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

Inventor： 陈珍萍 ,  左毅 ,  周怡红 ,  丰静 ,  翟子豪 ,  鞠张琰

IPC: G06N3/098 ,  G06N3/042

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：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

Inventor： 陈珍萍 ,  丰静 ,  范松丽 ,  鞠张琰 ,  周怡红

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。