-
公开(公告)号：CN116089838A
公开(公告)日：2023-05-09
申请号：CN202310184950.3
申请日：2023-03-01
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q30/0201 , G06Q50/06
Abstract: 本发明公开了一种窃电用户智能识别模型训练方法和识别方法，所述训练方法包括获取无标签用电数据和有标签用电数据；对用电时间序列进行预处理；由无标签用电数据的N个预处理后的用电时间序列构成第一样本数据集，由有标签用电数据的M个预处理后的用电时间序列及对应的用户类型构成第二样本数据集；构建对比表征学习模型，利用第一样本数据集对对比表征学习模型进行训练，得到目标特征编码器；构建窃电用户智能识别模型，窃电用户智能识别模型包括目标特征编码器、时频域特征提取模块以及分类计算模块；利用第二样本数据集对窃电用户智能识别模型进行训练，得到目标窃电用户智能识别模型。本发明能够提高窃电用户识别的准确性。
-
公开(公告)号：CN116089838B
公开(公告)日：2023-09-26
申请号：CN202310184950.3
申请日：2023-03-01
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q30/0201 , G06Q50/06
Abstract: 本发明公开了一种窃电用户智能识别模型训练方法和识别方法，所述训练方法包括获取无标签用电数据和有标签用电数据；对用电时间序列进行预处理；由无标签用电数据的N个预处理后的用电时间序列构成第一样本数据集，由有标签用电数据的M个预处理后的用电时间序列及对应的用户类型构成第二样本数据集；构建对比表征学习模型，利用第一样本数据集对对比表征学习模型进行训练，得到目标特征编码器；构建窃电用户智能识别模型，窃电用户智能识别模型包括目标特征编码器、时频域特征提取模块以及分类计算模块；利用第二样本数据集对窃电用户智能识别模型进行训练，得到目标窃电用户智能识别模型。本发明能够提高窃电用户识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116108350A
公开(公告)日：2023-05-12
申请号：CN202310016410.4
申请日：2023-01-06
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06F18/214 , G06N3/0464 , G06N3/096 , G06Q50/06
Abstract: 本发明公开了一种基于多任务学习的非侵入式电器识别方法及系统，本方法通过获取多种电器的训练样本集和验证样本集；根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；计算非侵入式电器识别模型的残差值；将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到。本发明能够充分利用电器之间的内在联系，提高非侵入式电器识别的准确度。
-
公开(公告)号：CN115965078A
公开(公告)日：2023-04-14
申请号：CN202211564028.9
申请日：2022-12-07
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06N3/096 , G06N3/0464 , G06F18/24
Abstract: 本发明公开了一种分类预测模型训练方法、分类预测方法、设备及存储介质，该训练方法包括每个客户端利用本地训练数据集对本地分类预测模型进行训练，计算出本地训练数据集中各类数据的原型，计算出公共数据集的软决策；中央服务器端将所有原型和所有软决策进行聚合，利用聚合后的原型和聚合后的软决策构建优化目标函数，并对全局分类预测模型进行训练，计算出公共数据集的软决策；每个客户端利用接收到的软决策和公共数据集对本地分类预测模型进行训练；当循环轮次等于设定轮次时，得到训练好的各本地分类预测模型和全局分类预测模型。本发明可以减少服务器与客户端之间的通信开销，实现模型架构个性化，提高模型精度。
-
公开(公告)号：CN116108350B
公开(公告)日：2023-10-20
申请号：CN202310016410.4
申请日：2023-01-06
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06F18/214 , G06N3/0464 , G06N3/096 , G06Q50/06
Abstract: 本发明公开了一种基于多任务学习的非侵入式电器识别方法及系统，本方法通过获取多种电器的训练样本集和验证样本集；根据卷积神经网络，构建多任务学习的非侵入式电器识别模型；计算非侵入式电器识别模型的残差值；将多种电器的待预测样本输入至训练好的非侵入式电器识别模型中，获得非侵入式电器的识别结果；其中，训练好的非侵入式电器识别模型由残差值、验证样本集和训练样本集训练得到。本发明能够充分利用电器之间的内在联系，提高非侵入式电器识别的准确度。
-
公开(公告)号：CN115130814B
公开(公告)日：2023-05-02
申请号：CN202210504887.2
申请日：2022-05-10
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06Q10/0639 , G06Q50/06 , G06F18/25 , G06N20/00
Abstract: 本发明公开了一种纵向数据融合的隐私计算方法及系统，用于电力数据和移动人口数据的融合，该方法包括：输入想要评价的商圈的地理位置和时间段，中心服务器将所述任务模型拆解为若干个子任务；其中每个子任务，最多仅需要一个数据中心的原始数据；将各子任务分配至所需的原始数据对应的数据中心进行计算；各数据中心根据最佳影响权重的索引值找到对应的自身的最佳影响权重，结合本地商圈的电力数据和移动人口数据计算出子任务结果并上传至中心服务器；中心服务器将各数据中心的上传的子任务结果进行融合，得到商圈活跃度隐私计算的最终结果。本发明运用纵向联邦，科学合理地分析商圈的经济活跃性。
-
公开(公告)号：CN115130814A
公开(公告)日：2022-09-30
申请号：CN202210504887.2
申请日：2022-05-10
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
Abstract: 本发明公开了一种纵向数据融合的隐私计算方法及系统，用于电力数据和移动人口数据的融合，该方法包括：输入想要评价的商圈的地理位置和时间段，中心服务器将所述任务模型拆解为若干个子任务；其中每个子任务，最多仅需要一个数据中心的原始数据；将各子任务分配至所需的原始数据对应的数据中心进行计算；各数据中心根据最佳影响权重的索引值找到对应的自身的最佳影响权重，结合本地商圈的电力数据和移动人口数据计算出子任务结果并上传至中心服务器；中心服务器将各数据中心的上传的子任务结果进行融合，得到商圈活跃度隐私计算的最终结果。本发明运用纵向联邦，科学合理地分析商圈的经济活跃性。
-
-
-
-
-
-
Search Results
7
records
(took 0.073 seconds)
