一种基于联邦学习的电能质量扰动分类方法

本发明涉及电能质量扰动分类技术领域，具体涉及一种基于联邦学习的电能质量扰动分类方法；以联邦学习和原型学习为理论基础，考虑在新型分布式电力系统下，不同电力部门之间电能质量扰动数据存在的异质性和隐私性，提出了一种基于联邦学习的电能质量扰动分类方法；该方法以联邦学习为框架实现多个参与方协同训练扰动信号分类模型，利用原型在样本空间中具有较强的覆盖性以及能够反映数据全局特性的优点，作为电能质量扰动异构数据的优化方法，同时本地原型是通过平均样本的深度特征生成的，因此具有不可逆的特点，无法通过反向推理攻击手段获得确切的敏感信息，具有较强的隐私保护能力。