買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉湖南大學申請的專利基于知識圖譜與改進圖神經(jīng)網(wǎng)絡的電力應急資源調(diào)配方法及系統(tǒng)獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120218504B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-09-02發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510283103.1，技術領域涉及：G06Q10/0631；該發(fā)明授權基于知識圖譜與改進圖神經(jīng)網(wǎng)絡的電力應急資源調(diào)配方法及系統(tǒng)是由高兵;黃濤;欒琦;黃忠勝;徐修賢;趙新喆;顏胥;佘應森設計研發(fā)完成，并于2025-03-11向國家知識產(chǎn)權局提交的專利申請。

本基于知識圖譜與改進圖神經(jīng)網(wǎng)絡的電力應急資源調(diào)配方法及系統(tǒng)在說明書摘要公布了：本發(fā)明公開了一種基于知識圖譜與改進圖神經(jīng)網(wǎng)絡的電力應急資源調(diào)配及系統(tǒng)。首先從多源數(shù)據(jù)中抽取關鍵實體及實體間的關系，構(gòu)建電力應急資源調(diào)配知識圖譜；再將所構(gòu)建的知識圖譜映射到向量空間，為知識圖譜中的每個實體和關系生成向量化表示；然后在經(jīng)典關系圖卷積網(wǎng)絡模型中引入動態(tài)關系權重機制，構(gòu)建改進關系圖卷積網(wǎng)絡模型，以知識圖譜的向量化數(shù)據(jù)作為輸入，學習實體之間的深層關系。當有新的電力應急事件發(fā)生時，本發(fā)明首先在知識圖譜中更新新發(fā)生的應急事件信息，擴展故障設備、影響范圍及應急資源信息，確保最新的環(huán)境信息得到充分利用，隨后利用關系圖卷積網(wǎng)絡模型進行知識推理，生成最優(yōu)資源調(diào)配方案，以實現(xiàn)高效、精準的應急響應。

本發(fā)明授權基于知識圖譜與改進圖神經(jīng)網(wǎng)絡的電力應急資源調(diào)配方法及系統(tǒng)在權利要求書中公布了：1.一種基于知識圖譜與改進圖神經(jīng)網(wǎng)絡的電力應急資源調(diào)配方法，其特征在于，包括如下步驟： 步驟一、從多源數(shù)據(jù)中抽取實體及實體間的關系，構(gòu)建知識圖譜； 步驟二、將所構(gòu)建的知識圖譜映射到向量空間，為知識圖譜中的每個實體和關系生成向量化表示，得到知識圖譜的向量化數(shù)據(jù)： 初始化每個實體和關系的向量表示，隨機分配到一個低維向量空間中，實體和關系的向量表示通過以下公式生成： ； 為向量維度，取值為50至300之間；為第個實體；為第個關系，表示實數(shù)域中的維向量； 通過評分函數(shù)計算三元組中頭實體向量與關系向量之和與尾實體向量之間的距離來衡量三元組的合理性： ； 分別表示頭實體、關系和尾實體的向量表示； 的值越小，表示三元組越合理； 然后從知識圖譜中提取所有正樣本三元組，再為每個正樣本三元組生成負樣本三元組； 構(gòu)建關于正樣本三元組和負樣本三元組的損失函數(shù)： ； 為負樣本三元組；為邊際參數(shù)，設置為1-2；max表示取最大值； 使用隨機梯度下降法或Adam優(yōu)化器，逐步調(diào)整實體和關系的向量表示；并在每一輪訓練中：隨機采樣一批正樣本和對應的負樣本，計算損失函數(shù)的值；通過反向傳播算法計算梯度，并更新實體和關系的向量表示； 訓練完成后，每個實體和關系都被映射到一個低維向量空間，生成嵌入表示； 步驟三、將知識圖譜的向量化數(shù)據(jù)劃分為訓練集、驗證集和測試集；構(gòu)建改進關系圖卷積網(wǎng)絡模型，并通過訓練集訓練改進關系圖卷積網(wǎng)絡模型，通過驗證集調(diào)整所述改進關系圖卷積網(wǎng)絡模型的超參數(shù)，測試集評估改進關系圖卷積網(wǎng)絡模型泛化能力，獲得訓練好的改進關系圖卷積網(wǎng)絡模型： 對于每種關系類型，構(gòu)建一個鄰接矩陣，其中表示實體和實體之間存在關系，否則為0； 然后構(gòu)建節(jié)點特征矩陣，其中每一行對應一個實體的嵌入表示，N表示實體個數(shù)，表示向量維度； 所述節(jié)點特征矩陣和鄰接矩陣作為關系圖卷積網(wǎng)絡模型的輸入； 所述關系圖卷積網(wǎng)絡模型包括多層關系圖卷積層，多層關系圖卷積層積層包括三個RGCN層，前一層RGCN層的輸出作為下一層RGCN層的輸入；第一層RGCN層用于學習直接關聯(lián)，第二層RGCN層用于捕捉間接關聯(lián)，第三層RGCN層用于整合全局信息，生成節(jié)點最終特征表示； 多層關系圖卷積網(wǎng)絡中每一個RGCN層的數(shù)據(jù)處理流程如下： 3.1引入動態(tài)權重計算模塊：多層關系圖卷積網(wǎng)絡為每個關系類型r引入一個動態(tài)權重計算模塊，動態(tài)權重計算模塊根據(jù)當前事件的上下文信息生成動態(tài)權重：； 其中，是當前事件的上下文向量，和是可學習的參數(shù)，softmax表示歸一化指數(shù)函數(shù)； 3.2消息生成：對于每個節(jié)點的鄰居節(jié)點，在關系下生成消息； 其中，，是關系對應的權重矩陣，是鄰居節(jié)點的當前特征表示； 3.3鄰居聚合：對同一關系下的所有鄰居消息進行聚合，計算； 其中，是歸一化系數(shù)，通常為表示在關系下節(jié)點的鄰居節(jié)點集合； 3.4跨關系聚合：將所有關系類型的聚合結(jié)果相加，疊加自環(huán)連接，從而保留節(jié)點自身特征，為自環(huán)的權重矩陣，為當前節(jié)點的特征表示； 3.5特征更新：通過非線性激活函數(shù)更新節(jié)點特征： ； 其中，表示節(jié)點在第層的特征表示，表示關系類型的集合，和分別是關系和自環(huán)的權重矩陣；表示節(jié)點在第層的特征表示； 步驟四、在知識圖譜中更新新發(fā)生的應急事件信息，擴展故障設備、影響范圍及應急資源信息獲得更新后的知識圖譜；更新后的知識圖譜映射到向量空間獲得更新后的知識圖譜的向量化數(shù)據(jù)； 步驟五、自更新后的知識圖譜中提取所述新發(fā)生的應急事件對應的子圖，同時為子圖生成向量化表示，輸入訓練好的改進關系圖卷積網(wǎng)絡模型進行知識推理，生成最優(yōu)資源調(diào)配方案。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.hzsmkbearing.com.cn/list?keyword=%E6%B9%96%E5%8D%97%E5%A4%A7%E5%AD%A6&temp=1">湖南大學，其通訊地址為：410082 湖南省長沙市岳麓區(qū)麓山南路2號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。