一种基于分布式学习的电力设备运行状态诊断系统及方法与流程

本申请涉及电力运维，特别是涉及一种基于分布式学习的电力设备运行状态诊断系统及方法。

背景技术：

1、相关技术中，电力设备状态诊断与数据传输方案主要依赖集中式模型训练、传统静态加密及固定运维策略，虽在简单电网环境下能满足基础需求，但随着终端设备数量激增、工况复杂度提升，技术体系逐渐暴露出多方面突出问题：

2、诊断模型泛化能力弱且实时性不足：诊断方案多采用“终端采数-云端集中训练”的架构，一方面，电力终端分布广泛（如偏远台区、分散式光伏站点），大量原始多参量数据上传需占用高额带宽，在用电高峰期易造成传输拥堵，导致模型训练时延延长（单次训练耗时常超30分钟），无法匹配故障诊断的实时性要求；另一方面，不同场景下终端负载特性差异显著（如居民台区负载波动平缓、工业台区负载冲击大），集中式模型难以适配本地化工况，对485虚接、电路干扰等场景化故障的诊断准确率普遍低于70%，易出现“同模型不同效果”的泛化性问题，无法满足差异化运维需求。

3、数据安全与隐私保护体系不完善：电力多参量数据含敏感信息（如用户用电负荷曲线、电网拓扑关联数据），现有方案的安全防护存在明显短板：训练阶段，原始数据直接上传云端易导致用户隐私泄露，且缺乏有效的数据脱敏机制；参数传输阶段，多依赖基础tls加密，未针对模型参数设计专属验证机制，存在恶意节点伪造参数、云端篡改聚合结果的风险；终端接入阶段，多采用静态密码认证，易被破解仿冒，仿冒终端接入后可能上传虚假数据，干扰全局诊断结果，严重威胁电网数据完整性与传输安全性。

4、对于基础同态加密技术保护模型研究，仍存在明显缺陷：分布式学习节点间缺乏动态信任管理，同态加密运算开销大（终端单次加密耗时超5秒），无法适配轻量级终端（如老旧智能电表）的算力需求；且多数研究仅聚焦“诊断”或“传输”单一环节，无法从根本上解决效率、安全与协同的统筹问题。

技术实现思路

1、本申请的目的是提供一种基于分布式学习的电力设备运行状态诊断系统及方法，可确保系统的安全性，并形成“数据处理—本地训练—安全聚合—全局模型适配—动态运维调整”的协同处理流程。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种基于分布式学习的电力设备运行状态诊断系统，包括电力运维平台、云服务器以及各电力设备；云服务器与各电力设备采用双因素认证与密钥协商机制通信。

4、电力设备用于实时采集自身运行数据，并基于自身运行数据和当前的运行状态诊断模型预测电力设备的运行状态、生成运维状态信息，以及，训练运行状态诊断模型生成本地模型，对本地模型的模型参数依次执行加密和dek+kek加密封装处理，并生成本地模型摘要。

5、云服务器用于接收各电力设备通过tls信道上传的封装信息和本地模型摘要，并执行加密参数安全聚合及完整性验证，生成聚合后的全局模型参数。

6、电力设备还用于对聚合后的全局模型参数进行调整，以更新运行状态诊断模型。

7、电力运维平台用于根据实测运行状态和各电力设备的运维状态信息，生成各电力设备的运维参数，并下发至相应的电力设备。

8、第二方面，本申请提供了一种基于分布式学习的电力设备运行状态诊断方法，包括：

9、电力设备实时采集自身运行数据，并基于自身运行数据和当前的运行状态诊断模型预测电力设备的运行状态、生成运维状态信息，以及，训练运行状态诊断模型生成本地模型，对本地模型的模型参数依次执行加密和dek+kek加密封装处理，并生成本地模型摘要。

10、云服务器接收各电力设备通过tls信道上传的封装信息和本地模型摘要，并执行加密参数安全聚合及完整性验证，生成聚合后的全局模型参数。

11、电力设备对聚合后的全局模型参数进行调整，以更新运行状态诊断模型。

12、电力运维平台根据实测运行状态和各电力设备的运维状态信息，生成各电力设备的运维参数，并下发至相应的电力设备。

13、根据本申请提供的具体实施例，本申请具有了以下技术效果：

14、本申请提供了一种基于分布式学习的电力设备运行状态诊断系统及方法，电力设备运行状态诊断系统包括电力运维平台、云服务器以及各电力设备，通过电力设备实时采集自身运行数据、预测电力设备的运行状态、训练运行状态诊断模型、加密本地模型的模型参数和生成本地模型摘要，通过云服务器执行加密参数安全聚合及完整性验证，还通过电力设备对聚合后的全局模型参数进行调整（全局模型适配），以及通过电力运维平台生成电力设备的运维参数，形成“数据处理—本地训练—安全聚合—全局模型适配—动态运维调整”的协同处理流程；其中，云服务器与各电力设备采用双因素认证与密钥协商机制通信，可以有效避免恶意节点伪造节点、上传虚假数据、干扰全局诊断结果和篡改聚合结果的风险，各加密的模型参数基于dek+kek技术形成双层加密，并通过tls信道进行传输，确保传输数据的安全。

1.一种基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述系统包括电力运维平台、云服务器以及各电力设备；云服务器与各电力设备采用双因素认证与密钥协商机制通信；

2.根据权利要求1所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，在实时采集自身运行数据，并基于自身运行数据和当前的运行状态诊断模型预测电力设备的运行状态方面，所述电力设备，用于：

3.根据权利要求2所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述电力设备还包括本地服务器；

4.根据权利要求3所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述云服务器包括云处理单元；

5.根据权利要求4所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述云处理单元，还用于：

6.根据权利要求4所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述云服务器还包括信任中心ta；所述双因素认证与密钥协商机制包括：

7.根据权利要求4所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，在对聚合后的全局模型参数进行调整，并基于调整后的全局模型参数，确定运行状态诊断模型方面，所述本地服务器用于：

8.根据权利要求4所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述运行状态包括异常概率与故障类型概率；所述电力设备还用于基于所述故障类型概率和皮尔逊相关系数，确定故障类型与故障主因，并输出对应的运维建议；

9.根据权利要求1所述的基于分布式学习的电力设备运行状态诊断系统，其特征在于，所述运维参数包括各电力设备的采样频率和模型更新周期；在根据实测运行状态和各电力设备的运维状态信息，生成各电力设备的运维参数方面，所述电力运维平台用于：

10.一种基于分布式学习的电力设备运行状态诊断方法，其特征在于，所述电力设备运行状态诊断方法包括：