一种考虑图像数据隐私的调峰电源设备状态评估方法与流程

1.本发明涉及调峰电源设备技术领域，尤其涉及一种考虑图像数据隐私的调峰电源设备状态评估方法。


背景技术：

2.作为大型水电站的重要设备之一，调整电源主要包括发电站和变压器机组，维持其安全稳定运行具有重要的意义。然而由于设备构造本身以及运行环境的复杂，需要能够及时的发现运行过程中存在的潜在故障以及对发生的故障进行准确的分类和诊断。
3.目前利用图片数据对设备仅行故障诊断，数据驱动的模型需要从过往的历史样本案例数据中，挖掘参考特征和故障类型的关系，从而实现对设备的故障诊断和状态评估。因为这些设备状态信息会蕴含设备制造的一些隐藏信息，在一个竞争的市场环境下，每个设备厂商上并不愿意直接共享他们存储的样本案例库和设备状态信息。一旦直接公开设备监测信息，竞争对上便会从数据中推断出该设备的一些商业机密信息。但是数据驱动的模型性能又和输入数据的质量和大小有着密切的关系。如果没有充足且高质量的数据训练模型，最后得到的模型往往会效果很差而且具有很低的泛化能力。


技术实现要素：

4.因此，本发明解决的技术问题是：目前利用图片数据对设备仅行故障诊断，数据驱动的模型需要从过往的历史样本案例数据中，挖掘参考特征和故障类型的关系，从而实现对设备的故障诊断和状态评估。因为这些设备状态信息会蕴含设备制造的一些隐藏信息，在一个竞争的市场环境下，每个设备厂商上并不愿意直接共享他们存储的样本案例库和设备状态信息。一旦直接公开设备监测信息，竞争对上便会从数据中推断出该设备的一些商业机密信息。但是数据驱动的模型性能又和输入数据的质量和大小有着密切的关系。如果没有充足且高质量的数据训练模型，最后得到的模型往往会效果很差而且具有很低的泛化能力。
5.为解决上述技术问题，本发明提供如下技术方案：一种考虑图像数据隐私的调峰电源设备状态评估方法，包括对原始图片进行高斯滤波；对所述高斯滤波后的图片进行图像增强；生成训练样本和测试数据；对所述图像增强后的图片进行调峰电源设备状态评估。
6.作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：对原始图片进行高斯滤波包括：
7.对原始图片进行灰度像素转换；
[0008][0009]
其中，(p,q)表示转换区域，(x，y)表示像素坐标，g表示像素点，h表示灰度值，对于区域为的像素点(p,q)，其中每个像素点g经过均值滤波之后的像素变为：
[0010]
对进行灰度像素转换后的原始图片进行高斯滤波，消除图片中的高频噪声；
[0011]
通过计算每一个像素周围邻域像素的加权平均值作为该像素点，其计算过程如下：
[0012][0013][0014]
其中，(i0,j0)表示中心点的坐标，σ2表示高斯函数曲线的宽度，g表示滤波后像素点，e表示亮度系数，对每个像素点进行高斯滤波后，所有像素点集合就是高斯滤波后图片。
[0015]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：对所述高斯滤波后的图片进行图像增强包括：
[0016]
对滤波后的图片进行直方图均衡化处理，提高图片的对比度；
[0017][0018]
灰度累计分部函数可以计算为：
[0019][0020]
则图片的直方图均衡变化函数可以表示为：
[0021]gr
′
＝r((r-1),υr)
[0022]
其中，r(
·
)表示四舍五入的近似函数，gr表示第r个灰度级，nr表示图片中对于第r个灰度级的像素的数目。
[0023]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：在原图层上滑动卷积图并进行卷积操作来实现局部信息的感知，卷积操作的过程如下：
[0024][0025]
其中，x
i-1,j
为第i-1层第j个输入信息，表示卷积运算操作，和表示对应的卷积核的权重和偏置，表示第i层第j个输出信息。
[0026]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：利用池化操作对提取的特征图进行下采样来降低特征的冗余度，池化操作计算表达式为：
