买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江大学申请的专利基于多粒度树状图神经网络的电力调度与优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119518709B 。

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411529530.5，技术领域涉及：H02J3/00；该发明授权基于多粒度树状图神经网络的电力调度与优化方法是由宋明黎;杨杰;刘顺宇设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本基于多粒度树状图神经网络的电力调度与优化方法在说明书摘要公布了：基于多粒度树状图神经网络的电力系统调度与优化方法与系统，其方法包括：步骤1.构建电网状态样本数据集；步骤2.对电网数据进行图表示与特征提取；步骤3.构建层次化多粒度电网信息粗化模型；步骤4.构建电网信息图扰动模型；步骤5.构建树状神经网络自适应路径选择模型；步骤6.根据多粒度树状神经网络模型执行电力系统的解释与调度决策。本发明考虑电力系统的图网络结构特性，将电网建模为图数据，并在现有图神经网络模型的基础上，引入多粒度图粗化、可学习扰动以及自适应路径选择模块以构建多层次结构的树状模型，从而分析全局以及不同范围尺度的局部等各个粒度级别的电力系统状态与表征，提升模型的预测准确性和决策的可解释性。

本发明授权基于多粒度树状图神经网络的电力调度与优化方法在权利要求书中公布了：1.基于多粒度树状图神经网络的电力调度与优化方法，包含如下步骤： 步骤1.构建电网状态样本数据集； 步骤2.对电网数据进行图表示与特征提取； 步骤3.构建层次化多粒度电网信息粗化模型；具体包括： 采用一种层次化图粗化模块，构建树状神经网络模型的逐个层次，通过将电力系统中的复杂关系在多个粒度上逐步进行建模，以逐步简化电网图结构，获取多粒度的结构信息； 该模块基于经典的图池化策略，通过图神经网络GNN提取每一层的节点嵌入表示，并在此基础上进行图粗化处理；首先在每一层中提取节点嵌入Zl，其更新规则如下： 其中，Z0＝X为输入特征矩阵，是包含自环的邻接矩阵，是的度矩阵，Wl是第l层的权重矩阵，σ·是激活函数； 接下来，通过多层感知机MLP生成聚类分配矩阵Sl，用于在每一层中将节点合并为粗粒度的聚类： Sl＝softmaxMLPlZl；ΘMLP5 其中ΘMLP是可训练参数，表示节点vi属于聚类j的概率； 然后，利用Sl生成粗化后的邻接矩阵Al+1和嵌入矩阵Xl+1： 其中，N是当前层的节点数量，Kl是第l层的聚类数量；为在粗化过程中保持图结构的连通性，引入边预测损失以约束粗化过程： 其中，Aij是原始邻接矩阵中的元素，是粗化后的邻接矩阵；通过这种层次化的粗化策略，能够从电网的细节层次到更高的抽象层次逐步提取信息，以适应不同的调度需求； 步骤4.构建电网信息图扰动模型；具体包括： 在多粒度图粗化基础上，引入可学习图扰动模块，构建树状神经网络模型的逐个层次中对应的节点，旨在通过引入微小的扰动来提升模型对电网不同运行状态的适应性与鲁棒性，并为树状神经网络模型逐层提供叶子节点；该模块通过为每个父节点生成一组可学习的扰动矩阵从而对粗化的分配矩阵进行扰动，生成多个可能的子图状态： 其中，为原始的聚类分配矩阵； 基于扰动后的分配矩阵，计算扰动后的节点嵌入 其中，是第l层中第k个父节点的嵌入表示；为确保扰动后的嵌入既保持原始信息又具备多样性，设计两种正则化项： 相似性正则化： 确保扰动后的嵌入与原始嵌入相近，保留图的结构信息； 多样性正则化： 促进不同扰动之间的差异，确保模型能够应对不同的电网情景；通过这两个正则化项，定义扰动总损失： 步骤5.构建树状神经网络自适应路径选择模型；自适应路径选择模型旨在动态选择从根节点到叶节点的最优路径，构建树状神经网络模型的不同层次所对应的节点之间的路由路径，从而为电力调度提供最优的决策方案； 步骤6.根据多粒度树状神经网络模型执行电力系统的解释与调度决策。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。