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！

龙图腾网获悉吉林大学申请的专利基于混合联邦学习和交叉Transformer的非侵入式负荷监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：CN119962582B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202510436461.1，技术领域涉及：G06N3/0455；该发明授权基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法是由周求湛;荣静;张福强;王聪;武慧南;胡春华设计研发完成，并于2025-04-09向国家知识产权局提交的专利申请。

本基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法在说明书摘要公布了：基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法，属于电力系统管理和能源效率技术领域，解决现有技术中准确性、扩展性和隐私保护不足问题。本发明的方法包括：结合集中式联邦学习和去中心化联邦学习的混合联邦学习框架；通过图神经网络构建去中心化联邦学习的通信拓扑，使用图神经网络将深层次的图结构信息编码进客户端的嵌入表示中；通过层敏感度剪枝和鲁棒的聚合方法来增强联邦学习的隐私保护；通过一维卷积层和共享的Transformer编码器处理输入的总线功率序列，采用多个负载分支结构来实现多个的负荷工作模式的预测；在去中心化联邦学习训练中，采用投票机制判断模型是否收敛。本发明适用于对监测环境中各种负荷设备的能耗进行监控。

本发明授权基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法在权利要求书中公布了：1.一种基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法，其特征在于，所述方法包括：步骤1：对电力信号数据进行预处理；步骤2：根据监测网络带宽、延迟以及数据隐私需求确定联邦学习训练模式，所述联邦学习训练模式包括集中式联邦学习和去中心化联邦学习；如果确定为集中式联邦学习，执行步骤3，否则执行步骤4；步骤3：集中式联邦学习训练，在客户端和中心服务器部署CrossTransNILM模型，将所有参与训练的客户端模型更新集中到中心服务器进行聚合；CrossTransNILM模型包括多层Transformer编码器和负荷分支模块，通过总线功率预测多个负荷的功率消耗；CrossTransNILM模型具体包括：一维卷积层、位置编码、共享Transformer编码器以及多个负荷分支，每个负荷分支处理一种负荷类型；每个负荷分支包含一个分支Transformer编码器层、一个交叉Transformer层和两层全连接层；共享Transformer编码器由多个编码层组成，每层都包括一个多头自注意力机制和一个前馈神经网络；步骤4：去中心化联邦学习训练，各客户端独立训练CrossTransNILM模型并通过点对点通信交换模型参数，通过图注意力网络来优化通信拓扑，并通过投票机制判断全局模型的收敛性；步骤5：非侵入式负荷监测与实时反馈，将训练完成的CrossTransNILM模型部署至监测终端，实时采集总线路的功率信号，通过预处理后输入模型进行端到端监测；通过负荷分支模块输出各用电设备的功率分解结果，将负荷功率映射为用电设备的启停状态；监测终端根据联邦学习模式选择机制，定期更新模型参数。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699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”。