典型文献
基于信息熵的联邦学习异常用电识别
文献摘要：
为了识别出异常用电,便于电力企业进行后续的故障定位与检修,众多异常用电识别模型被提出.现有方法要求将分散在各个供电公司的数据汇集起来,统一进行模型构建.然而,这种中心化的数据汇集操作可能会在数据传输时造成用户数据泄露.为保证用户用电数据的隐私性,提出一种基于信息熵的联邦学习异常用电识别模型.该模型借助于联邦学习范式中"模型本地训练、参数在线更新"的计算策略,以存储在不同客户端的数据块作为训练数据,避免了集中式模型训练所带来的潜在数据泄露风险.此外,在联邦学习中间参数聚合过程中,各个客户端数据质量之间的差异性可能会给模型性能带来潜在影响.因此,引入Kozachenko-Leonenko k近邻评估算法获取客户端数据集的信息熵,以此表示各个客户端中间参数在聚合过程中对模型最终参数的贡献.仿真结果表明,基于信息熵的联邦学习异常用电识别方法能够在保证数据隐私的情况下,有效地识别出异常用电数据.
文献关键词：
电力数据分析;异常识别;信息熵;联邦学习;神经网络;智能电网
中图分类号：
作者姓名：
杨冠群;刘荫;郑海杰;张闻彬;汤琳琳;王高洲
作者机构：
国网山东省电力公司信息通信公司,山东济南250021
文献出处：
引用格式：
[1]杨冠群;刘荫;郑海杰;张闻彬;汤琳琳;王高洲-.基于信息熵的联邦学习异常用电识别)[J].软件导刊,2022(10):123-130
A类：
Kozachenko,Leonenko
B类：
信息熵,联邦学习,异常用电识别,电力企业,故障定位,检修,识别模型,供电公司,数据汇集,数据传输,用户数据,数据泄露,户用,用电数据,隐私性,借助于,学习范式,在线更新,计算策略,客户端,数据块,训练数据,集中式,模型训练,泄露风险,数据质量,模型性能,潜在影响,近邻,评估算法,保证数据,数据隐私,电力数据分析,异常识别,智能电网
AB值：
0.321184
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
