FedSTS：异构边缘环境下用于电缆局部放电识别的个性化联邦结构化拓扑搜索

《Electric Power Systems Research》：FedSTS: Personalized federated structured topology search for cable partial discharge recognition in heterogeneous edge environments

　　

• •
  提出了FedSTS框架，用于边缘端的个性化联邦电缆局部放电（PD）识别。
• •
  LAMR在异构数据和类别不平衡条件下改善了通道搜索性能。
• •
  高斯UCB与AMUS稳定了通道级结构化拓扑的演化过程。
• •
  FedSTS提升了识别性能与边缘推理效率。

引言

关键电力设备的绝缘状况，包括电缆、变压器和气体绝缘开关设备（GIS），是电力系统安全运行与可靠运行的基础 [1]。局部放电（PD）被广泛认为是绝缘老化的早期表现，能够在灾难性故障发生前揭示缺陷的初期演变。因此，准确且低延迟的PD模式识别对于状态评估、故障预警和维护决策具有重要的实际意义 [2], [3]。

深度学习，特别是卷积神经网络（CNNs），在从相位分辨局部放电（PRPD）模式中提取判别性表示方面展现了强大的能力，已被广泛应用于电力设备中的放电类型识别 [4], [5]。然而，实际的PD监测通常分布在多个变电站、电缆区段或边缘终端上。将高频监测数据直接传输到中央服务器可能会带来可观的通信开销，并可能暴露设备状况或站点特定的信息。电力物联网（IoT）和边缘计算的发展使得PD数据能够在更接近监测终端的位置进行处理，减少了对大规模原始信号传输的需求 [6]。在此基础上，联邦学习（FL）为跨多个监测站点的PD模型训练提供了一种数据本地化的协同训练范式，其中原始监测数据保留在本地客户端，交换的是模型相关信息而非原始信号 [7], [8], [9]。然而，这种数据本地化特性不应被解读为正式的隐私保证，因为共享的模型更新、本地损失和梯度导出的统计信息可能仍然会泄露本地数据分布的相关信息。

尽管如此，将标准联邦学习直接应用于边缘PD识别仍然具有挑战性。在实际电网环境中，从不同监测节点收集的PD数据通常表现出显著的统计异质性，这是由于设备类型、缺陷形态、运行条件和采样环境的差异所致 [10]。不同缺陷类别之间样本可用性的不均衡也可能导致全局类别不平衡。当全局类别不平衡与客户级非独立同分布（Non-IID）标签偏移共存时，统一的全局分类器可能导致客户端漂移和决策边界冲突，从而削弱本地适应性。此外，边缘终端受计算能力、存储、供电和通信带宽的限制，使得全尺寸深度模型的持续训练和推理变得困难。

为减少联邦学习的资源开销，模型剪枝和动态稀疏训练已被引入联邦优化中 [11], [12], [13]。最近，基于多臂老虎机和上下文多臂老虎机（CMAB）的剪枝方法提供了一种通过在模型压缩过程中平衡探索与利用来进行顺序稀疏拓扑搜索的有前景的方法 [14], [15]。这种思路对于异构联邦学习很有吸引力，因为它避免了纯粹的贪心拓扑选择，并允许稀疏结构根据训练反馈进行演化。然而，现有的基于CMAB的剪枝方法对于边缘PD识别仍然不足。首先，非结构化稀疏性难以在通用边缘硬件上转化为实际的加速效果。其次，基于平均梯度或幅度的标准可能被大样本客户端或频繁观测的缺陷类别所主导，导致对难以拟合的本地分布或代表性不足的PD类别有用的通道被低估。第三，训练后期频繁的拓扑更新可能会干扰已建立的特征表示并降低收敛稳定性。这些局限性要求一种与通道级压缩兼容、对异构和不平衡数据具有鲁棒性且在拓扑演化期间具有稳定性的联邦结构化搜索策略。

基于上述问题，本文提出了一种用于边缘电缆PD识别的个性化联邦结构化拓扑搜索（FedSTS）框架。该框架将识别模型分为协同训练的特征提取器和客户端特定的私有分类器，使得可以在不强制异构客户端采用统一决策边界的情况下学习共享表示。剪枝过程在通道级别进行，并被建模为稀疏性约束的CMAB问题。为了在异构客户端分布条件下引导拓扑搜索，所提出的损失感知最大幅度奖励（LAMR）将全局通道响应与高损失客户端的截断反馈相结合。此外，使用高斯上置信界（Gaussian UCB）和自适应掩码更新调度（AMUS）来控制通道探索并减少后期结构振荡。

