基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法（高校公示15天）（不包年费滞纳金）（需要二变）
发明专利基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法，属于电力系统管理和能源效率技术领域，解决现有技术中准确性、扩展性和隐私保护不足问题。本发明的方法包括：结合集中式联邦学习和去中心化联邦学习的混合联邦学习框架；通过图神经网络构建去中心化联邦学习的通信拓扑，使用图神经网络将深层次的图结构信息编码进客户端的嵌入表示中；通过层敏感度剪枝和鲁棒的聚合方法来增强联邦学习的隐私保护；通过一维卷积层和共享的Transformer编码器处理输入的总线功率序列，采用多个负载分支结构来实现多个的负荷工作模式的预测；在去中心化联邦学习训练中，采用投票机制判断模型是否收敛。本发明适用于对监测环境中各种负荷设备的能耗进行监控。
《基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法（高校公示15天）（不包年费滞纳金）（需要二变）》是一发明专利，专利号为 2025104364611，当前法律状态为已下证，由吉林大学提出申请，发明人为周求湛;荣静;张福强;王聪;武慧南;胡春华，申请日期为2025-04-09，公开（公告）日期为2025-06-10，国际专利分类号（IPC）为 G06N 3/0455 (2023.01)，高新资质：未报高企。该专利已下发证书，权利稳定，适合直接办理转让过户，是企业申报高企、项目招投标、质押融资的优质标的。赋翼网提供从选品、尽调、合同签订到官方著录项目变更（过户）的一站式专利转让服务，专业顾问全程协助，确保交易合规、安全、高效。专利摘要：基于混合联邦学习和交叉Transformer的非侵入式负荷监测方法，属于电力系统管理和能源效率技术领域，解决现有技术中准确性、扩展性和隐私保护不足问题。本发明的方法包括：结合集中式联邦学习和去中心化联邦学习的混合联邦学习框架；通过图神经网络构建去中心化联邦学习的通信拓扑，使用图神经网络将深层次的图结构信息编码进客户端的嵌入表示中；通过层敏感度剪枝和鲁棒的聚合方法来增强联邦学习的隐私保护；通过一维卷积层和共享的Transformer编码器处理输入的总线功率序列，采用多个负载分支结构来实现多个的负荷工作模式的预测；在去中心化联邦学习训练中，采用投票机制判断模型是否收敛。本发明适用于对监测环境中各种负荷设备的能耗进行监控。
海量优质专利即买即用，四大核心优势助您弯道超车：
🏆 拿资质，享红利：高企认定、专精特新必备！轻松获取政府补贴、税收减免，招投标直接加分！
💎 增信誉，融资金：支持实缴注册资金，彰显企业硬实力；支持专利质押贷款，盘活现金流，扩张不缺钱！
🔥 强背书，防抄袭：印上“专利产品”，客户更信赖！构建技术壁垒，把竞争对手挡在门外，稳占市场份额！
🚀 省时间，快变现：告别漫长研发与高风险！优质专利即买即用，让技术立刻变成真金白银的利润！
