基于联邦学习的光伏电站发电效率对比与低效诊断研究.pdf

2023年3 月第2 6 卷第3 期Mar.2023,Vol.26,No.3电力大数据POWER SYSTEMS AND BIG DATA大数据专题Big Data Special Reports基于联邦学习的光伏电站发电效率对比与低效诊断研究郝戌京，李方一（合肥工业大学，安徽合肥2 30 0 0 9）摘要：随着我国碳达峰与碳中和的目标提出，光伏发电在我国电力系统中扮演的角色愈发重要，其发展状况关系到新型电力系统建设与低碳目标的实现。由于装机时间、设备与运营水平等不同，光伏电站发电效率参差不齐。通过横向对比光伏电站的发电效率诊断出低效电站，有利于推动光伏行业整体发展。然而，出于对各自数据隐私的保护，电站间并不愿意交换数据，导致了“数据孤岛”现象的形成。因此，本文提出采用带有隐私保护技术的联邦学习算法对不同光伏电站的发电效率进行评估与横向对比，并推导出平均发电效率，进一步对独立的光伏电站进行低效诊断。本文提出的方法在不获取电站隐私数据的前提下实现了效率评估与低效诊断，有助于促进光伏行业效率提升与合理竞争。关键词：联邦学习；BP神经网络；光伏发电；预测模型；低效诊断中图分类号：TM615文章编号：2 0 96-46 33(2 0 2 3)0 3-0 0 2 8-0 9文献标志码：ADO1:10.19317/ki.1008-083x.2023.03.004开放获取光伏发电产业是国家“十四五”战略规划中能源板块重要的一环，落实碳中和、实现碳达峰，以及提高非化石能源在我们国家的能源占比成为战略重要目标之一。国家能源局发布的数据显示，在8 7 40.8万千瓦的电力布局中，集中式光伏电站占36 2 9.4万千瓦，分布式光伏占5111.4万千瓦。由此可见，大力发展分布式光伏在我国已成为大势所趋。1光伏发电效率评估及预测现状相比于集中式发电，分布式发电的特点是散点分布，这导致在评估传统分布式光伏发电效率时大多是采用的是分布式中心化集体学习方法，它要求各站点统一将数据上传至中心，然后中心的服务器利用各站点上传的数据再训练出合适的预测模型。这种方法的缺陷在于，由于传输的是电站的原始数据，可能产生数据隐私问题。对光伏电站发电效率的准确评估，可以更科学地对低效电站进行诊断，有利于识别导致电站低效的相关因素，从而，推动光伏行业发电效率的整体提升，促进业内合理竞争格局的形成，助推光伏行业进一步高质量发展。联邦学习是一种分布式机器学习技术，能够实现分散的各电站在不向其他电站泄露隐私数据的前28提下协作完成全局模型的训练1，从而保护其数据隐私。在训练过程中，各电站仅需要向中央服务器发送模型参数而不传递电站的原始数据，既可以达到准确预测光伏行业平均发电效率的目的，又能够弥补集中式训练中数据隐私方面的不足。因此本文在发电效率评估中引人联邦学习算法以解决数据隐私的问题。目前，已有学者在多个领域对联邦学习展开了应用研究。王先圣等人提出一种基于联邦学习的故障检测与诊断方法，从而实现跨故障等级和跨系统的故障检测与诊断 2 。邹赛兰等人为了提升模型的收敛速率，对面向分层联邦学习的网络传输优化技术展开研究，总结出六种网络传输优化方法 3。刘金硕等人基于深度神经网络和联邦学习搭建了网络人侵检测模型DFC-NID,能在海量数据环境下快速且准确地识别攻击事件 4。张泽辉等人为了打破不同船舶公司之间的数据壁垒，提出了一种面向船联网的高效隐私保护联邦学习方法 5。陈明鑫等人中针对联邦学习在建模时的攻击行为及相应的防御策略进行了调研 6。但目前尚未见到运用联邦学习等隐私计算方法对光伏电站等发电企业的数据开展分析，对于光伏电站效率的研究也仅限于单个电站内部，缺乏横向对比与对比之后的诊断。第3期本文重点关注多个光伏电站的发电效率对比，一方面需要构建模型采用分布式计算，对光伏电站发电效率进行评估与预测，另一方面，还需要构建联邦学习框架，在不获取光伏电站数据的前提下对各个电站的发电效率进行对比，以判断综合效率的高低。对于单个电站发电效率的评估，本文采用一种改进后的BP神经网络算法。通过在传统BP神经网络模型的基础上增加自适应调节学习步长和动量项，该算法使得各电站通过预测模型输出的发电功率中更加接近发电功率的真实值，相较于传统的BP神经网络电站发电效率预测模型的精度得到提升。