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！

龙图腾网获悉国网山东省电力公司电力科学研究院申请的专利一种基于联邦学习的5G基站能耗优化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：CN115906630B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202211451801.0，技术领域涉及：G06F30/27；该发明授权一种基于联邦学习的5G基站能耗优化方法是由姚洪磊;刘冬兰;刘新;王勇;常英贤;王睿;张昊;张方哲;孙莉莉;罗昕;马雷;于灏;秦佳峰;苏冰;赵勇;井俊双;王晓峰;赵夫慧;孙梦谦设计研发完成，并于2022-11-18向国家知识产权局提交的专利申请。

本一种基于联邦学习的5G基站能耗优化方法在说明书摘要公布了：一种基于联邦学习的5G基站能耗优化方法，联邦学习应用于5G基站能耗优化的方法。通过对不同场景下基站的数据进行联邦学习，实现对不同场景下能耗的精准预测，以更好地进行基站能耗优化。通过收集基站业务性能数据，使用聚类方法，自动预测并判断基站所处场景。通过将联邦学习应用于5G基站能耗优化，使得基站参与方无需上传数据，有效解决了数据通信和数据隐私方面的问题。

本发明授权一种基于联邦学习的5G基站能耗优化方法在权利要求书中公布了：1.一种基于联邦学习的5G基站能耗优化方法，其特征在于，包括如下步骤： a对基站场景进行聚类； b基站场景内部基站通过GRU网络训练基站参数并上传至中心服务器，中心服务器对参数进行联邦平均后下发至基站； c将最终模型参数与本地参数进行融合，得到每个基站的最终模型； d将不同场景下基站的流量数据输入到每个基站的最终模型进行学习，预测出不同场景下基站能耗时间序列； 步骤b包括如下步骤： b-1将归一化后的样本数据集D′＝{x′1,x′2,…,x′i,...,x′m}中第i个归一化后的基站流量数据向量x′i按照天数划分为工作日每天分段的能耗数据，划分后生成n个能耗数据样本，n个能耗数据样本形成能耗时间序列数据集A，其中，at为t时刻输入的批量学习的能耗数据样本，t∈{1,2,...,nis}，第i个基站场景的第s个基站拥有nis个能耗数据样本，其中s∈{1,2,...,Si}，Si为第i个基站场景中基站的数量； b-2初始化每个基站场景的中心服务器模型参数w0； b-3每个基站场景的中心服务器将模型参数w0下发到基站场景内的各个基站客户端Cis中，Cis为第i个基站场景的第s个基站； b-4参与联邦学习的基站客户端Cis接收到来自中心服务器的模型参数w0后进行批量本地训练，设置基站本地更新训练轮次为E轮，基站本地批量学习的样本数为B，每轮需要训练次数为次，共训练次，通过公式进行神经网络权重更新，得到更新后的本地参数w′is，式中wis为i个基站场景的第s个基站的本地参数，η为神经网络的学习率，为目标函数对于权重的梯度值； b-5将t时刻输入的批量学习的能耗数据样本at输入到GRU神经元结构，通过公式rt＝σWrat+Urht-1+br计算重置门rt，式中ht-1为时刻t的前一时刻输出的批量能耗数据向量，Wr为重置门的权重参数，Ur为t时刻的前一时刻隐藏层重置门的权重参数，br为偏置项，通过公式zt＝σWzat+Uzht-1+bz计算更新门zt，式中σ·为sigmoid激活函数，Wz为更新门的权重参数，Uz为t时刻的前一时刻隐藏层更新门的权重参数，bz为偏置项，通过公式计算得到最终输出结果ht，式中其中tanh·为tanh激活函数，Wh为候选隐藏层的权重参数，bh为偏置项； b-6每个场景的基站客户端执行完次训练后，视为本地更新完毕，将本地更新的参数w′is上传到对应的场景的中心服务器； b-7基站场景的中心服务器通过公式计算下一轮的模型参数w′i，ni为第i个基站场景的能耗数据样本总数； b-8重复执行步骤b-3至步骤b-7，直至达到步骤b-4中设置的训练次数获得最终的适合每个场景的个性化5G基站联邦能耗优化模型参数w′i。

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山东省电力公司电力科学研究院，其通讯地址为：250003 山东省济南市市中区望岳路2000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”。