[0027][0028]
其中，表示在长为p宽为q的区域内的最大值，表示最大池化层的输出。
[0029]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：采用常用的relu作为激活函数增加模型的非线性特征，其计算表达式为：
[0030][0031]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：使用softmax函数区分不同的故障类型，softmax函数计算表达式为：：
[0032][0033]
其中，zn是第n个节点的输出值，n是节点的个数也是需要分类的类别个数。
[0034]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：为了降低特征提取的复杂度，采用平均池化操作和最大池化操作来降低模型的参数，和分别表示通过平均池化层和最大池化层后的输出特征，将其并联之后输入到多层全连接层得到通道的特征图表示hc，通过元素之间的加法操作来合并这些输出的特征信息，其计算表达式为：
[0035][0036]
其中，σ(
·
)表示sigmoid激活函数，表示多层全连接层的参数。
[0037]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：通过空间注意力机制定位重要隐藏层参数的位置，所述空间注意力机制同样采用了平均池化和最大池化操作来降低参数的维度，并且平均池化和最大池化操作之间通过串联的形式将进行连接，和分别表示通过平均池化层和最大池化层后的输出特征，之后连接卷积操作得到空间注意力参数结果，其计算表达式为：
[0038][0039]
其中，f5×5(
·
)表示过滤器大小为5
×
5的卷积操作。
[0040]
作为本发明所述的一种考虑图像数据隐私的调峰电源设备状态评估方法的一种优选方案，其中：利用残差连接的双注意力机制卷积网络来对调峰电源的运行状态进行评估并对存在的故障类型进行分类，其计算表达式为：
[0041][0042]
其中，j(
·
)表示交叉熵函数，f(x)表示网络输出的分类结果，yk表示标签类型，ω是模型的参数
[0043]
本发明的有益效果：将双注意力机制的卷积神经网络作为基础的分类模型，通过通道注意力机制和空间注意力机制提高图像中重点区域的权重来提升模型的分类能力。同时，为了保护参与训练的像素的数据隐私，使用了一种联邦学习的分布式训练模式。每个独立像素只利用本地存储的数据训练其本地模型，然后通过中央服务器进行参数的交换和聚合来更新中央网络的参数，然后中央网络将参数发送到本地模型中进行更新。通过联邦学习的模式，在保证模型分类效果的同时，像素的本地数据并没有暴露，从而保证了数据的隐
私。
附图说明
[0044]
图1为本发明一个实施例提供的一种考虑图像数据隐私的调峰电源设备状态评估方法的诊断模型方法步骤示意图。
[0045]
图2为本发明一个实施例提供的一种考虑图像数据隐私的调峰电源设备状态评估方法的诊断模型整体流程示意图。
[0046]
图3为本发明一个实施例提供的一种考虑图像数据隐私的调峰电源设备状态评估方法的注意力机制模块。
[0047]
图4为本发明一个实施例提供的一种考虑图像数据隐私的调峰电源设备状态评估方法的注意力卷积网络模型。
[0048]
图5为本发明一个实施例提供的一种考虑图像数据隐私的调峰电源设备状态评估方法的联邦学习框架。
[0049]
图6为本发明一个实施例提供的一种考虑图像数据隐私的调峰电源设备状态评估方法的不同制造商个数的影响。
具体实施方式
[0050]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0051]
一种考虑图像数据隐私的调峰电源设备状态评估方法，具体包括：
[0052]
s1：对原始图片进行高斯滤。用于抑制和消除原始图像中的噪声点。
[0053]
对原始图片进行图片滤波处理具体包括：
[0054]
对原始图片进行均值滤波，消除区域内的尖锐噪声。