此外，改进后的BP神经网络在一定程度上能够解决传统BP神经网络引入中存在的过拟合问题，保证每个电站将模型参数上传至中央服务器时不会出现局部过分影响总体的情况，尤其是在联邦学习算法强调计算全局参数而非局部参数的场景下，改进后的BP神经网络能够更准确地计算行业整体的平均发电水平。本文首先运用数据包络分析法筛选出理想的训练样本，再用筛选出的数据集对改进后的BP神经网络模型进行训练，各电站的本地模型训练完成后向中央服务器上传各自的模型参数，更新全局模型参数，这样不断迭代，最终聚合所有电站的模型参数得到光伏行业发电效率平均水平的预测模型。2研究方法本文所提出的光伏电站效率评估与诊断的模型及操作步骤如图1，主要为：运用数据包络分析方法对光伏电站原始发电数据的预处理；电站本地利用改进后的BP神经网络算法训练预测模型；联邦学习模型聚合所有电站上传的模型参数得到全局预测模型；对各光伏电站的发电效率及其平均水平进行对比，诊断出低效电站。计菜相财效半改速BP冲经网络原始发从大到小排电数据前2 5%的教机图1光伏发电效率预测模型结构Fig.1 Structure of photovoltaic power generationefficiency prediction model郝戌京，等：基于联邦学习的光伏电站发电效率对比与低效诊断研究效率对比问题排查2.1数据预处理系统效率(PR)表示一段时间内光伏电站实际的发电量与理想状况下的发电量之比 7。作为衡量发电效率的关键指标，PR在电力行业内被广泛应用。但这种光伏发电效率评估方法的缺陷在于，仅通过光伏电站的实际装机容量与峰值日照时数相乘得到PR值中光伏电站的理论发电量，但在现实中，温升损失、灰尘遮挡损失等客观损失是光伏电站组件自身无法避免的。即使是新建电站在设备运行良好的状态下，装机容量往往也无法达到标称值。此外,PR还会受到光伏电站所处的环境条件的影响。如，光伏阵列布置环境，环境酸碱度以及灰尘附着等因素均会使光伏发电系统被影响。这不表示光伏组件本身运行出现问题，但会导致运维人员的评估出现错误。为了解决上述提到的传统PR值的局限性，我们提出了一种非参数的统计方法数据包络分析(DEA)8。首先选出投人产出相同的生产决策单元，然后将其作为技术有效点，由此生产前沿将被构造出来，最后以此为基础对技术效率进行度量得到相对效率。生产决策单元的相对效率为1时，在投入给定的前提下，此时生产效率最高。DEA方法的主要优点在于无须讨论具体的生产前沿形式，因此能在多输人多输出的场景中得到有效应用 9。将不同时间段的光伏电站看作不同的生产决策单元，投人指标定为辐照度、温度、湿度和风速，产出指标定为发电功率。用数据包络分析法算出每组数据的相对效率,并从中选择相对效率较高的部分来训练模型。由于光伏电站在夜晚没有发电信息记录，我们可以选择忽略所有发电功率为0 的时间段，即仅获取每日9：0 0-19：0 0 的时间段内，电站所处地理位置的风速W、湿度H、太阳辐照度S、温度T以及对应的光伏电站发电功率P。在对这四组数据进行数据标准化处理后，运用CCR模型进行计算。假设当前有n组数据，则选择风速W、温度T、太阳辐照度D、湿度H作为每组数据的四个输入指标，同时选择当时对应的发电功率P作为输出。定29电力大数据义这四个指标的权重系数为=，2，,4。第i组数据的相对效率由以下线性规划方程求解 10。X,表示第i个样本的输人,Y,表示输出。n:=maxYs.t.k0,1k4Y1,i=1,2,.TX,按照计算得到的相对效率，从大到小排列所有的样本，相对效率前2 5%的数据作为模型训练的样本。与直接采用全部样本数据相比，利用筛选后的数据进行模型训练的优点在于，训练得到的模型和理想状况下电站的输入输出模型更加接近。2.2BP神经网络模型结构BP神经网络是一种强大的前馈神经网络模型 11。作为一种典型的误差反向传播算法，BP神经网络通过求解误差函数的最小值来实现神经网络模型的训练。X输入变量XM输入层图2 BP神经网络结构示意图Fig.2Schematic diagram of BP neural network structureBP神经网络算法采用最速下降法，即根据误差函数的负梯度方向对权重进行校正 12 ，从而不断地更新神经网络的参数，通过不断优化网络结构和模型参数来求解内部机制较为复杂的问题。BP算法的具体流程如图3所示。30第2 6 卷开始批量输入学习样本并且对输入和输出量进行归一化处理参数初始化：最大训练次数，学习精度，隐节点数，初始权值、阅值，初始学习速率等(1)计算各层的输入和输出值Yes计算输出层误差E(g)YesE(geN修正权值和阀值结束图3BP算法程序流程图Fig.3BP algorithm program flowchart2.3改进后的BP神经网络模型虽然传统BP神经网络在实际应用中具有较好La,的效果，但是仍然存在一些局限性。