Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南京悦源电力研究院有限公司马浚仪获国家专利权

南京悦源电力研究院有限公司马浚仪获国家专利权

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!

龙图腾网获悉南京悦源电力研究院有限公司申请的专利一种用于单相接地故障选线的混合精度量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:CN121144764B

龙图腾网通过国家知识产权局官网在2026-02-24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:202511684586.2,技术领域涉及:G06F18/20;该发明授权一种用于单相接地故障选线的混合精度量化方法是由马浚仪;董桂玲设计研发完成,并于2025-11-17向国家知识产权局提交的专利申请。

一种用于单相接地故障选线的混合精度量化方法在说明书摘要公布了:本发明涉及电力系统继电保护技术领域,尤其为一种用于单相接地故障选线的混合精度量化方法,包括步骤S1、故障选线数据集准备与基础模型训练、步骤S2、通道级量化敏感度评估、步骤S3、通道敏感度分级与先验构建、步骤S4、混合精度位宽比例序贯搜索、步骤S5、基于演员‑评论家强化学习的位宽分配、步骤S6、量化感知训练与参数更新。本发明的一种用于单相接地故障选线的混合精度量化方法,通过“不平衡样本增强‑通道级敏感度评估‑强化学习位宽分配‑量化感知训练‑部署适配验证”的设计,实现故障选相模型“精度损失≤3%、压缩比≥4倍、推理时间≤200ms”的目标,满足配电网边缘设备的实时部署需求,提升单相接地故障选相的准确性与时效性。

本发明授权一种用于单相接地故障选线的混合精度量化方法在权利要求书中公布了:1.一种用于单相接地故障选线的混合精度量化方法,其特征在于,包括以下步骤: 步骤S1、故障选线数据集准备与基础模型训练: 采集并整理配电网单相接地故障数据,构建故障选线数据集;对样本不足的类别,采用时间平移与噪声叠加的方式增强数据; 基于增强后的数据集,结合电力配电网历史数据集预训练模型,获得在精度保持和参数规模受限条件下综合性能最优的模型,作为混合精度量化的基准; 步骤S2、通道级量化敏感度评估: 采用通道掩码与随机向量组合的方式,将量化敏感度分析细化至模型通道:对第j通道构造二进制掩码向量,其中第j通道的元素值为1,其余通道的元素值为0;将随机向量按掩码进行逐元素相乘,得到仅包含第j通道信息的掩码随机向量,并基于该向量利用Hutchinson方法估计Hessian矩阵的Trace值,以评估该通道的量化敏感度; 对模型的Hessian矩阵,采用随机向量进行Trace估计,分别计算卷积通道与激活通道的敏感度,公式如下: 卷积通道敏感度: 激活通道敏感度: 其中,是迭代次数,表示输入样本,和分别表示卷积通道和激活通道Hessian矩阵; 步骤S3、通道敏感度分级与先验构建: 将所有通道按Trace值降序排序; 根据Trace值分布,将通道划分为若干敏感度组,并生成对应的排序列表与分组通道集合,作为位宽分配的先验依据; 步骤S4、混合精度位宽比例序贯搜索: 确定位宽候选集合,包括2-bit、3-bit、4-bit、5-bit、6-bit、7-bit、8-bit,约束所有通道的位宽比例总和为100%; 按敏感度从低到高的顺序序贯搜索:优先在低敏感通道中搜索2-bit量化的通道比例,再在剩余通道中搜索3-bit量化比例,依次类推,未被更低位宽覆盖的剩余通道量化为8-bit; 步骤S5、基于演员-评论家强化学习的位宽分配: 构建Actor-Critic强化学习模型,状态空间由5维特征向量构成:通道索引、剩余参数数量、比特精度范围起始位置、比特精度范围结束位置、上一步演员网络动作; 演员网络根据当前状态选择通道的比特精度分配策略,评论家网络评估该策略对模型精度与资源消耗的价值;通过迭代训练,更新策略以实现精度-资源的最优权衡; 步骤S6、量化感知训练与参数更新: 根据步骤S5得到的位宽分配表,构建量化感知训练模型,在该模型的计算图中插入fake-quant节点,用于在前向传播过程中模拟量化和反量化操作,从而在训练阶段捕获量化误差的影响; 采用量化感知训练方式,基于增强后的故障选线数据集训练模型,更新量化后模型的参数,降低量化误差; 步骤S7、模型性能评估与迭代判断: 计算量化模型的关键指标:测试集准确率、模型压缩比、模型存储大小; 若指标满足预设目标,则终止优化;否则返回步骤S5调整强化学习策略,继续迭代; 步骤S8、量化模型验证与部署适配: 采用故障选线数据集的验证集,测试最终量化模型在典型单相接地故障样本上的判别准确率与响应时间; 根据目标边缘设备的算力、内存及实时性要求,生成硬件平台优化的推理代码; 步骤S9、离线推理测试与部署: 对优化后的推理代码进行批量离线推理测试,验证模型在不同故障场景下的稳定性; 将通过测试的量化模型部署至边缘设备,实现单相接地故障的实时选线判别。

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南京悦源电力研究院有限公司,其通讯地址为:211500 江苏省南京市六合区龙池街道虎跃东路8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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。