联邦学习在电力数据分析中的应用及隐私保护方法

    公开(公告)号:CN118468986A

    公开(公告)日:2024-08-09

    申请号:CN202410610641.2

    申请日:2024-05-16

    Abstract: 联邦学习在电力数据分析中的应用及隐私保护方法,是客户端在中央服务器的协调下共同训练模型,客户端接收服务器下发的初始化模型,根据本地数据训练出一个本地模型并上传给服务器,服务器对客户端上传的模型参数进行安全聚合并反馈给客户端,客户端根据更新的模型进行下一次迭代,如此进行多次迭代直至模型收敛;采用了将同态加密和差分隐私结合的方法,使用差分隐私对参与方上传的模型参数δi添加噪声,使其满足ε‑差分隐私,然后再对添加噪声后的参数使用同态加密进行加密。联邦学习方法能够有效保证客户端敏感数据的隐私性,应用利用主成分分析提取特征,识别模型获得了更好的性能,同时联邦识别模型具有与集中式方法相当的性能。

    一种电力相量图绘图尺
    9.
    发明公开

    公开(公告)号:CN117382337A

    公开(公告)日:2024-01-12

    申请号:CN202311420579.2

    申请日:2023-10-30

    Abstract: 本发明涉及电力工具技术领域,具体公开了一种电力相量图绘图尺,包括外尺和内尺,外尺内部固定有凸环,内尺侧壁开设有凹槽,凸环位于凹槽内部且与之转动连接,内尺上端面设置有径向直线孔,内尺上端面还等均设置有若干个圆槽,圆槽用于画出内尺同心圆弧,锁紧机构安装在内尺内部,锁紧机构用于将内尺固定在外尺内部不动,笔套安装在径向直线孔内部,笔套用于驱动锁紧机构运转,本发明通过外尺内部设置的内尺,从而代替了传统的半圆量角器和直尺等工具,使得携带起来更加便捷;通过在内尺内部设置的锁紧机构,进而在笔套移动到径向直线孔最里面时,从而达到对内尺进行锁紧,避免笔套沿着径向直线孔划线时出现内尺转动的问题。

    基于改进的麻雀搜索算法的模型参数优化方法、装置

    公开(公告)号:CN116596021A

    公开(公告)日:2023-08-15

    申请号:CN202310529667.X

    申请日:2023-05-11

    Abstract: 本发明涉及一种机器学习技术领域,是一种基于改进的麻雀搜索算法的模型参数优化方法、装置,前者包括设置改进的麻雀搜索算法参数和模型超参数搜索范围;利用PWLCM混沌映射初始化麻雀种群;根据改进的麻雀搜索算法对个体位置进行迭代更新;以麻雀个体位置信息为超参数构建模型,确定个体适应度并排序,得到最优、最差适应度个体位置;多次迭代,以全局最优个体位置信息为超参数构建模型,完成模型参数优化。本发明基于改进的麻雀搜索算法输出的全局最优个体位置信息构建模型,完成模型参数优化,由于改进的麻雀搜索算法的全局寻优与局部搜索能力强,所以模型参数优化效果更好,使得模型的预测更加准确。

Patent Agency Ranking