BP算法在训练：Lak?0k变：量业隐含层输出层输出过程中容易受到噪声的干扰，导致神经网络的参数过于复杂，容易产生过度拟合情况 13，只能保证在训练集上的误差最小，实际在测试集上的误差可能较大，导致预测精度降低。其次,BP算法是基于梯度下降对目标函数进行优化，它只能保证找到当前点的最优解，易陷入局部最优 14，而无法保证全局最优解。针对如何改进上述传统BP神经网络存在的问题，已有学者开展了相关的研究。张玉彦等人引入弹性梯度下降方法来解决传统BP神经网络收敛速度慢和梯度消失的问题 15。杨航等人针对BP神经网络泛化能力弱等问题，提出了一种新结构的参数可调激活函数 16 。王增平等人以特征影响因子和分类初始中心作为训练集对BP算法进行改进，实现了神经网络的快速收敛 17。黄培等人提出一种基于快速BP算法的深度神经网络 18 。李莉杰等人利用粒子群算法优化对BP神经网络进行优化 19第3期为了提高准确率，本文在传统BP神经网络模型的基础上对其进行了改进。针对传统BP神经网络模型在训练中存在的预测精度低、可能产生过度拟合的问题，本文提出在传统模型上增加自适应调节学习步长。学习步长是一个常数，的数值取得过大或过小都会影响模型的训练效果。当误差曲面较为平坦时，学习步长过小会增加学习的次数，此时应适当增大；到达极小值附近时，如果学习步长取得过大，会导致振荡，这时应该减小。基于此，本文设置了自适应学习步长的规则如下,其中,E(k)为第k步误差平方和。1.05n(k)E(k+1)1.04E(k)(2)(k)其他整体的调整思想就是在学习收敛时自适应增大，从而缩短学习时间；当它太大而无法收敛时，应该立即减小至收敛。本文提出通过增加动量项以解决传统BP模型易陷入局部极小值导致无法到达全局最优的问题。最后的权值变化量由动量因子传递，动量因子等于0时，使用梯度下降法，生成最后一个权重值；动量因子等于1时，使用动量因子法，生成的新权重作为最后的权重变化。动量项的校正公式如下：(Awi(k+1)=(1-mc)no;p;+mcw;(k)(b;(k +1)=(1 一mc)no;+mcb;(k)其中，k为训练次数，mc为动量因子，一般取0.95。通过增加动量项这一方法，可以将网络优化由误差面的局部最小值分离出来，有效防止陷入局部最优的情况出现。2.4联邦学习框架联邦学习是一种能够保护数据隐私的分布式机器学习技术 2 0 ，其核心思想是在不传递本地原始数据的前提下，每个客户端在本地训练模型，只将更新后的参数上传到中央服务器，中央服务器负责聚合所有客户端的模型参数从而构建出全局模型 2 1，以此实现对数据隐私的保护。郝成京，等：基于联邦学习的光伏电站发电效率对比与低效诊断研究O中央服务器换型训练光伏电站本地数据图4联邦学习训练框架图Fig.4Federated learning and training framework diagram针对聚合多方用户的联邦学习场景，通常采用中心化联邦架构，由1个中央服务器和若干个客户端组成 2 2 。其中，中央服务器负责协调全局模型，各客户端和中央服务器协作完成联合训练 2 3。假设共有n个客户端参与本次训练，每个客户端用作训练的数据集为N；则n个客户端总的数据集为N=Z=Ni。联邦学习的目标函数如下：,N F;(w)minF(w)=NjENiNF,(w)F,(w)=N.其中,F（w)为中央服务器的损失函数,F（w)为各客户端的损失函数，F，（w）为客户端本地每组样本数据的损失函数。(3)最初每个客户端从中央服务器获得一个全局机器学习 2 4I模型（)，规定初始参数为0。客户端在本地进行训练，每次迭代更新后的本地模型参数为wi，迭代前的模型参数为w1，n 是联邦学习的全局学习率 2 5。Wi=wWi1-n VF;wW1为了避免在传递参数的过程中泄露隐私信息，我们在模型中嵌人随机抖动算法，在客户端上传的模型参数中加入随机抖动数，即实际上传的模型参数为wi十i。中央服务器将客户端上传的所有参数加权平均，对全局模型参数进行更新 2 6,N.W=WN中央服务器将更新后的全局模型参数下发给所31本地数据一模型训练光伏电站本地数据仓一光伏电站模型训练光伏电站模型训练本地数据(4)(5)(6)电力大数据有客户端，作为各客户端下一轮训练的参数初8值 2 7 。