-
公开(公告)号：CN116362329A
公开(公告)日：2023-06-30
申请号：CN202310437585.2
申请日：2023-04-21
Applicant: 上海电力大学
IPC: G06N3/098 , G06N20/00 , G06N3/006 , G06F18/2321
Abstract: 本发明涉及一种融合参数优化的集群联邦学习方法及设备，方法包括：S1：各客户端基于中央服务器发布的全局模型和各自私有数据进行本地模型训练，得到代表本地数据特征的局部模型，将局部模型参数上传至中央服务器；S2：中央服务器根据所有客户端的局部模型参数，对客户端进行聚类，将所有客户端划分为不同的集群；S3：中央服务器确认此次训练需要优化的超参数和适应度函数，发送给所有客户端；S4：各集群分别进行联邦学习训练，训练过程中引入改进的粒子群算法，根据中央服务器确认的超参数和适应度函数进行训练，并在每一轮训练中动态调整超参数，以获得最优的联邦学习模型。与现有技术相比，本发明具备训练效率高、训练模型精度高的优点。
-
公开(公告)号：CN116342233A
公开(公告)日：2023-06-27
申请号：CN202310243325.1
申请日：2023-03-14
Applicant: 上海电力大学
Abstract: 本发明涉及一种基于Skyline策略的微电网数据处理方法、装置和系统，应用于电力审查中心，方法包括如下步骤：S1，获取消费者的购电计划数据并发布到区块链网络中；S2，参与投标的微电网将第一轮投标价格加密并发送至消费者之后，从消费者获取经过Skyline加密后的第一轮投标结果的密文并进行排序，将第一轮排序结果发送给消费者，并将第一轮最低投标价格发布在区块链上；S3，基于第一轮最低投标价格进行第二轮投标，加密并发送至消费者之后，从消费者获取经过Skyline加密后的第二轮投标结果的密文，确定最终交易的微电网。与现有技术相比，本发明具有公平，安全，高效等优点。
-
公开(公告)号：CN114549805A
公开(公告)日：2022-05-27
申请号：CN202210189197.2
申请日：2022-02-28
Applicant: 上海电力大学
Abstract: 本发明公开了一种基于深度学习的医学图像三维自动分割方法，具有这样的特征，包括以下步骤：步骤1，对于待实现自动分割的病灶或器官的病例，采集临床影像数据，并对影像数据进行脱敏及规范化处理。步骤2，基于影像数据构建训练集。步骤3，对训练集进行预处理及数据增强，得到规范化的数据。步骤4，设置超参数，并将规范化的数据输入到三维全自动分割网络模型中进行训练，得到训练完成的分割模型。步骤5，采集影像数据作为测试样本，经规范化处理后输入训练完成的分割模型。步骤6，由步骤4得到的分割模型实现全自动特征提取并输出的病灶或器官的分割结果。
-
公开(公告)号：CN114499819A
公开(公告)日：2022-05-13
申请号：CN202210208445.3
申请日：2022-03-03
Applicant: 上海电力大学
Abstract: 本发明公开了一种无可信机构的智能电表数据聚合方法，具有这样的特征，包括以下步骤：步骤1，聚合中心为各个参与者生成相关参数并发送给智能电表，并初始化系统。步骤2，聚合中心基于随机抽样方法和快速排序方法为每个智能电表创建对应的序列号。步骤3，每个智能电表根据各自的序列号生成一个n维向量并发送给聚合中心，聚合中心得到所有n维向量并计算得到向量Vagg后，使用向量Vagg计算任意聚合函数。步骤4，录用基于扩展的Shamir秘密共享方法对系统进行管理。
-
公开(公告)号：CN113936140A
公开(公告)日：2022-01-14
申请号：CN202111367546.7
申请日：2021-11-18
Applicant: 上海电力大学
IPC: G06V10/26 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06F30/27
Abstract: 本发明提供一种基于增量式学习的对抗样本攻击模型的评估方法，由于使用Deeplab v2语义分割模型结合知识蒸馏的增量式学习方法对样本数据进行特征提取获取语义分割图，再分别在不同的扰动值下使用不同的攻击算法对该采用不同学习方法的模型进行攻击获取攻击成功率，最终通过对比采用不同学习方法的模型的攻击成功率，得出增量式学习方法可以在不存储旧任务图像的情况下学习新知识，从而减少时间上和空间上的浪费，也可以解决深度学习模型使用批量式学习时产生的灾难性遗忘问题，同时，也得出了针对无人驾驶场景中的深度学习模型在执行增量学习任务时，对抗样本攻击对深度学习模型所产生的影响。
-
Patent Agency Ranking
公开(公告)号：CN113468527A
公开(公告)日：2021-10-01
申请号：CN202110690108.8
申请日：2021-06-22
Applicant: 上海电力大学
