基于联邦学习的含不平衡样本数据电力变压器故障诊断

基于海量样本数据的深度神经网络可以显著提升电力变压器的故障诊断效果，但实际环境中各变压器本地数据被“数据孤岛”隔离，难以进行集中式深度训练。联邦学习可以实现多源数据的共同建模，但各变压器的非独立同分布不平衡数据会使算法性能严重下降。针对上述问题，提出一种基于联邦学习的含不平衡样本数据电力变压器故障诊断机制。与传统深度学习集中训练方式不同，文中采用多个参与者分布训练方式。每个参与者采用LeNet-5深度神经网络进行本地训练，中央服务器将本地模型进行聚合，同时引入改进的数据共享策略对云端共享数据进行选择性下发，以降低非独立同分布数据的不平衡性。实验结果证明，该机制实现了各变压器独立且不平衡数据的协同训练，对变压器故障类型的诊断精度可达到97%。