当全局迭代次数达到预先设定的数值，停止6迭代，得到最终的全局模型。最后将数据输入训练5好的全局模型，就能得到通过模型预测的结果。433预预测结果及分析3.1数据选择及处理本次实验选取DKASC提供的2 0 组光伏电站数据，时间跨度为2 0 16 年2 0 2 1年，数据采集间隔为5min,将辐照度、风速、湿度、温度四种数据以及对应时刻的发电功率作为初始的数据集。首先利用数据包络分析方法筛选出发电功率排在前2 5%的数据。将筛选出的数据作为本次实验的输入数据训练集，对应的发电功率作为本次实验的输出数据训练集。从2 0 个电站中随机抽取1个电站，将该电站随机一天的辐照度、温度、湿度、风速2884的矩阵数据作为本次实验的输入数据测试集，光伏发电功率输出数据2 8 8 1的矩阵作为本次实验的输出数据测试集。3.2改进BP神经网络模型有效性分析为了验证改进后的预测模型预测精度是否提高，下面对传统BP神经网络模型和改进后的BP神经网络模型这两种模型进行测试对比。本次测试所采用的BP神经网络模型共包含七层，采用太阳辐照度S、风速W、湿度H、温度T作为输入特征，第一层共四个神经元对应输人特征作为输人层；中间五层作为隐藏层，每层包含六个神经元；第七层包含一个神经元，对应输出数据发电功率，作为输出层。将训练集样本分别输入传统和改进后的BP神经网络模型中进行训练，直到满足收敛条件，结束训练，得到训练好的两种光伏电站发电效率预测模型。将测试集中的输入数据分别输人到两种模型中，输出模型预测的标准发电功率，将其与实际发电功率进行对比，得到图5和图6。第2 6 卷实际功率2传统BP神经网络预测功率1改进后BP神经网络预测功率06Fig.5Comparison chart of power prediction pesults从图5可以看出，改进后的BP神经网络模型比传统BP神经网络对发电功率的预测结果更接近真实值。对图6 进行分析，可以看出两种方法训练出的模型在得到预测结果的过程中，误差值均在一定范围内波动，但是相较于传统模型，改进模型的误差波动显然更小，这表明改进后的模型预测精度更高，模型改进有效。4.0传统BP改进后BP3.53.02.52.01.510.500图6 模型预测误差对比图Fig.6Predictionerror comparisonchart此外，通过对具体预测误差指标进行对比，如表1所示，传统的BP神经网络预测模型在MAPE指标下的平均绝对百分比误差为117.98%，而改进后仅为 50.36%。表1模型预测误差指标对比Tab.1Comparison of model prediction error indicators指标RMSEMAE8图5模型预测结果对比图次数传统BP0.800.6710时间（时）121416改进后BP0.690.5418502032第3期续表指标MSEMAPE/%训练误差测试误差进一步通过具体的预测误差指标分析，由表1可以看出，对于光伏发电功率预测结果而言，在MAPE指标下，传统的BP神经网络预测模型为117.98%，改进后仅是50.36%。另一方面，从RMSE值来看，改进后的预测模型为0.6 9，比传统模型更低，其最大误差也较小。MSE指标下改进后模型的值同样更低。这些说明相较于传统BP模型，改进后的BP神经网络模型更加稳定。传统的BP神经网络的训练误差约为0.0 12 2。模型更新30 次后继续更新权值，误差增大，表明模型优化达到极点。然而，改进后的BP神经网络模型却可以降至0.0 119,表明传统模型未达到最优值，只是被限制在了局部极值。改进后的模型测试误差和训练误差相差不大，均在0.0 12 左右，说明此时没有过拟合，由此可以表明基于改进后模型的预测功率和实际功率之间的MAPE更小。3.3联邦学习全局模型训练本文所构造的联邦学习框架由一个中央服务器和N个电站组成 2 8 。各电站将本地预测模型的参数，即利用改进后BP神经网络算法训练得到的权值wi，通过机器学习模型文件以h5形式传输给中央服务器，中央服务器采用加权平均的方法对电站传来的模型参数进行聚合，最终得到光伏行业发电效率平均水平的预测模型。