摘要:配电通信网络作为智能电网的核心支撑,持续产生高频、多源的时间序列数据,传统集中式异常检测模式面临隐私安全风险、系统效能不足与跨域数据协同困难的挑战。为此,本文提出一种基于联邦学习与时空知识迁移的配电通信网络分布式云边协同异常检测方法:首先,提出一种集成自适应频谱分析、图注意力网络变量关系挖掘与多尺度时序卷积局部特征提取的协同检测模型,有效增强对时序数据频域特征、变量间动态依赖与局部异常模式的感知能力;其次,设计基于差分隐私扩散模型的时序数据合成方法,在保护原始数据隐私的前提下生成高质量共享数据,为联邦训练提供数据基础;最后,构建双维度知识迁移机制,结合空间知识对齐与时间知识传递,缓解数据异质性带来的模型偏差与“灾难性遗忘”问题,并依托云边协同架构实现跨区域分布式异常检测。实验表明,该方法在保障数据隐私的同时,有效提升了异常检测的时效性与泛化能力,为智能电网配电通信网络的安全高效运维提供技术支撑。