摘要：针对泛在电力物联网中人工智能应用发展存在系统间的“教据孤岛”问题以及电力数据的安全性
问题.实现跨行业跨业务线数据集中训练存在的现实问.题和政策瓶颈，介绍了联邦学习技术.并基于泛在
电力物联网架构，设计各种应用场景下使用联邦学习的策略和基本流程。
关键词：泛在电力物联网；联邦学习：人工智能
文章编号：209:6-4137..(2019)23-018-04DOI：10.13535/.10-1507/a.2019.23.03
■文/谢丰卞建玲王楠郑倩
联邦学刃在i乏在电n
籾联间八工智能颁域的应闲
0引言
2019年国家电网有限公司“两
会”提出了“三型两网、世界一
流”的战略S标，即瞄准世界一
流，打造枢纽型、平台型和共享型
企业，建设运营好坚强智能电网和
泛在电力物联网。型两网”战
略的实施搭违了技术创新平台，实
现各种新技术，如人丁智能、物联
网的推广应用，使承载电力流的坚
强智能电网与承载数据流的泛在电
力物联网，相辅相成、融合发展，
共同构成能源流、业务流、数据流
主体提供用户数据存在法律风险，
限制人工智能应用直接使川跨主体
数据根据《中华人民共和国网络
安全法》，网络运营者不得泄露、
篡改、毁坏其收集的个人信息，并
丘与第三方进行数据交易时需确保
拟定的合同明确约定拟交易数据的
范闱和数据保护义务。根据《家电
网数据安全规定，禁止将电网生产
及Jl]电采集类业务数据及装置提供
给社会第三方使ffl,相关法规的建
立对人工智能传统的集中数据处理
模式提出新的挑战.基于国家电网
和K•他市场主体数据，构逮人丁智
能应用必须使丨丨!新的数据处理模式
来解决用户数据隐私安全和打造共
享型企业之间的矛盾
(2)数据安全要求导致人T.
智能应用获取M—主体跨业务线数
据存在困难根据《电力行业信息
系统安全等级保护基本要求》及国
家电网数据安全相关规定，跨专业
共享数据必须落实相关权限控制和
脱敏、脱密措施:，而人工智能应用
的训练又需要使用大量真实业务数
据，脱敏和脱密后的业务数据很可
能会影响人丁.智能应用训练效果3
(3)人T.智能应用传统的集中
式模型训练方式，难以满足部分电力
智能应用实时性要求。电力控制和巡
检等业务场景的部分人T.智能应用对
模铟更新实时性要求高，同时又存
在网络环境不稳定的客观情况，集
中式模型训练更新到边缘节点的方
式难以满足其性能实时性要求
2联邦学习技术概述
解决以上挑战，都需要设计
一种满足数据隐私、安全和性能要
求的人工智能框架^20I6年，谷
歌公司提出联邦学习（Federated
“3流合一”的能源互联网，形成
强大的技术创新平台.
随着承载数据流的泛在电力物
联网的建设，基于其电力数据和公
开数据集的国家电网内部人丁.智能
Learning),它是一种训练数据去
中心化的人工智能框架。目的在于
通过对保存在大量终端的分布式数
据开展训练，学习一个高质量中心
化的机器学习模型，解决数据孤岛
的问题。其重点解决以下问题
w求和应用将大量出现同时，打
造共享型企业将吸引更多社会资本
和各类市场主体参与能源乜联网建
设和价值挖掘融合电力数据和其
他行业数据的闺家电网外部人丁.智
能需求和应用也将大量川现
(I)联邦学习参与各方收集
的本地数据较敏感，由于各种原因
不能对外直接提供数据。
(2)联邦学习参与各方不能
确保网络一直在线，网络可能存在
不稳定情况。
(3)联邦学习参与方较多，
比如手机、物联网设备等。
2019年初，紧跟丁(^〇1^1(^2.0
1泛在电力物联网中人工智
能应用发展面对的挑战
(I)末经用户授权向第三方
•18•|屮叫办新科技2019年第59期
科技创新
alpha发布之后，谷歌公司发布并
开源TensorFlowFederated框架，用
于完成在不需要数据集中收集情况
下，避免用户隐私泄露的分布式A1
计算框架：该框架最初是为了促进
谷歌公司内部进行联邦学习的实验
而开发的，这种技术使最终用户拥
有的设备能够协同学习共享预测模
型，同时在各自设备上保留敏感的
训练数据，从而从需要集中收集数
据的传统模式，解耦到分布式机器
学习模式_ted框
架分为以下两层。
(1)FederatedLearning
(FL)API层：该层提供了一组高
级接口，允许开发人员将所包含的
联合训练和评估实施应用于现有的
智慧医疗训练数据不足的问题微
众银行基于其FATE框架，将联邦
学习技术引人再保险领域.并共建
保险行业联邦生态圈。可见，互联
网、金融和医疗是当前联邦学习主
要应用领域，但是电力领域从数据
安全性、敏感性和应用实时性要求
等方面都适合联邦学习应用
享，在源端实现数据融通和边缘智
能，如图1所示
泛在电力物联网原始数据分
布在感知层各边缘节点上，同平台
层之间的通信方式多种多样，由于
地理环境限制不能确保网络一立在
线:电力数据涉及用户隐私且安全