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苏省电力有限公司南通供电分公司;国网江苏省电力有限公司南通市海门区供电分公司申请的专利一种基于云边协同与多智能体深度强化学习的地下电缆安全评估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：CN119337227B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411421212.7，技术领域涉及：G06F18/2413；该发明授权一种基于云边协同与多智能体深度强化学习的地下电缆安全评估方法及系统是由侯丽钢;张悠然;王海东;沈鑫;陆骢设计研发完成，并于2024-10-12向国家知识产权局提交的专利申请。

本一种基于云边协同与多智能体深度强化学习的地下电缆安全评估方法及系统在说明书摘要公布了：本发明公开了一种基于云边协同与多智能体深度强化学习的地下电缆安全评估方法及系统，该方法包括：获取地下电缆多端采集节点的温度、振动、形变以及图像数据；将上传至边缘服务节点，在边缘服务节点采用双向长短期记忆网络对视频图像数据、温度、振动、形变数据时空特征提取；将边缘服务节点预处理的特征数据上传至云计算服务中心进行多源特征数据融合，通过构建多智能体双对抗深度Q网络，将融合特征数据作为多智能体双对抗深度Q网络的状态输入，训练得到电缆安全状态评估模型，实现对地下电缆安全状态的识别与评估。本发明实现对地下电缆多源数据的有效特征提取与融合，并基于融合特征实现地下电缆安全状态的快速准确评估。

