一种全景感知电力系统下的电能质量扰动分类方法

本发明在复杂多样的电力系统的实际场景下，为解决电能质量扰动分类中单一数据集的数据不充分问题和多源数据带来的数据异构和隐私性问题，提出了一种全景感知电力系统下的电能质量扰动分类方法，涉及联邦学习、电能质量扰动分类技术领域；该方法以联邦个性化学习为框架，在互不侵犯隐私的条件下实现多个参与方协同构建扰动数据分类模型，同时使用继承私有模型聚合历史训练中所有个性化模型，在下一轮模型更新时进行知识迁移，在模型初步收敛后停止历史模型的继承；加入了Adam算法，更有效地优化目标函数同时生成联邦通信的参数，由于该算法融合了二阶梯度的混合运算，因此在通信中难以通过梯度反演攻击获得隐私数据，有效保护隐私安全。