Tab.2 Comparison of experimental results with different model parameters本地选代1次学习率训练用时（分）0.001100.01130.1郝戌京，等：基于联邦学习的光伏电站发电效率对比与低效诊断研究传统BP改进后 BP0.610.37117.9850.360.01220.01190.01450.0140表2 不同模型参数实验结果对比本地选代4次准确率(%)训练用时（分）91.211595.7819首先调整联邦学习模型参数，观察不同参数下模型预测精度的变化；然后设置各电站本地模型的batch-size均为2 8 8，调整全局学习率n=0.001、0.01、0.1和本地迭代次数E=1、4、8；最后在数据集相同的情况下进行10 0 次全局迭代，实验结果如图7和表2 所示。100804020图7 本地选代次数和学习率对模型准确率的影响Fig.7The influence of local iteration times andlearning rate on model accuracy比较模型精度在不同学习率下的变化，发现在全局学习率取0.1时模型难以收敛，说明全局学习率过大可能会导致模型训练失败。相较于全局学习率取0.0 0 1时，0.0 1的模型训练效果更好。通过比较不同本地迭代次数下的模型训练效果，发现随着本地迭代次数的增加，模型精度逐步上升，但与此同时本地迭代次数为8 次时的训练速度相较于4次时大幅度变慢。综合考虑，本地迭代次数为4时的预测精度和训练速度最优。所以下述实验均在R=0.01,E=4的设定下进行。根据上述实验结果，设置联邦学习的全局学习率为0.0 1、本地迭代次数E为4。中央服务器对20个电站上传的所有模型参数w;（i=1，2，2 0）进行聚合，当全局模型训练次数达到10 0 次，停止训练，获得训练好的预测模型。将测试集的数据输入该模型，得到模型预测的行业平均发电功率。通过对比实际发电功率P。和标准发电功率P；，计算得到电站的发电效率，从而判断光伏电站的运行状态。准确率(%)96.2197.698050R=0.001R=0.0tR-0.150100Epochs(Q）本地达代1次8R-0.0016040R=0.012050Epochs(b）本地送代4次本地选代8 次训练用时（分）准确率(%)5597.306399.01R=0.0040R=0.01R-OL20100(c）本地送代8 次50Epochs10033电力大数据P。参考文献：(7)1汤凌韬，陈左宁，张鲁飞，等.联邦学习中的隐私问题研究进展依据上式计算得到参与训练的2 0 个电站各自JI.软件学报，2 0 2 3,34(0 1)：197-2 2 9.TANG Lingtao,CHEN Zuoning,ZHANG Lufei,et al.的发电效率以及行业平均水平，如图8 所示。Research progress of privacy issues in federated learningJ.100.0%9S890.0%9%6880.0%70.0%860.0%50.0%40.0%30.0%20.0%10.0%0.0%Fig.8Comparison diagram of power generationefficiency of optical power stations从图中可以看到，电站2、5、19发电效率显著高于平均发电效率，说明这些电站当前的运行状态良好，发电效率在行业内处于较高水平；电站8、14、17效率明显低于平均水平，说明其发电水平低于行业平均水平，电站可能存在设备故障、光伏组件衰减等不良状况，应当即刻安排电站人员进行故障排查或升级改造发电系统等措施。4结语本文针对光伏电站发电效率评估中存在的数据隐私和安全问题，提出了一种基于联邦学习的光伏电站发电效率评估与低效诊断模型。中央服务器利用电站在本地训练得到的模型参数进行联合训练，聚合得到一个全局共享模型，从而在独立电站不需要共享原始数据的情况下就获得一个行业平均的发电效率预测模型。在对单个电站进行发电效率预测时，我们采取一种经过改进的BP神经网络模型。实验结果表明，本文所提出的基于联邦学习的光伏电站发电效率评估模型能够较为准确地预测行业内光伏发电效率平均水平，且具有高水平的隐私保护能力。光伏行业发电效率的平均水平不仅可以为单个电站评估自身在业内的水平提供衡量标准，还可以作为分析光伏行业整体情况的研究依据和基础。准确评估光伏行业整体的发电水平对于我国推进光伏行业稳定发展、加快能源转型具有重要意义。