(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210730893.X (22)申请日 2022.06.24 (71)申请人 云南电网有限责任公司 地址 650200 云南省昆明市拓东路73号 (72)发明人 杨晓华　代盛国　赵永辉　杨茗　 任建宇　茶建华　杨子阳　艾渊　 李家浩　杨昊　刘兴龙　孙立元　 张益鸣　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 褚晓英 (51)Int.Cl. G01R 31/00(2006.01) H02J 13/00(2006.01) G06F 21/60(2013.01)G06F 21/62(2013.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 基于联邦学习模型的低压台区 电能质量及 负荷辨识方法 (57)摘要 本发明公开了一种基于联邦学习模型的低 压台区电能质量及负荷辨识方法， 包括构建非侵 入式负荷监测模 型， 提取低压台区用户的用电负 荷特征； 基于横向联邦学习算法， 将用电负荷特 征进行局部计算， 构建本地参数模型； 将所述参 数模型上传至中央服务器进行聚合处理； 全局模 型根据聚合结果进行更新迭代， 实现对用电质量 和符合的高效准确辨识。 本专利有利于低压台区 电能质量及负荷的辨识准确率和效率， 同时能很 好的保证用户的数据隐私。 权利要求书3页 说明书9页 附图3页 CN 115327251 A 2022.11.11 CN 115327251 A 1.一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特 征在于， 包括： 构建非侵入式负荷监测模型， 提取低压台区用户的用电负荷特 征； 基于横向联邦学习算法， 将所述用电负荷特 征进行局部计算， 构建本地 参数模型； 将所述参数模型 上传至中央服 务器进行聚合处 理； 全局模型根据聚合结果进行 更新迭代， 实现对用电质量和符合的高效准确辨识。 2.如权利要求1所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特征在于： 非侵入式负荷监测模型的构建， 包括： 模型中的负荷特征由电流高次谐波变化量、 稳态无功功率变化和稳态有功功率变化组 成； 通过提取电器从关闭到运行的相 互切换和稳态运行中挡位切换之间的负荷变化特征 向量， 从而聚合电器种类。 3.如权利要求2所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特征在于： 所述 监测模型， 还 包括： 通过智能电表数据在用户方执行非侵入式负荷监测， 获得用户的电器种类和稳态功率 特征、 稳态谐波特征等负荷特 征； 所述仪器测量的连续的瞬态电压电流数据， 表示 为： 其中， r为采样 点编号， ur为离散电压， ir为电流序， m为频率， n为时间， N为每周期采样 点 数， P为稳态有功 功率， Q为稳态无功 功率。 用电器的电流， 表示 为： i(t)＝I0+I1cos(ωt+θ1)+I2cos(2ωt+θ2)+…+Ikcos(kωt+θk) 其中， I0为直流电流分量， I1为基波电流幅值， Ik为k(k>1)次谐波电流幅值， ω为角频 率， t为时间， θk为k(k>1)次谐波电流相角。 4.如权利要求3所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特征在于： 定义电器发生了 关闭到运行， 或运行到 关闭， 或是在运行中有档位切换等使其 有功功率发生了较大改变的行为是一个事 件， 对于一个用户， 其电路入口总功率表示 为： 其中， Pt为t时刻用户人 口总有功功率， Pe为测量误差和未知电器的总有功功率， Pi,t为 电器i在t时刻的有功 功率， g为电器总数。 5.如权利要求4所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法，权　利　要　求　书 1/3 页 2 CN 115327251 A 2其特征在于： 在电器运行时瞬时有功功 率会不断波动， 通过设立一个最高波动值， 判定电器 发生事件， 包括： 设Te为总有功功率波动阈值， 当电器在稳定运行时， Pt的波动范围总是不超过Te， 表示 为： |ΔPt|＝|Pt+1‑Pt|≤Te 则事件发生时|ΔPt|>Te。 6.如权利要求5所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特征在于： 有功功率表示 为 其中， Pj+1为电器动作达到稳态后的一段时间有功功率平均值， Pj为电器动作前的稳态 有功功率平均值。 无功功率表示 为 其中， Qj+1为电器动作达到稳态后的一段时间有功功率平均值， Qj为电器动作前的稳态 有功功率平均值。 7.如权利要求6所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特征在于： 计算电流谐波变化量时， 需要考虑电流谐波相角的变化， k次电流谐波幅值变 化量为： 其中， t1为电器动作前的时刻， t2为电器动作后的时刻， 为t1时刻k次谐波电流幅值， 为t2时刻k次谐波电流幅值， 为t1时刻k次谐 波电流相角， 为t2时刻k次谐 波电 流相角。 对所述采集的电流谐波量数据进行傅里叶变换， 表示 为： Ri＝fFFT(i) fi(k)＝(k‑1)fs/Ns 其中， fFFT为FFT运算， i为运算的电流序列， Ns为fFFT运算的电流序列长度， Ri为i经过FFT 运算后长度为 Ns的幅值序列， fi(k)为实际频率序列， fs为采样频率。 8.如权利要求1所述的一种基于联邦学习模型的低压台区电能质量及负荷辨识方法， 其特征在于： 所述联邦学习， 包括： 定义联邦学习为： 设每个用户的负荷数据为[D1,D2,…DN]， 有N个这样的用户共同参与 模型的训练， 表示 为：权　利　要　求　书 2/3 页 3 CN 115327251 A 3