-
公开(公告)号：CN118611186B
公开(公告)日：2025-04-15
申请号：CN202410624371.0
申请日：2024-05-20
Applicant: 苏州科技大学
Abstract: 本发明公开了适用于任意有向通信拓扑的完全分布式电力系统调度方法，包括采用二次型函数计算子系统的运行维护成本和碳交易成本；基于运行维护成本和碳交易成本，引入拉格朗日乘子，将不等式约束转化为等式约束，并结合KKT条件进行分析获取子系统最优有功功率；以及基于一致性的调度优化子系统最优有功功率，包括为每个子系统增加供需偏差的估计变量和引入surplus变量；结合供需偏差的估计变量和surplus变量分别进行状态的一致性迭代、有功功率的计算和功率不一致的估计；每个节点根据本地信息和与邻近节点的简单通信来做出决策，大大提高了适用于大规模和复杂的电力网络算法的鲁棒性和灵活性，实现成本效益和环境效益的最优平衡。
-
公开(公告)号：CN118965384A
公开(公告)日：2024-11-15
申请号：CN202410978999.0
申请日：2024-07-22
Applicant: 苏州科技大学
IPC: G06F21/60 , G06N3/0442 , G06N3/0464 , G06N3/08 , H02J3/00
Abstract: 本发明公开了一种基于同态加密的企业电力负荷分布式联邦预测方法，包括以下步骤：步骤1、服务器将负荷预测模型下发给各个客户端；步骤2、客户端利用本地的数据集数据训练负荷预测模型，得到权重参数后加密为同态加密数据发送给服务器；步骤3、服务器对客户端发来的同态加密数据解密得到权重参数，然后聚合各个客户端的权重参数得到全局模型权重后，加密为同态加密数据下发给各个客户端；步骤4、每个客户端对同态加密数据进行解密后，将全局模型权重加载至本地的负荷预测模型，用于负荷预测。本发明不仅能够实现企业电力负荷的精准预测，还通过数据交互过程中的同态加密兼顾了隐私性保护要求。
-
Patent Agency Ranking
公开(公告)号：CN118611186A
公开(公告)日：2024-09-06
申请号：CN202410624371.0
申请日：2024-05-20
Applicant: 苏州科技大学
Abstract: 本发明公开了适用于任意有向通信拓扑的完全分布式电力系统调度方法，包括采用二次型函数计算子系统的运行维护成本和碳交易成本；基于运行维护成本和碳交易成本，引入拉格朗日乘子，将不等式约束转化为等式约束，并结合KKT条件进行分析获取子系统最优有功功率；以及基于一致性的调度优化子系统最优有功功率，包括为每个子系统增加功率偏差的估计向量和引入surplus变量；结合功率偏差的估计向量和surplus变量分别进行状态的一致性迭代、有功功率的计算和功率不一致的估计；每个节点根据本地信息和与邻近节点的简单通信来做出决策，大大提高了适用于大规模和复杂的电力网络算法的鲁棒性和灵活性，实现成本效益和环境效益的最优平衡。
-
公开(公告)号：CN118333182A
公开(公告)日：2024-07-12
申请号：CN202410271463.5
申请日：2024-03-11
Applicant: 苏州科技大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于梯度压缩的高效联邦学习方法，包括以下步骤：步骤1、所述服务器确定机器学习模型并建立联邦学习优化数学模型；步骤2、服务器采用非支配排序遗传算法对联邦学习优化数学模型进行求解，得到稀疏化参数和随机量化参数发送给本地设备；步骤3、本地设备接收对应的稀疏化参数和随机量化参数后对机器学习模型进行多轮迭代训练，并进行梯度压缩后将梯度压缩结果上传给服务器；步骤4、服务器聚合各个本地设备梯度压缩结果得到全局梯度向量，并发送给各个本地设备；步骤5、每个本地设备根据全局梯度向量对本地设备的机器学习模型进行更新。本发明可解决现有梯度压缩方法过度压缩导致训练时间成本增加的问题。
-
公开(公告)号：CN119831000A
公开(公告)日：2025-04-15
申请号：CN202411887862.0
申请日：2024-12-20
Applicant: 苏州科技大学
Abstract: 本发明属于联邦学习技术领域，涉及一种基于知识蒸馏驱动的自适应去中心化小样本联邦学习框架，首先，提出了基于知识偏移的策略，通过衡量学生模型与教师模型间的知识偏移度，优化各节点的本地模型更新，减少模型间差异，提升整体性能；其次，利用图神经网络构建节点间的邻居关系图，指导知识蒸馏过程，增强模型的泛化能力；最后，设计了一种自适应频率调整算法，根据模型偏移度和通信成本动态调整模型更新频率，以减少不必要的通信开销并提升训练效率；该框架在Mini‑ImageNet和Tiered‑ImageNet数据集上相比传统联邦学习方法显著提高了分类准确率并减少了通信成本。
-
公开(公告)号：CN118072077A
公开(公告)日：2024-05-24
申请号：CN202410099569.1
申请日：2024-01-24
Applicant: 苏州科技大学
IPC: G06V10/764 , G06V10/82 , G06F21/62
Abstract: 本发明公开了基于联邦学习小样本图像对比数据隐私保护分类方法，具体涉及联邦学习技术领域，建立联邦小样本学习机制，构建模型并应用于所有客户端，实现在训练过程中有效保护数据隐私；通过FFSLCL网络框架识别新类别的样本：通过重要参数的设置在执行已知类别的分类任务外，实现模型快速适应新类别，让模型能够对目标类进行泛化，在各个客户端在自身拥有少量数据的情况下，对目标类进行准确分类；采用patchmix图像增强方法，将图像中的补丁加入到训练过程中，以便模型学习到图像中真实的类别特征。本发明提高模型的准确率，解决了联邦学习中的小样本问题。
-
公开(公告)号：CN119834219A
公开(公告)日：2025-04-15
申请号：CN202411901512.5
申请日：2024-12-23
Applicant: 苏州科技大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/045 , G06N3/0442
Abstract: 本发明公开了一种考虑多因素的短期电力负荷预测方法，包括以下步骤：步骤1、获取历史上的电力负荷数据以及外部因素数据，进行相关性分析，得到相关性符合要求的电力负荷数据和外部因素数据构建训练集；步骤2、构建DCR‑Attention‑BiLSTM组合模型，包括膨胀卷积残差块DCR、时间注意力机制、交叉注意力机制、BiLSTM网络；使用步骤1中的训练集对组合模型进行训练；训练时，由组合模型输出短期电力负荷数据预测结果。本发明可减少不相关外部因素对负荷预测精度的影响，可有效地提高电力负荷的预测精度，避免了模型参数调整难度大的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.018 seconds)
