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南昌供电分公司申请的专利基于IP-GNN和联邦学习的接地故障预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：CN120470269B 。

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：202510968624.0，技术领域涉及：G06F18/20；该发明授权基于IP-GNN和联邦学习的接地故障预测方法是由邱日强;王巍璋;朱强;蔡方明;杨宇平;陈波;肖凝设计研发完成，并于2025-07-15向国家知识产权局提交的专利申请。

本基于IP-GNN和联邦学习的接地故障预测方法在说明书摘要公布了：本发明公开了基于IP‑GNN和联邦学习的接地故障预测方法，包括如下步骤：采集配电网运行数据，基于配电网运行数据构建配电网动态拓扑模型，基于配电网动态拓扑模型构建混合维度拓扑空间；融合动态图卷积、自适应分区策略和多头注意力机制构建改进分区图神经网络；将改进分区图神经网络与隐私保护联邦学习框架结合，构建接地故障预测模型；将混合维度拓扑空间输入接地故障预测模型，实现接地故障的预测；本发明将改进型分区图神经网络与隐私保护联邦学习深度融合，不仅实现了跨组织的数据协同建模，还突破了拓扑分析效率与数据隐私保护之间的传统平衡瓶颈。

本发明授权基于IP-GNN和联邦学习的接地故障预测方法在权利要求书中公布了：1.基于IP-GNN和联邦学习的接地故障预测方法，其特征在于，包括如下步骤：采集配电网运行数据，基于配电网运行数据构建配电网动态拓扑模型，基于配电网动态拓扑模型构建混合维度拓扑空间；融合动态图卷积、自适应分区策略和多头注意力机制构建改进分区图神经网络；将改进分区图神经网络与隐私保护联邦学习框架结合，构建接地故障预测模型；将混合维度拓扑空间输入接地故障预测模型，实现接地故障的预测； 融合动态图卷积、自适应分区策略和多头注意力机制构建改进分区图神经网络的具体过程为： 自适应分区策略为： 基于谱聚类算法动态划分网络，定义子图集合，表示第个子图，满足且，表示并集，表示第个子图，表示第个子图，表示空集，表示整个图，由所有子图的并集构成； 通过动态图卷积对子图进行处理，在此过程中引入多头注意力机制，多头注意力机制中每个注意力头的特征更新公式表示为： ； 式中，表示在第个注意力头中，图节点更新后的特征向量；表示图节点的邻居图节点集合；表示在第个注意力头中图节点对图节点的注意力权重；表示第个注意力头的权重矩阵；表示图节点的输入特征向量；表示图节点和图节点在第个注意力头中特征表示之间的相似度得分；表示指数函数；表示图节点和图节点在第个注意力头中特征表示之间的相似度得分，表示第个注意力头中的查询向量，表示转置，表示图节点的输入特征向量，表示向量拼接；表示激活函数； 融合动态图卷积、自适应分区策略和多头注意力机制构建改进分区图神经网络，表示为： ； ； 式中，表示改进分区图神经网络在层的输出特征矩阵；表示拼接操作；表示注意力头的数量；表示激活函数；表示第个注意力头中图节点对图节点间的注意力权重，通过softmax函数归一化计算；表示第个注意力头的权重矩阵；表示第层的输入特征矩阵；表示子图聚合函数；表示动态图卷积；表示第层的度矩阵；表示第层添加自连接后的邻接矩阵；表示第层的可训练权重矩阵；表示特征融合操作； 将改进分区图神经网络与隐私保护联邦学习框架结合，构建接地故障预测模型的具体过程为： 配电网各区域节点基于本地所采集的配电网运行数据，利用改进分区图神经网络进行独立建模与训练，得到训练好的各区域节点的本地模型； 其中，本地模型训练过程不涉及本地所采集的配电网运行数据交换，仅生成可加密的模型参数； 本地模型训练完成后，将本地模型的参数加密后发送至联邦协调中心；模型参数加密方式采用安全多方计算SMC与同态加密HE机制； 联邦协调中心对加密后的本地模型参数进行差分隐私注入与加权聚合，形成统一的全局预测模型即接地故障预测模型，全局预测模型的更新表达式为： ； 式中，表示时的全局预测模型参数；表示第个区域节点的样本数；表示区域节点的数量；表示安全多方计算聚合函数；表示同态加密函数；表示差分隐私噪声注入操作；表示第个区域节点在时的本地模型参数。

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国网江西省电力有限公司南昌供电分公司，其通讯地址为：330006 江西省南昌市东湖区叠山路383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。