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！

龙图腾网获悉南京信息工程大学申请的专利一种基于联邦学习的电力数据异常检测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：CN116451117B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310377836.2，技术领域涉及：G06F18/24；该发明授权一种基于联邦学习的电力数据异常检测方法是由邓莹;胡凯;李姚根设计研发完成，并于2023-04-10向国家知识产权局提交的专利申请。

本一种基于联邦学习的电力数据异常检测方法在说明书摘要公布了：本发明公开了一种基于联邦学习的电力数据异常检测方法，步骤如下：1故障检测数据预处理：建立多维时间序列客户端；数据预处理；构建时间窗口；2基于时域卷积神经网络、自注意力机制，建立本地模型：模型输入初始化；单层融合编码器运算；解码运算；构建模型损失函数；进行异常评分；更新局部模型参数；3服务器端采用联邦学习模型实现联合训练：构建模型损失函数；更新局部模型参数；通过上述的过程更新局部模型参数之后，上传到终端服务器中，进行聚合生成全局模型。本发明能够同时考虑到数据局部依赖性和数据全局依赖性，能够更好的提取时间序列中的时序重构信息，从而提高多维时间序列异常检测的有效性。

本发明授权一种基于联邦学习的电力数据异常检测方法在权利要求书中公布了：1.一种基于联邦学习的电力数据异常检测方法，其特征在于，包括以下步骤： 1故障检测数据预处理：建立多维时间序列客户端；数据预处理；构建时间窗口； 2基于时域卷积神经网络、自注意力机制，建立本地模型：模型输入初始化；单层融合编码器运算；解码运算；构建模型损失函数；进行异常评分；更新局部模型参数；具体包括： 2.1模型输入初始化； 多层融合编码器的堆积有利于学习到更深层次的潜在时间序列关联性；假定存在L层的融合编码器，输入长度为N的时间序列窗口，对于第l层的计算过程以及模型初始输入用方程形式化如下： 3 式中，，分别为融合编码器的2个输入，表示第l+1层融合编码器的输入，其中l∈{1,2,…,L}，表示特征空间向量的维，经过融合编码器处理后的值，代表融合编码器，LayerNorm函数代表归一化，是融合编码器输入解码器前馈网络的值，Convld代表卷积操作，FeedForward代表前馈网络； 2.2单层融合编码器运算； 将时间滑动窗口W作为模型的2个相同输入、，此时，对于融合编码器而言分别存在2个输入和2个输出；通过时域卷积神经网络和自注意力机制进行矩阵乘法获取每个时间点相较于其他时间点的注意力权重；由公式3得到第l层编码器的输入，进而通过时域卷积网络和自注意力进行信息提取，并通过十字绣单元进行提取特征的信息融合；具体公式如4所示： 4 式中，Q、K、V分别代表自注意力计算中的查询、键值以及值，由自注意力模块的输入和3个线性变换矩阵WQ、WK、WV进行线性变换得到；M代表自注意力矩阵；Softmax函数代表归一化处理，TemporalBlock函数代表时域卷积操作；是时域卷积在添加自注意力矩阵信息后的隐层表示，是时域卷积在添加自注意力模块处理后的隐层表示，和是和经过单层融合编码器的结果；、、、为权重参数； 2.3解码运算； 解码器由2个解码部分分别对第L层融合编码器最后输出的2个隐层特征进行解码；第1个解码部分为反时域卷积层，通过采用转置卷积替换时域卷积残差块中的膨胀因果卷积实现，第2个解码部分由单层的前馈神经网络层以及函数sigmoid组成；十字绣单元对侧重提取局部数据依赖和侧重提取全局数据关联的2种特征表示进行信息融合； 3服务器端采用联邦学习模型实现联合训练：构建模型损失函数；更新局部模型参数；通过上述的过程更新局部模型参数之后，上传到终端服务器中，进行聚合生成全局模型。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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。