基于原型的异构联邦学习用于类别不平衡数据的风力发电机叶片结冰检测
机器学习
2025-03-12 v1 人工智能
摘要
风力发电场通常位于高纬度地区，面临叶片结冰的高风险。传统的集中式训练方法引发了严重的隐私担忧。为了增强风力发电机叶片结冰检测中的数据隐私，采用了传统的联邦学习（FL）。然而，由于在不同环境条件下的风电场收集数据导致的数据异构性，影响了模型的优化能力。此外，风力发电机数据的不平衡导致模型倾向于识别多数类，从而忽略了关键的结冰异常。为了应对这些挑战，我们提出了一种用于异构环境中类别不平衡数据的联邦原型学习模型，以检测风力发电机叶片结冰。我们还提出了一种对比监督损失函数来解决类别不平衡问题。在来自两个风电场 20 台发电机的真实数据上的实验表明，我们的方法优于五种 FL 模型和五种类别不平衡方法，与次优方法 BiFL 相比， 平均提高了 19.64%，BA 提高了 5.73%。
引用
@article{arxiv.2503.08325,
title = {Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data},
author = {Lele Qi and Mengna Liu and Xu Cheng and Fan Shi and Xiufeng Liu and Shengyong Chen},
journal= {arXiv preprint arXiv:2503.08325},
year = {2025}
}