，利用联邦学习范式训练全局分类模型可以共享不同场景电力数据信息的特性，提高模型对电力数据信息的敏感度，进而保证分类结果的准确性。因此，本技术能够解决现有技术对低质量电力数据的分类缺乏鲁棒性和准确性，难以满足实际数据应用需求的技术问题。