用于光伏电站协同故障诊断的异步去中心化联邦学习
机器学习
2022-03-01 v1 人工智能
计算工程、金融与科学
分布式、并行与集群计算
摘要
由于各类光伏(PV)阵列故障造成的损耗不同，准确诊断故障类型日益重要。与单一电站相比，多个光伏电站可收集充足故障样本，但因潜在利益冲突其数据不允许直接共享。因此，可利用联邦学习训练协同故障诊断模型。然而，由于各光伏电站计算能力与数据量不同，模型更新机制严重影响建模效率。此外，为保障光伏系统安全稳定运行，必须保证协同建模的鲁棒性，而非简单地在中心服务器上处理。为应对这些挑战，提出一种新颖的异步去中心化联邦学习(ADFL)框架。每个光伏电站不仅训练本地模型，还通过交换模型参数参与协同故障诊断，从而在保持精度同时提升泛化性。全局模型分布式聚合以避免中心节点故障。通过设计异步更新方案，通信开销与训练时间大幅降低。实验与数值仿真均验证了所提方法的有效性。
引用
@article{arxiv.2202.13606,
title = {Asynchronous Decentralized Federated Learning for Collaborative Fault Diagnosis of PV Stations},
author = {Qi Liu and Bo Yang and Zhaojian Wang and Dafeng Zhu and Xinyi Wang and Kai Ma and Xinping Guan},
journal= {arXiv preprint arXiv:2202.13606},
year = {2022}
}