面向电力数据异常检测的散度评估增强的联邦学习模型

来源：济南大学学报·自然科学版杂志2025年第06期北京时间：

作者：刘冬兰,刘新,常英贤,孙莉莉,张方哲,姚洪磊

摘要：为了解决联邦学习多参与方本地端数据分布差异导致的模型收敛不一致和收敛速度慢等问题，提出一种面向电力数据异常检测的散度评估增强的联邦学习模型；该模型利用存储在不同参与方中的本地端电力数据，引入对称詹森-香农散度矩阵表示数据的非独立同分布性，并使用Softmax函数计算散度相似性分数，评估各客户端梯度在聚合过程中的贡献，从而提升模型在非独立同分布数据下的收敛性和准确性，最终基于训练完成的模型实现电力数据异常检测。电力数据异常检测仿真实验结果表明，所提模型相较于基线模型展现出优异的性能，有效地解决了联邦学习中数据的非独立同分布问题，验证了联邦学习技术在电力数据异常检测领域的实用性。

关键词：电力数据分析;异常检测;联邦学习;散度评估;梯度聚合

基金资助：国家重点研发计划项目(2022YFB2702805);; 国网山东省电力公司科技项目(520626230045)