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！

龙图腾网获悉天津大学申请的专利基于张量分解个性化联邦学习的网络-光伏爬坡协同攻击辨识方法、系统及存储介质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：CN119865328B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202411768386.0，技术领域涉及：H04L9/40；该发明授权基于张量分解个性化联邦学习的网络-光伏爬坡协同攻击辨识方法、系统及存储介质是由崔明建;崔沛然;吴丽红;康兵;蔡木良;丁贵立;孟庆霖设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本基于张量分解个性化联邦学习的网络-光伏爬坡协同攻击辨识方法、系统及存储介质在说明书摘要公布了：本发明涉及一种基于张量分解个性化联邦学习的网络‑光伏爬坡协同攻击辨识方法、系统及存储介质，包括：S1、得到针对光伏爬坡的虚假数据注入攻击虚假数据注入攻击的模型；S2、使用张量分解的方式对所需要传输的数据进行压缩并减少通信所需要的信息量，同时定义压缩率；S3、得到与张量分解相适应的张量化本地模型和个性化模型，将张量分解和联邦学习的训练相结合，得到个性化模型训练策略和张量化本地模型训练策略；S4、改进传统联邦学习的全局模型聚合方式，得到聚合因子矩阵和聚合向量组两种全局模型的聚合方式。本发明能够在减少数据传输要求的前提下实现对于光伏爬坡过程中虚假数据注入攻击的准确识别。

本发明授权基于张量分解个性化联邦学习的网络-光伏爬坡协同攻击辨识方法、系统及存储介质在权利要求书中公布了：1.一种基于张量分解个性化联邦学习的网络-光伏爬坡协同攻击辨识方法，其特征在于：所述方法的步骤为： S1、对于针对光伏爬坡过程进行的虚假数据注入攻击特征进行数学表示，得到针对光伏爬坡的虚假数据注入攻击的模型； S2、使用张量分解的方式对所需要传输的数据进行压缩并减少通信所需要的信息量，同时定义压缩率； S3、根据张量分解的特点对联邦学习进行改进，得到与张量分解相适应的双层目标模型，包括张量化本地模型和个性化模型，将张量分解和联邦学习的训练相结合，得到个性化模型训练策略和张量化本地模型训练策略； 所述个性化模型训练策略的目标函数为： 其中：为小批量样本，θk为个性化模型，为张量化本地模型； 使用新获得的θk替换上次训练最优解的条件为： 其中：ν为所期望的准确度水平； 所述个性化模型训练策略的训练流程为： 1全局初始化和广播，首先，中央服务器初始化一个全局模型并将其广播给所有电网客户端，等待后续训练； 2第t次全局通信，假设整个训练过程包含T次与服务器全局通信，在第t次t＝1,...,T全局通信时，每个电网客户端共计进行τ轮本地更新，并依次使用各自的光伏爬坡数据和FDIA攻击数据训练个性化模型和张量化本地模型，在第t′次t′＝1,...,τ更新时，第kk＝1,...,K个电网客户端首先使用模型作为参考中心点，根据个性化模型训练策略训练自己的个性化模型θk，然后使用该模型根据张量化本地模型训练策略训练张量化本地模型 3客户端选择和模型聚合，选择一个大小为S的客户端子集St用于模型聚合，并广播更新后的全局模型，在客户端侧，每一个被选中的客户端上传其更新的张量化本地模型k∈St到服务器，在服务器侧，使用聚合因子矩阵或聚合向量组的方式进行模型聚合，然后将聚合后的向量和因子矩阵分发给各服务器分别作为下次训练的初始个性化模型和张量化本地模型； 个性化模型训练策略在小批量样本上的目标函数： 使用模型在小批量样本上的损失梯度作为对整个数据集损失梯度的无偏估计，将所期望的准确度水平记作ν，应用Nesterov加速梯度下降方法，经过s次迭代计算后获得新的个性化模型θk，如果θk满足如下条件，则使用新获得的θk替换最优解 第k个客户端的最优个性化模型表示为： 其中：为第k个客户端的最优个性化模型； 张量化本地模型训练策略在最优个性化模型的基础上，基于梯度下降训练张量化本地模型，客户端k的因子矩阵的梯度用f1和f2表示为： 其中f1和f2分别为： f1和f2的偏导数分别为： 基于梯度下降，张量化本地模型的因子矩阵的更新公式为： 其中：η是张量化本地模型的学习率，在t′次本地更新轮次中，训练s'次以获得近张量化本地模型 通信模块通过张量分解，其中将权重矩阵重写为因子的矩阵乘积： y≈A1A2Tp+b； S4、改进传统联邦学习的全局模型聚合方式，得到聚合因子矩阵和聚合向量组两种全局模型的聚合方式，实现对于光伏爬坡过程中虚假数据注入攻击的准确识别； 所述聚合因子矩阵指的是服务器根据训练时选取小批量样本的数量计算全局模型每n阶n＝1,...,N平均因子矩阵 其中：β是聚合系数，用于控制全局模型更新率； 聚合向量组指的是服务器首先将经过张量化压缩的因子矩阵还原为完整的本地模型： 然后根据客户端本地样本数量计算更新后的全局模型ωt+1： 聚合后的完整全局模型ωt+1与张量化的全局模型近似相等，用于替代张量化全局模型：

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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。