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！

龙图腾网获悉北京邮电大学申请的专利一种基于多粒度近邻图的智能电表故障分类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：CN116543198B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202310363977.9，技术领域涉及：G06V10/764；该发明授权一种基于多粒度近邻图的智能电表故障分类方法是由黄子健;高欣;孟之航;薛冰;李强伟;傅世元;于家豪;黄旭设计研发完成，并于2023-04-06向国家知识产权局提交的专利申请。

本一种基于多粒度近邻图的智能电表故障分类方法在说明书摘要公布了：本发明实施例提出了一种基于多粒度近邻图的智能电表故障分类方法，包括：将智能电表不同类别下的故障历史数据作为输入数据集，划分得到多个二类数据集；针对每个二类数据集，将每个样本作为目标样本，以目标样本和不同数量近邻样本构成多粒度近邻图，作为后续分类任务中的训练样本；基于构造的近邻图数据集，设计自编码器实现对近邻图节点特征的提取，根据近邻图的节点编码特征和近邻图原始节点邻接关系训练图注意力神经网络用于近邻图分类任务；对于给定测试样本，组合其测试样本与其对应的不同数量近邻样本构成的近邻样本组，经近邻图分类结果集成后得到分类器在每个二类数据集下的判别结果，通过软投票得到其故障类别。

本发明授权一种基于多粒度近邻图的智能电表故障分类方法在权利要求书中公布了：1.一种基于多粒度近邻图的智能电表故障分类方法，其特征在于，包括如下步骤： 1将智能电表不同类别下的故障历史数据作为输入数据集，划分得到多个二类数据集，具体为： 将智能电表实际故障数据集输入，该数据集中的样本共包含工作时长、到货批次号、供电单位编号、电能表类别、故障识别月份、安装月份、省份、设备规格、通讯方式9种特征变量；其故障类别标签共包含外观故障、计量故障、存储单元故障、处理单元故障、显示单元故障、控制单元故障、电源单元故障、通讯单元故障、时钟单元故障、其它故障、软件故障11类；遍历故障数据集中的每一类样本，将该类别下所有样本作为少数类样本集，其余类别所有样本为多数类样本集，将原数据集转化为11个二类数据集；对于其中每个二类数据集，均可将数据集描述为： D＝[Dmin,Dmaj] 其中，D为二类数据集，定义xi为D数据集中的任一样本，即xi∈D；Dmin为少数类样本集，样本数量为Nmin；Dmaj为多数类样本集，样本数量为Nmaj； 2针对每个二类数据集，将每个样本作为目标样本，以目标样本和不同数量近邻样本构成多粒度近邻图，作为后续分类任务中的训练样本，具体为： 基于步骤1中得到的不平衡二分类数据集D，构建近邻图数据集： 对于训练集中的任一样本xi，当其作为目标样本时，可构造其多粒度近邻图，具体为：对于每个目标样本，构建m个近邻图，参与构建近邻图的近邻样本数量为K＝{k1,k2,...,km}；当近邻样本数量为kj时，使用KNN算法寻找目标样本xi在D中的kj个近邻样本，j∈[1,m]，得到xi的近邻样本组为任意为原始数据集D中样本；以目标样本xi及其近邻样本组NNi,j构建近邻图gi,j＝V,E；近邻图gi,j标签为目标样本xi的类别标签yi； 其中，表示近邻图gi,j节点，节点vt对应近邻样本组NNi,j中样本节点vkj+1对应目标样本xi；表示近邻图gi,j的边，每条边et∈E表示目标样本xi与其近邻样本相连；NNi,j表示样本xi的第j组近邻样本组； 因此，遍历整个D中的样本，分别将构造的近邻图样本对及其标签存入集合G与YG中，即可得到近邻图数据集P＝G,YG，并将G中近邻图作为后续分类任务中近邻图样本； 其中，G为构造得到的近邻图集合，YG为G的正确标签； 3基于构造的近邻图数据集，设计自编码器实现对近邻图节点特征的提取，根据近邻图的节点编码特征和近邻图原始节点邻接关系训练图注意力神经网络用于近邻图分类任务，具体为： 基于步骤2得到的近邻图数据集，构建编码器encoder和解码器decoder提取近邻图节点特征，编码器对近邻图节点特征X编码得到近邻图节点编码特征Z，解码器对节点编码特征Z解码得到近邻图重构节点特征X′，其优化目标为： 其中，Lrec为编解码过程的损失，g∈G，g为近邻图数据集中的训练样本，Xg为g的节点特征矩阵，Xg′为g的重构节点特征矩阵； 基于步骤2得到的近邻图数据集，构建图注意力分类器clf并训练，其优化目标为： 其中，Lclf为分类器部分的损失，α表示不同类别样本在损失函数中的权重，Z为近邻图节点编码特征矩阵，E为近邻图邻接矩阵，且g,yg∈G,YG为近邻图数据集中的训练样本，g为构造得到的近邻样本对，yg为g的正确标签，为模型对g的预测标签； 模型整体优化目标包括编解码器损失和分类器损失，其整体优化目标为： L＝Lrec+Lclf 4对于给定测试样本，组合其测试样本与其对应的不同数量近邻样本构成的近邻样本组，经近邻图分类结果集成后得到分类器在每个二类数据集下的判别结果，通过软投票得到其故障类别，具体为： 基于步骤3中训练得到的编码器encoder和图注意力分类器clf，对于一个待测样本xtest，其预测标签的计算过程如下： 其中，ptest,i＝Vtest,i,Etest,i是xtest的一个近邻图样本，Vtest,i为近邻图节点集合，Xtest,i为近邻图节点特征矩阵，Etest,i为近邻图邻接矩阵，为xtest在该二类数据集下的预测结果； 重复上述过程可得到11个图注意力分类器clfj，j是图注意力分类器的下标，j∈[1,11]；对于待测样本xtest，其预测标签的计算如下： 取值为j时，表示xtest的预测故障类别为第j类故障。

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北京邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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”。