34第2 6 卷%0T8Journal of Software,2023,34(1):197-229.960929690896062%E9转转6转百5T审母图8 光站电站发电效率对比图9%8么966829%59L9%L62960894电%LL%59L9%62电%9222王先圣，严珂.基于联邦学习的暖通空调系统故障检测与诊断J.计算机科学，2 0 2 2,49(12)：7 4-8 0.WANG Xiansheng,YAN Ke.Fault detection and diagnosis ofHVAC systems based on federate learning JJ.ComputerScience,2022,49(12):74-80.3垒邹赛兰，李卓，陈昕.面向分层联邦学习的传输优化研究 .计算机科学，2 0 2 2,49(12)：5-16.ZOU Sailan,LI Zhuo,CHEN Xin.Study on transmissionoptimization for hierarchical federated learning LJJ.ComputerScience,2022,49(12):5-16.4刘金硕，詹岱依，邓娟，等.基于深度神经网络和联邦学习的网络侵检测 J.计算机工程，2 0 2 3，49（0 1）：15-2 1+30.LIU Jinshuo,ZHAN Daiyi,DENG Juan,et al.Networkintrusion detection based on deep neural network and federatedlearningLJJ.Computer Engineering,2023,49(01):15-21+30.5张泽辉，管聪，高航，等.面向船联网的高效隐私保护联邦学习方法 J.中国舰船研究，2 0 2 2，17（0 6）：48-58.ZHANG Zehui,GUAN Cong,GAO Hang,et al.Efficientprivacy-preserving federated learning method for internet ofshipsJJ.Chinese Journal of Ship Research,2022,17(06):48-58.6陈明鑫，张钧波，李天瑞.联邦学习攻防研究综述 J.计算机科学,2 0 2 2,49(0 7)310-32 3.CHEN Mingxin,ZHANG Junbo,LI Tianrui.Survey on attacksand defenses in federated learningJJ.Computer Science,2022,49(07):310-323.7刘宏.基于能效比PR值增加光伏电站发电量的研究 J.青海科技,2 0 17,2 4(0 2)：18-2 4.LIU Hong.Research on increasing the power generation ofphotovoltaic power stations based on the energy efficiency ratioPR value.LJJQinghai Science and Technology,2017,24(2):18-24.8于丽英，施明康，李婧.基于DEA-Malmquist指数模型的长江经济带物流效率及因素分解 JI.商业经济与管理，2 0 18，（0 4）：16-25.YU Liying,SHI Mingkang,LI Jing.Study on logisticsefficiency evaluation and factor decomposition of yangtze rivereconomic zone based on DEA-malmquist indexJJ.Journal ofBusiness Economics,2018,(04):16-25.9谢建辉，李勇军，梁，等.随机环境下的多投人多产出生产前沿面估计 J.管理科学学报，2 0 18，2 1（11)：50-6 0.XIE Jianhui,LI Yongjun,LIANG Liang,et al.Estimation ofthe multi inputs,multi outputs production frontier in astochastic environment JJ.Journal of Management Sciences,第3期2018,21(11):50-60.10朱锋.光伏电站智能运维及功率预测技术研究 D.