http:/WWWos-info.com145AutomationofElectricPowerSystems2023年5月25日第10期第47卷电力系统自动化DOI:10.7500/AEPS20220112003Vol.47No.10May25,2023基于联邦学习的含不平衡样本数据电力变压器故障诊断郭方洪1，刘师硕1，吴祥1，陈博，张文安1，葛其运（1.浙江工业大学信息工程学院，浙江省杭州市310014；2.科润智能控制股份有限公司，浙江省衢州市324100）摘要：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%。关键词：电力变压器；故障诊断；LeNet-5网络；联邦学习；非独立同分布数据0引言电力变压器作为电力系统的核心设备之一，掌控着电网中的能量转换与电力传输，其运行状态关系着整个电力系统的安全稳定[1。随着经济的快速发展，国内对电力的需求急剧增加。工信部统计数据显示，截至2020年，中国电力变压器的在网投运总量约1700万台，并仍呈现上升趋势。因此，对变压器是否发生故障及发生何种故障进行准确诊断是保证电力系统正常运行、减少经济损失的重要举措。油中溶解气体分析法（DGA）是国际电工委员会和中国电力行业共同推荐的一种变压器故障典型检测方法[2-3]。该方法通过对油浸式变压器内部绝缘材料分解产生的甲烷、乙烷、乙烯、乙炔和氢气含量进行分析，从而实现对变压器的低温过热、中温过热、高温过热、局部放电、低能放电和电弧放电等故障类型的诊断[4]。改良三比值法[5]是在DGA基础上提出的经典变压器故障诊断方法，随着机器学习技术的迅速发展，越来越多结合改良三比值法的智能机器学习方法被应用于变压器故障诊断领域，例如反向传播（BP)神经网络[6]、极限学习机(ELM)[7)和支持向量机（SVM)[8]等。但是上述方法均为浅层学习方法，对数据的分析能力较弱，无法在实际工业环境中取得较好的...