本文的主要贡献总结如下：

• •
  为基于边缘的PD识别开发了一种个性化联邦结构化拓扑搜索框架。FedSTS将共享特征提取器、客户端特定的私有分类器和通道级结构化剪枝整合到统一的联邦框架中，用于边缘电缆PD识别。与主要关注个性化的FedPer和FedRep不同，FedSTS在边缘资源约束下进一步执行通道级拓扑搜索。
• •
  针对联邦数据异质性条件下的基于CMAB的结构化剪枝提出了一种损失感知的通道奖励机制。不同于基于静态滤波器幅度的传统结构化剪枝和基于通用奖励估计的FedRTS风格拓扑搜索，FedSTS引入LAMR将全局通道响应与困难客户端的截断反馈相结合。这一设计降低了拓扑搜索过程中对难以拟合的本地分布有用的通道被低估的风险。
• •
  设计了一种协同拓扑搜索策略以增强剪枝稳定性并提高边缘计算效率。FedSTS使用高斯UCB评分进行探索–利用通道选择，并使用AMUS减少后期拓扑振荡。因此，FedSTS的创新之处不在于单独使用私有头、UCB选择或结构化剪枝，而在于它们与LAMR的协同使用，以实现个性化、稳定且紧凑的联邦PD识别。

本文其余部分组织如下。第2节回顾了关于PD识别、联邦学习、个性化联邦学习（PFL）和联邦剪枝的相关研究。第3节介绍了所提出的FedSTS框架及其核心算法组件。第4节报告了基于真实电缆PD数据集的实验评估和对比分析。第5节讨论了FedSTS的优势、局限性和部署范围。第6节得出结论。

章节摘要

用于PD和GIS诊断的数据本地化联邦学习

PD识别是电缆、变压器和GIS绝缘状况评估中的关键任务。经典和近期的综述已总结了针对高压设备和中压电缆的PD感知、降噪、特征提取、基于人工智能的分类以及优化技术的进展 [1], [2], [16], [17]。深度学习，特别是CNNs，进一步改善了复杂信号条件下的PRPD模式分类和放电类型识别。

概述

如图1所示，FedSTS包含四个阶段：PD数据准备、个性化边缘客户端训练、服务端结构化拓扑搜索和边缘推理。每个客户端训练一个由共享特征提取器和客户端特定的私有分类器组成的模型。服务器仅聚合共享提取器，而原始PRPD样本和私有分类器保持在本地。服务器使用LAMR、高斯UCB评分和AMUS更新通道掩码，然后发送。

实验

在模拟客户端级异构分区的电缆PD数据上进行了联邦实验，以在受控的联邦设置下评估FedSTS。评估涵盖识别性能、客户端级一致性、理论资源成本和实测边缘设备部署行为。所有实验均在PyTorch中实现，运行于一台配备Intel CPU、NVIDIA GeForce RTX 4060 GPU和32 GB内存的笔记本电脑上。

讨论

FedSTS使用二元掩码在稠密张量上执行拓扑搜索。报告的浮点运算次数（FLOPs）是从最终激活掩码推导出的掩码等效理论值，而树莓派部署使用物理压缩的ONNX图。FedSTS也不假设在训练期间传输紧凑的激活通道。客户端和服务器交换稠密的共享提取器张量以及轻量级掩码载荷和逐通道统计信息。因此，其主要效率优势在于。

结论

本文提出了FedSTS，一种用于异构和资源受限条件下边缘电缆PD识别的个性化联邦结构化拓扑搜索框架。FedSTS将识别模型解耦为共享特征提取器和客户端特定的私有分类器，将通道级结构化剪枝建模为稀疏性约束的CMAB问题，并使用LAMR、高斯UCB和AMUS引导损失感知和面向稳定性的拓扑演化。

在真实电缆上的实验

基金

本研究部分受浙江省自然科学基金（项目编号：LR25F030003）和中国国家自然科学基金（项目编号：62373328）资助。

CRediT作者贡献声明

李双：写作——初稿撰写、可视化、验证、软件、方法论、调查研究、概念构思。李圣伟：写作——审阅与编辑、验证、数据管理。史玉超：验证、资源、数据管理。王建：验证、资源、项目管理。郭方红：写作——审阅与编辑、指导、项目管理、基金获取。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争经济利益或个人关系。

李双|李圣伟|史玉超|王建|郭方红