杭州：浙江大学，2 0 2 0.ZHU Feng.Research on intelligent operation and maintenanceand power prediction technology of photovoltaic power stationD.Hangzhou:Zhejiang University,2020.11冯玉芳，卢厚清，殷宏，等.基于BP神经网络的故障诊断模型研究.计算机工程与应用，2 0 19,55（0 6）：2 4-30.FENG Yufang,LU Houqing,YIN Hong,et al.Study on faultdiagnosis model based on BP neural network JJ.ComputerEngineering and Applications,2019,55(06):24-30.12 谢少华，何山，闫学勤，等.基于SSA-BP神经网络的光伏短期功率预测J.浙江工业大学学报，2 0 2 2，50（0 6）：6 2 8-6 33.XIE Shaohua,HE Shan,YAN Xueqin,et al.Short-termphotovoltaic power prediction baesd on SSA-BP neutralnetworkJ.Journal of Zhejiang University of Technology,2022,50(06):628-633.13陆爽，徐伟明，刘维亮，等.基于聚类再回归方法的光伏发电量短期预测J.浙江电力，2 0 2 0，39（0 7）：48-54.LU Shuang,XU Weiming,LIU Weiliang,et al.Short-termforecasting of PV power generation based on clustering andlater regressionJ.Zhejiang Electric Power,2020,39(07):48-54.14王克杰，张瑞.基于改进BP神经网络的短期电力负荷预测方法研究 J.电测与仪表，2 0 19,56（2 4）：115-12 1.WANG Kejie,ZHANG Rui.Research on short-term power loadforecasting method based on improving BP neural network J.Electrical Measurement&Instrument,2019,56(24):115-121.15张玉彦，张金龙，文笑雨，等.基于DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究 J.河南理工大学学报（自然科学版），2 0 2 3，42（0 1)：116-12 3ZHANG Yuyan,ZHANG Jinlong,WEN Xiaoyu,et al.Study onbearing fault diagnosis method based on DBI-wavelet packetdecomposition and improved BP neural networkJ.Journal ofHenan Polytechnic University（Na t u r a l Sc i e n c e),2 0 2 3,42(01):116-123.16 杨航，刘凌，倪骏康，等.双关节刚性机器人自适应BP神经网络算法 J.西安交通大学学报，2 0 18,52（1）：12 9-135+16 4.YANG Hang,LIU Ling,NI Junkang,et al.An adaptive BPneural network algorithm for 2-joint rigid robotsJ.Journal ofXiran Jiaotong University,2018,52(1):129-135+164.17 王增平，杨国生，汤涌，等.基于特征影响因子和改进BP算法的直驱风机风电场建模方法 J.中国电机工程学报，2 0 19，39(09):2604-2614.WANG Zengping,YANG Guosheng,TANG Yong,et al.Modeling method of direct-driven wind generators wind farmbased on feature influence factors and improved BP algorithmJ.Proceedings of the CSEE,2019,39(09):2604-2614.18 黄培.