[0055]
对原始图片进行灰度像素转换，其中每个独立像素经过灰度像素转换之后的像素变为：
[0056][0057]
一般窗口(p,q)不宜过大，应为会抹去掉图片的细节，但是也不宜过小，会增加模型的计算复杂度。一般窗口选择3
×
3或者5
×
5。
[0058]
对原始图片进行高斯滤波，消除图片中的高频噪声。
[0059]
通过计算每一个像素周围邻域像素的加权平均值作为该像素点。其计算过程如下：
[0060][0061][0062]
其中，(i0,j0)是中心点的坐标，σ2是高斯函数曲线的宽度。
[0063]
s2：对所述高斯滤波后的图片进行图像增强。
[0064]
对滤波后的图片进行直方图均衡化，提高图片的对比度。对于一张像素数为s的像素范围在[0,255]的图像中：
[0065][0066]
灰度累计分部函数可以计算为：
[0067][0068]
则图像的直方图均衡变化函数可以表示为：
[0069]gr
′
＝r((r-1),υr)
[0070]
其中，(i0,j0)表示中心点的坐标，σ2表示高斯函数曲线的宽度，g表示滤波后像素点，e表示亮度系数，对每个像素点进行高斯滤波后，所有像素点集合就是高斯滤波后图片。
[0071]
s3：对所述图像增强后的图片进行调峰电源设备状态评估。
[0072]
在原图层上滑动卷积图并进行卷积操作来实现局部信息的感知，其计算表达式为：
[0073][0074]
其中，x
i-1,j
为第i-1层第j个输入信息，表示卷积运算操作，和表示对应的卷积核的权重和偏置，表示第i层第j个输出信息。
[0075]
利用池化操作对提取的特征图进行下采样来降低特征的冗余度，池化操作可以表示为：
[0076][0077]
其中，表示在长为p宽为q的区域内的最大值，表示最大池化层的输出。
[0078]
s4:对所述图像增强后的图片进行调峰电源设备状态评估。
[0079]
采用常用的relu作为激活函数，具体的计算公式如下：
[0080][0081]
用softmax函数区分不同的故障类型。softmax函数可以表示为：
[0082][0083]
其中，zn是第n个节点的输出值，n是节点的个数也是需要分类的类别个数。
[0084]
为了降低特征提取的复杂度，采用平均池化操作和最大池化操作来降低模型的参数。令和表示通过平均池化层和最大池化层后的输出特征，将其并联之后输入到多层全连接层得到通道的特征图表示hc。通过元素之间的加法操作来合并这些输出的特征信息，整个计算过程表示如下：
[0085][0086]
其中，σ(
·
)表示sigmoid激活函数，表示多层全连接层的参数。
[0087]
在注意力机制模块中，除了通道注意力机制，还采用了空间注意力。空间注意力机制的作用是定位重要隐藏层参数的位置。类似于通道注意力机制，空间注意力同样采用了平均池化和最大池化操作来降低参数的维度，不过是串联的形式将这两个层进行连接。令和表示通过平均池化层和最大池化层后的输出特征，之后连接卷积操作得到空间注意力参数结果，整个计算过程如下：
[0088][0089]
其中，f5×5(
·
)表示过滤器大小为5
×
5的卷积操作。
[0090]
利用残差连接的双注意力机制卷积网络来对调峰电源的运行状态进行评估并对存在的故障类型进行分类，其计算表达式为：
[0091][0092]
其中，j(
·
)表示交叉熵函数，f(x)表示网络输出的分类结果，yk表示标签类型，ω是模型的参数。
[0093][0094][0095]
实验数据：
[0096]
本发明的样本图片都是电力公司提供的真实样本数据。每个图片都会进行高斯滤波和图像增强来提高图片的质量。将20％的图片作为测试数据，其余的数据作为训练样本来训练模型。
[0097]
实验结果与分析:
[0098]
