5月16日，从国网浙江电力获悉，由该公司牵头研发的国际标准《基于联邦学习的电力视觉检测系统要求和框架》(Requirements and framework of visual inspection system based on federated machine learning in smart grid)正式在国际电信联盟(ITU)获批立项。这是世界首个获批立项的电力联邦学习国际标准，将有效助推人工智能在全球电力行业的规模化应用，助力电力行业智能化转型。
联邦学习是一种分布式人工智能模型训练技术。《基于联邦学习的电力视觉检测系统要求和框架》国际标准将联邦学习技术与电力视觉检测业务相结合，构建了一套分布式模型训练方法，能够有效解决数据孤岛带来的算法模型精准度不高等问题，从而提升电力设备智能化运维水平，提高电网智能化、安全运行能力。
在全球电力领域，视觉检测技术已广泛运用于输电、变电、配电等设备的日常运维中，实现了源、网、荷、储各环节的综合运行和维护检测。“人工智能需依靠大量的数据训练来提升算法的准确性，但在实际应用中，视觉检测模型面临着训练数据分散、视觉数据传输成本高、训练数据安全难以保证等问题。”《基于联邦学习的电力视觉检测系统要求和框架》标准召集人、浙江省王红凯技能大师工作室领衔人王红凯介绍，联邦学习的优势在于能够打破数据孤岛，允许多个数据主体在不共享数据的情况下，跨主体开展视觉检测模型训练，有效提升电力系统各环节设备维护和异常行为监测的准确率和检测效率。
国网浙江电力、浙江省王红凯技能大师工作室成员开展该国际标准研究。(陈颖 摄)
业内常用“羊吃草”的比喻介绍联邦学习的过程。“将青草看作数据，将小羊看作人工智能训练模型，传统建模需要将各个草场的青草搜集起来，运到小羊所在的地方喂它，就像从各处收集数据来训练模型。而联邦学习能够让小羊自行前往不同草场吃草，也就是数据在不出本地的情况下，也能完成模型训练，达到提升算法准确率的目的。”王红凯说，《基于联邦学习的电力视觉检测系统要求和框架》国际标准，实现了算法模型传输替代海量电力视频图像数据传输，有效避免了数据采集过程中的隐私泄露等安全问题。
联邦学习流程图(国网浙江电力制图)
据了解，国际电信联盟是联合国负责信息通信事务的专门机构，属于政府间国际组织。国网浙江电力于4月16至26日参加了在法国雷恩举行的国际电信联盟标准化第16工作组全体会议，并在会议上通过《基于联邦学习的电力视觉检测系统要求和框架》国际电信联盟标准评审。
