用于分布式太阳能电力系统隐私保护光伏故障检测的联邦卷积 Transformer 网络

《AI》：Federated Convolutional Transformer Network for Privacy-Preserving Photovoltaic Fault Detection in Distributed Solar Power Systems

　　

摘要

太阳能对全球发电做出了重大贡献，使得光伏（PV）故障检测成为确保太阳能电力系统高产出所必需的条件。在实际的太阳能安装中，运行数据在地理上分散、具有异质性且敏感，这带来了隐私限制。现有的 PV 故障检测技术依赖于集中式训练，需要将从多个发电厂收集的原始图像数据汇集到单一服务器，这导致了隐私风险、异构数据集偏差以及可扩展性问题。为了克服这些挑战，本研究提供了一种基于联邦学习（FL）的新型 PV 故障检测模型，称为联邦卷积变换网络（Fed-CVTNet），该模型在联邦学习（FL）框架内结合了卷积神经网络（CNN）和视觉变换器（ViT）架构。首先，对原始图像进行预处理以提高输入质量，并通过预训练 YOLO 模型识别感兴趣区域（ROI）。然后，提出的 Fed-CVTNet 通过仅使用联邦平均（FedAvg）共享模型更新，促进了众多地理分散客户端之间的网络化学习。实验结果表明，与在 5600 张图像数据集上训练的定制 CNN-ViT 模型以及缺乏联邦聚合的 CNN-ViT 模型相比，提出的联邦学习模型显示出显著的质量改进。该技术实现的最高准确率为 98.99%；提出的 Fed-CVTNet 具有更好的灵敏度（98.15%）和特异度（99.21%），并且比其集中式对应模型具有低得多的假阳性和假阴性率。比较分析表明，联邦权重聚合比集中式基准模型高出 2.3%，并且能有效降低数据隐私风险。