本发明授权一种基于云边协同与多智能体深度强化学习的地下电缆安全评估方法及系统在权利要求书中公布了：1.一种基于云边协同与多智能体深度强化学习的地下电缆安全评估方法，其特征在于，该方法包括： 构建用于地下电缆运行数据传输与处理的云边协同服务架构，包括边缘服务节点和云计算服务中心； 获取地下电缆多监测节点的温度数据、振动数据、形变数据以及视频图像数据，其中，监测节点的个数记为M，使用具有拉曼光时域反射技术的传感器对M处电缆温度数据进行采集，使用具有相位敏感时域反射技术的传感器对M处电缆振动数据进行采集，使用具有布里渊光时域分析技术的传感器对M处电缆形变数据进行采集，使用高清全时监控摄像头对M处电缆关键地面图像数据进行采集； 将各个监测节点得到的多源数据上传至边缘服务节点，各边缘服务节点针对温度、振动、形变形成的地下电缆运行时序数据构建长短期记忆神经网络，从而实现对地下电缆运行时序数据中噪声过滤、冗余数据剔除与关键特征的提取；同时，针对视频图像形式的地下电缆运行数据，通过构建卷积神经网络与双向长短期记忆网络实现对图像数据的关键特征的提取； 各边缘服务节点将关键特征提取后的地下电缆运行多源数据统一上传至云计算服务中心，基于全连接神经网络将关键特征提取后的地下电缆运行多源数据映射到统一维度实现数据融合处理； 构建具有反馈学习机制的多智能体双对抗深度Q网络电缆安全状态评估模型：为地下电缆的每个数据监测节点设计一个智能体，将每个数据监测节点的多源融合特征数据作为每个智能体双对抗深度Q网络的状态输入，通过多智能体与数据环境的大量交互训练得到地下电缆安全状态评估模型，每个智能体双对抗深度Q网络电缆安全状态评估模型的输出为地下电缆安全状态的评估； 所述构建具有反馈学习机制的多智能体双对抗深度Q网络电缆安全状态评估模型，具体包括： 将构建具有反馈学习机制的多智能体双对抗深度Q网络电缆安全状态评估模型转化为求解M处电缆安全状态评估误差最小化问题，包括决策变量和目标函数； 将上述M处电缆安全状态评估误差最小化问题重新建模为马尔可夫决策过程，并构建求解所述马尔可夫决策过程的基于多智能体双对抗深度Q网络的M个电缆安全状态评估智能体； 通过多智能体与数据环境的大量交互训练得到地下电缆安全状态评估智能体模型； 所述求解M处电缆安全状态评估误差最小化问题，包括决策变量和目标函数； 所述决策变量为：针对M处电缆数据监测节点的安全状态评估ai＝{elow,...,ehigh},1≤i≤M，其中：i表示第i处电缆数据采集点，安全状态评估由多个离散值表示，elow,ehigh分别表示当前电缆的最低安全系数与最高安全系数； 所述目标函数为： 其中：T表示每一处电缆进行安全状态评估的时隙总数，a′i,t表示对每一处电缆的真实安全状态； 所述将上述M处电缆安全状态评估误差最小化问题重新建模为马尔可夫决策过程，表示为： ai,t＝{elow,...,ehigh},1≤i≤M,1≤t≤T ri,t＝-a′i,t-ai,t2 其中：si,t，ai,t，ri,t分别表示与每一处地下电缆安全状态评估相关的马尔可夫决策过程的状态，行为以及奖励函数；分别表示处理后的多源特征融合数据，即与电缆温度相关的特征数据、与电缆振动相关的特征数据、与电缆形变相关的特征数据以及与电缆地面图像相关的特征数据； 所述构建求解所述马尔可夫决策过程的基于多智能体双对抗深度Q网络的M个电缆安全状态评估智能体，具体包括： 构建的M个电缆安全状态评估智能体包括结构相同的值函数网络和目标值函数网络构成；其中，值函数网络与目标值函数网络均由一个输入层、多个隐藏层以及两个输出层构成，两个输出层分别为：行为值函数输出层和优势函数输出层 所述值函数网络的输出值由行为值函数输出层和优势函数输出层共同决定，即：其中：U和分别表示智能体可选的离散动作维度数和除当前评估输出a以外的其他安全状态评估等级； 所述通过多智能体与数据环境的大量交互训练得到地下电缆安全状态评估智能体模型，训练步骤包括： 初始化数据环境，并重复执行迭代步骤直至达到预设的训练片段数K，每一训练片段长度设置为N，智能体的更新频率设置为Kupdate； 所述迭代步骤包括： 将处理后的多源特征融合数据输入至对每一处电缆安全状态评估智能体i做出决策，即为当前电缆安全状态ei,t； 将智能体获得反馈的奖励函数ri,t与下一条电缆运行多源融合特征数据评估输出ai,t以及当前多源融合特征数据构成四元组si,t,ai,t,si,t+1,ri,t存储于智能体的共享经验池中； 判定若当前达到智能体更新条件，即达到了满足更新频率的片段数Ki％Kupdate＝0，其中：Ki为当前片段数，此时，提出优先经验回放机制与智能体更新机制结合，即每一智能体从共享经验池中抽取小批量四元组s,a,s,r作为训练样本，并利用多智能体双对抗深度Q网络算法结合优先经验回放机制的联合损失函数对智能体进行训练，并对值函数网络进行更新； 所述智能体更新过程中实施的优先经验回放机制具体原理为： 计算每个经验元组在经验池中的抽样权重，并根据抽样权重大小进行小批量四元组抽样，其采样权重计算公式如下所示： 其中：κ表示优先经验回放机制的抽样权重；表示共享经验池中每一智能体经验元组的存储总数；表示某一经验元组在当前所有存储的经验元组中的优先级；p表示某一经验元组与其他所有经验元组的TD误差绝对值；表示某一经验元组与其他所有经验元组的TD误差绝对值集合，sum·为一求和函数；φ表示一抽样权重系数；和表示智能体i的值函数和目标值函数，s′和a′分别表示某一经验元组下一时隙的电缆运行特征数据和目标动作值；表示智能体i的目标值； 所述利用多智能体双对抗深度Q网络算法结合优先经验回放机制的联合损失函数，表示为： 在每一更新回合中，智能体通过最小化上述构建的联合损失函数进行训练。

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苏省电力有限公司南通供电分公司;国网江苏省电力有限公司南通市海门区供电分公司，其通讯地址为：226006 江苏省南通市青年中路52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。