基于改进BP算法在深度神经网络学习中的研究 J.机械强度，2 0 18,40(0 4)：7 96-8 0 1.郝戌京，等：基于联邦学习的光伏电站发电效率对比与低效诊断研究件学报，2 0 2 2,33（0 3)：10 57-10 92.LIU Yixuan,CHEN Hong,LIU Yuhan,et al.Privacy-preserving techniques in federated learning J.Journal ofSoftware,2022,33(03):1057-1092.21王蓉，马春光，武朋.基于联邦学习和卷积神经网络的入侵检测方法J.信息网络安全，2 0 2 0，2 0（0 4）：47-54.WANG Rong,MA Chunguang,WU Peng.An intrusiondetection method based on federated learning and convolutionalneural networkJJ.Netinfo Security,2020,20(04):47-54.22高胜，袁丽萍，朱建明，等.一种基于区块链的隐私保护异步联邦学习.中国科学：信息科学，2 0 2 1,51（10）：17 55-17 7 4.GAO Sheng,YUAN Liping，Z H U Jia n m in g，e t a l.Ablockchain-based privacy-preserving asynchronous federatedlearning J.Scientia Sinica（I n f o r m a t i o n i s),2 0 2 1,51（10):1755-1774.23林尚静，马冀，李月颖，等.基于个性化联邦学习的无线通信流量预测 J.电子科技大学学报，2 0 2 3，52（0 1)：6 4-7 3.LIN Shangjing,MA Ji,LI Yueying,et al.Citywide wirelesstraffic prediction based on personalized federated learningJ.Journal of University of Electronic Science and Technology,2023,52(01):64-73.24陈兵，成翔，张佳乐，等.联邦学习安全与隐私保护综述 J.南京航空航天大学学报，2 0 2 0，52（0 5）：6 7 5-6 8 4.CHEN Bing,CHENG Xiang,ZHANG Jiale,et al.Survey ofsecurity and privacy in federated learning JJ.Journal ofNanjing University of Aeronautics&Astronautics,2020,52(05):675-684.25涂勇峰，陈文.基于联邦学习的多用户语义通信系统部署方法JI.信号处理，2 0 2 2,38（12）：2 48 6-2 495.TU Yongfeng,CHEN Wen.A deployment method of multi-user semantic communication system based on federatedlearningJJ.Journal of Signal Processing,2022,38（12):2486-2495.26朱建明，张沁楠，高胜，等.基于区块链的隐私保护可信联邦学习模型 J.计算机学报，2 0 2 1，44（12）：2 46 4-2 48 4.ZHU Jianming,ZHANG Qinnan,GAO Sheng,et al.Privacypreserving and trustworthy federated learning model based onblockchainLJJ.Chinese Journal of Computers,2021,44(12):2464-2484.HUANG Pei.Research on deep neural network learning basedon improved BP algori