本发明利用联邦学习框架，通过一种考虑数据隐私的分布式训练模型来对调峰电源的运行状态进行评估并对故障类型进行分类。为了和本发明方法的效果进行对比，选用了常见的几种模型就行比较，分别是多层感知机网络(multiple-layer neural network，mln)、支持向量机(support vector machien，svm)以及普通的神经网络(convolutional neural network，cnn)。每种模型按照不同的训练模式又可以分为本地训练(localized training，lt)和中央集成训练(centralized training，ct)。本地训练是只利用每个独立
服务商存储在本地的数据进行训练，而中央集成训练则是把所有的数据汇集在一起，然后利用这个较大的数据集来训练分类模型。选用分类准确率(acc)和f1-score对各个方法进行综合评价。
[0099]
所有模型都只利用本地的数据集进行训练，即采用本地训练模式最后的分类模型。模型的性能结果如表1所示。从表中结果可知，分类模型对于正常状态的评估准确率比其他故障状态的分类准确率要高。在所有的分类结果中，本文使用的双注意力卷积神经网络都取得了最好的结果。相比于普通的卷积神经网络，双注意力卷积神经网络在分类准确率上最大提升了9.8％，在f1-score指标acc上最大提升了8.8％，而和简单的支持向量机模型相比，则在准确率acc上最大提升了25.9％。通过对比可知，带有双注意力机制的卷积神经网络在图片分类上具有较高的准确性，从而更加适合用来作为调峰电源设备状态评估的分类模型的基础模型架构。
[0100]
表1：模型的性能结果表。
[0101][0102]
然后本方法比较了不同训练模型下模型的分类结果。在这一算例中，都采用双注意力机制的卷积神经网络作为基本的分类模型网络结果。假设有4个不同的设备像素，每个像素拥有总训练数据的25％的训练样本。不同训练模式下的模型性能结果如表2所示。从中可知，本地训练模式的模型性能最差。这是因为本地训练模式只利用本地存储的样本来训练网络，因为数据量邮箱，所以最终得到的训练模型效果并不理想。对比来看，集中式训练模型的性能最优，因为它能使用所有的训练样本训练模型，然而这样会带来数据隐私的问题。相比于集中式训练模式，本发明采用的联邦学习训练模式得到的模型也能得到接近于集中式训练模型的分类性能。但是联邦学习的过程中，只共享了参数信息，并没有暴露每个独立像素的原始数据，从而保护了数据隐私，更加适用于实际的应用中。
[0103]
表2，不同训练模式下模型的性能结果表
[0104][0105]
最后比较不同像素个数对模型性能的影响。当有k个像素时，每个像素只拥有总数据量的的数据来训练模型。以诊断局部放电故障的结果为例，不同训练模式下模型的分类准确率acc结果如图5所示。从图中可以看出，随着像素个数的增加，每个像素拥有的训练样本会减少，从而导致本地训练模式下的模型lt-bacnn分类效果很差，尤其当像素达到6个以上时，分类准确率已经低于了50％。而联邦训练模式下的模型分类结果并不受影响，已经和集中式训练模型的结果接近。从此可知，这种分布式的训练模式既可以保证最终模型的分类效果，同时又能保护数据的隐私问题。
[0106]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于，包括：对原始图片进行高斯滤波；对所述高斯滤波后的图片进行图像增强；生成训练样本和测试数据；对所述图像增强后的图片进行调峰电源设备状态评估。2.如权利要求1所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：对原始图片进行高斯滤波包括：对原始图片进行灰度像素转换；其中，(p,q)表示转换区域，(x，y)表示像素坐标，g表示像素点，h表示灰度值，对于区域为的像素点(p,q)：对进行灰度像素转换后的原始图片进行高斯滤波，消除图片中的高频噪声；通过计算每一个像素周围邻域像素的加权平均值作为该像素点，其计算过程如下：通过计算每一个像素周围邻域像素的加权平均值作为该像素点，其计算过程如下：其中，(i0,j0)表示中心点的坐标，σ2表示高斯函数曲线的宽度，g表示滤波后像素点，e表示亮度系数，对每个像素点进行高斯滤波后，所有像素点集合就是高斯滤波后图片。3.如权利要求1所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：对所述高斯滤波后的图片进行图像增强包括：对滤波后的图片进行直方图均衡化处理，提高图片的对比度；灰度累计分部函数可以计算为：则图片的直方图均衡变化函数可以表示为：g