Abstract: 本发明涉及一种基于特征表达增强的恶意代码家族分类方法，属于恶意代码分类技术。因为该方法首先反编译恶意代码源程序得到.bytes文件和.asm文件，然后通过N‑Gram算法提取.asm文件的文本特征，将两类文件转换成灰度图像后，通过灰度共生矩阵和灰度直方图提取纹理特征和颜色特征，最后融合文本特征、纹理特征、颜色特征三类单一特征构建新的融合特征。所以，本发明提供的恶意代码家族分类方法能够增强恶意代码特征表达能力，提高恶意代码家族分类的精度，从而有效应对恶意代码攻击行为，维护互联网网络安全。
-
公开(公告)号：CN112861787A
公开(公告)日：2021-05-28
申请号：CN202110255126.3
申请日：2021-03-09
Applicant: 上海电力大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06F30/27 , G01M13/021 , G01M13/028 , G06F119/14
Abstract: 本发明涉及一种风电机组行星齿轮箱故障诊断方法，包括采集行星齿轮箱的时域振动信号作为待诊断样本，所述待诊断样本即为无标记目标的目标域数据集；建立行星齿轮箱的动力学模型，求解动力学模型得到故障仿真时域信号，所述故障仿真时域信号即为含标记目标的源域数据集；对目标域数据集和源域数据集进行幅值归一化，并将目标域数据集按照设定的比例划分为训练集和测试集，源域数据集全部划为训练集；构建深度卷积迁移学习网络，利用训练集对网络进行训练，并使用测试集对训练结果进行评估测试，得到故障诊断结果。与现有技术相比，本发明具有解决真实设备数据采集费时费力的问题，降低传统方法对大量真实设备数据的依赖，提高诊断精度等优点。
-
公开(公告)号：CN114499819B
公开(公告)日：2024-12-10
申请号：CN202210208445.3
申请日：2022-03-03
Applicant: 上海电力大学
Abstract: 本发明公开了一种无可信机构的智能电表数据聚合方法，具有这样的特征，包括以下步骤：步骤1，聚合中心为各个参与者生成相关参数并发送给智能电表，并初始化系统。步骤2，聚合中心基于随机抽样方法和快速排序方法为每个智能电表创建对应的序列号。步骤3，每个智能电表根据各自的序列号生成一个n维向量并发送给聚合中心，聚合中心得到所有n维向量并计算得到向量Vagg后，使用向量Vagg计算任意聚合函数。步骤4，录用基于扩展的Shamir秘密共享方法对系统进行管理。
-
公开(公告)号：CN111815035B
公开(公告)日：2024-01-30
申请号：CN202010571442.7
申请日：2020-06-22
Applicant: 国网上海市电力公司 , 上海电力大学 , 华东电力试验研究院有限公司
IPC: G06Q10/04 , G06Q50/06 , G06F18/23213 , G06N3/0464 , H02J3/00
Abstract: 本发明涉及一种融合形态聚类及TCN‑Attention的短期负荷预测方法，包括以下步骤：S1：对负荷历史日数据进行形态聚类，形成多个负荷相似日簇；S2：对影响负荷预测的数据进行预处理，获取待预测日负荷预测的影响因素数据；S3：根据各负荷相似日簇与影响因素数据的相似性为待预测日选择对应的相似日簇训练子集；S4：将待预测日对应的相似日簇训练子集输入到预测模型进行训练；S5：输入待预测日的影响因素数据至训练完成的预测模型，输出短期负荷预测值；所述的预测模型包括依次连接的输入层、TCN残差模块、Attention机制模块和输出层，与现有技术相比，本发明具有预测速度快且预测(56)对比文件李鹏辉;崔承刚;杨宁;陈辉.基于ARIMALSTM组合模型的楼宇短期负荷预测方法研究.上海电力学院学报.2019,(第06期),全文.张冰;周步祥;石敏;魏金萧.基于灰色关联分析与随机森林回归模型的短期负荷预测.水电能源科学.2017,(第04期),全文.吴云;雷建文;鲍丽山;李春哲.基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测.电力系统自动化.2018,(第20期),全文.
-
公开(公告)号：CN115879602A
公开(公告)日：2023-03-31
申请号：CN202211429283.2
申请日：2022-11-15
IPC: G06Q10/04 , G06Q50/06 , G06F18/2337 , G06N3/0442
Abstract: 本发明涉及一种基于瞬变气象的超短期光伏出力预测方法，包括：获取历史样本数据并进行预处理；基于模糊C均值聚类对历史样本数据进行聚类；基于主成分分析法对历史气象数据进行特征降维得到气象数据特征；在每个天气类型下随机确定一个参考日样本，并基于其与相似日气象数据特征之间的余弦距离进行排序；构建自适应门控循环单元神经网络模型；将相邻排序的相似日样本的历史光伏出力数据分别作为模型的输入与输出，基于不确定性加权法对模型进行训练；基于训练完成的模型预测光伏出力。与现有技术相比，本发明充分考虑了历史光伏出力与气象信息间的关系、相同天气类型下相似日样本间的相关信息，能够有效准确的对超短期光伏出力进行预测。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.03 seconds)
