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！

龙图腾网获悉国网江西省电力有限公司电力科学研究院申请的专利基于联邦图学习的电力物联网设备异常检测方法及系统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：CN120124674B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202510601667.5，技术领域涉及：G06N3/042；该发明授权基于联邦图学习的电力物联网设备异常检测方法及系统是由肖勇才;杨浩;潘曙辉;刘恒;陈明亮;郑文彬;林楠;喻宝禄;龙宣东设计研发完成，并于2025-05-12向国家知识产权局提交的专利申请。

本基于联邦图学习的电力物联网设备异常检测方法及系统在说明书摘要公布了：本发明公开了一种基于联邦图学习的电力物联网设备异常检测方法及系统，方法包括：构建图结构数据；在客户端层，使用图神经网络作为下游任务的本地节点分类器，使用自适应图插补生成器来修复子图和丢失的跨子图连接；采用多个服务器作为中心节点，客户端本地训练至收敛后将获得的模型参数上传至本区域的中心服务器；在服务器层，根据自动编码器获取所覆盖客户端的潜在全局特征，并且允许相邻的服务器之间传输模型参数，采用聚合算法获得全局模型下发给各个客户端；各个客户端更新模型后继续下一轮的训练，直至得到最优检测模型。利用自适应图插补生成器挖掘子图间的潜在连接，填补缺少跨客户端拓扑信息的空白。

本发明授权基于联邦图学习的电力物联网设备异常检测方法及系统在权利要求书中公布了：1.一种基于联邦图学习的电力物联网设备异常检测方法，其特征在于，包括： 构建图结构数据，图结构数据中每个节点代表一个电力物联网设备产生的运行数据，每条边两个电力物联网设备之间的关联关系，其中，运行数据包括电力物联网设备的状态信息、电量消耗、故障记录； 在客户端层，使用图神经网络作为下游任务的本地节点分类器，使用自适应图插补生成器来修复子图和丢失的跨子图连接，其中，自适应图插补生成器包括：输入层、编码层、多粒度池化层、图匹配层、解码层以及拓扑正则化层； 输入层：输入包含缺失子图的原始图，通过图坍缩预处理，将高密度子图压缩为多个节点； 编码层：对候选节点和邻域特征进行融合； 根据子图缺失区域的上下文信息，动态生成插补路径的权重，控制候选节点与现有节点的融合比例，输出增强特征，公式为： ， 其中，为输出门控值，为输入的候选节点特征，为输入的相邻子图特征，表示逐元素相乘，为输出的增强特征； 多粒度池化层：对增强特征进行局部与全局特征提取，在局部池化中采用基于节点注意力权重的加权求和方式，而在全局池化中采用子图级图卷积，分别捕获局部细节与全局模式的关联，得到多尺度表示，多粒度融合公式为： ， 其中，为局部池化后的特征，表示候选节点集合的加权聚合特征，为全局池化后的特征，表示子图的整体模式，MLP是多层感知机，||是拼接操作，为多粒度池化特征； 图匹配层：将多粒度池化特征输入，通过注意力机制计算跨子图节点的相似性，生成自适应权重，指导缺失连接的生成，对于子图修复，结合相邻子图的上下文信息生成候选节点表示，计算候选节点与现有节点的关联概率，选择最优连接方式，而对于跨子图连接修复，利用图匹配层中的交叉图卷积实现双向异构消息传递，融合源子图与目标子图的信息； 解码层：根据图匹配层生成的重构邻接矩阵，生成缺失子图的节点和边； 拓扑正则化层：对解码层生成的图进行度分布和环结构约束，完善生成子图的拓扑合理性，利用KL散度计算生成图与真实图的节点度分布损失；同时通过频谱分析检测生成图中的环结构并惩罚冗余环； 采用多个服务器作为中心节点，客户端本地训练至收敛后将获得的模型参数上传至本区域的中心服务器； 在服务器层，根据自动编码器获取所覆盖客户端的潜在全局特征，并且允许相邻的服务器之间传输模型参数，采用聚合算法获得全局模型下发给各个客户端； 各个客户端更新模型后继续下一轮的训练，直至得到最优检测模型； 获取待测图结构数据，将待测图结构数据输入至最优检测模型中，最优检测模型输出得到电力物联网设备异常结果。

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国网江西省电力有限公司电力科学研究院，其通讯地址为：330000 江西省南昌市青山湖区民营科技园内民强路88号检测试验中心科研楼(第1-11层)；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”。