r
′
＝r((r-1),υ
r
)其中，r(
·
)表示四舍五入的近似函数，gr表示第r个灰度级，nr表示图片中对于第r个灰度级的像素的数目。4.如权利要求3所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：
在原图层上滑动卷积图并进行卷积操作来实现局部信息的感知，其计算表达式为：其中，x
i-1,j
为第i-1层第j个输入信息，表示卷积运算操作，和表示对应的卷积核的权重和偏置，表示第i层第j个输出信息。5.如权利要求4所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：利用池化操作对提取的特征图进行下采样来降低特征的冗余度，池化操作计算表达式为：其中，表示在长为p宽为q的区域内的最大值，表示最大池化层的输出。6.如权利要求5所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：采用常用的relu作为激活函数增加模型的非线性特征，其计算表达式为：。7.如权利要求6所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：使用softmax函数区分不同的故障类型，softmax函数计算表达式为：其中，z
n
是第n个节点的输出值，n是节点的个数也是需要分类的类别个数。8.如权利要求7所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：为了降低特征提取的复杂度，采用平均池化操作和最大池化操作来降低模型的参数，和分别表示通过平均池化层和最大池化层后的输出特征，将其并联之后输入到多层全连接层得到通道的特征图表示h
c
，通过元素之间的加法操作来合并这些输出的特征信息，其计算表达式为：其中，σ(
·
)表示sigmoid激活函数，w
cmlp
表示多层全连接层的参数。9.如权利要求8所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：通过空间注意力机制定位重要隐藏层参数的位置，所述空间注意力机制同样采用了平均池化和最大池化操作来降低参数的维度，并且平均池化和最大池化操作之间通过串联的
形式将进行连接，和分别表示通过平均池化层和最大池化层后的输出特征，之后连接卷积操作得到空间注意力参数结果，其计算表达式为：其中，f5×5(
·
)表示过滤器大小为5
×
5的卷积操作。10.如权利要求9所述的一种考虑图像数据隐私的调峰电源设备状态评估方法，其特征在于：利用残差连接的双注意力机制卷积网络来对调峰电源的运行状态进行评估并对存在的故障类型进行分类，其计算表达式为：其中，j(
·
)表示交叉熵函数，f(x)表示网络输出的分类结果，y
k
表示标签类型，ω是模型的参数。

技术总结
本发明公开了一种考虑图像数据隐私的调峰电源设备状态评估方法，涉及调峰电源设备技术领域，包括对原始图片进行高斯滤波；对所述高斯滤波后的图片进行图像增强；生成训练样本和测试数据；对所述图像增强后的图片进行调峰电源设备状态评估。为了保护参与训练的像素的数据隐私，使用了一种联邦学习的分布式训练模式。每个独立像素只利用本地存储的数据训练其本地模型，然后通过中央服务器进行参数的交换和聚合来更新中央网络的参数，然后中央网络将参数发送到本地模型中进行更新。通过联邦学习的模式，在保证模型分类效果的同时，像素的本地数据并没有暴露，从而保证了数据的隐私。从而保证了数据的隐私。从而保证了数据的隐私。


技术研发人员：乐振春 荆岫岩 陈龙翔 金一川 王永潭 夏斌强 陈建国 许永鹏 严英杰 刘亚东 江秀臣
受保护的技术使用者：国网新源控股有限公司 国网浙江省电力有限公司绍兴供电公司
技术研发日：2023.05.29
技术公布日：2023/9/23