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！

龙图腾网获悉中国科学院合肥物质科学研究院申请的专利基于多尺度门控注意力全卷积网络的电力变压器状态评估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：CN119128723B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411245493.5，技术领域涉及：G06F18/2431；该发明授权基于多尺度门控注意力全卷积网络的电力变压器状态评估方法是由张洁;杨振南;谢成军;李瑞;张辉;杜健铭;陈红波设计研发完成，并于2024-09-06向国家知识产权局提交的专利申请。

本基于多尺度门控注意力全卷积网络的电力变压器状态评估方法在说明书摘要公布了：本发明涉及基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，与现有技术相比解决了在利用多源传感器数据方面缺乏可靠且全面的电力变压器状态评估方法的问题。本发明包括以下步骤：电力变压器多源传感器数据的获取及预处理；电力变压器状态评价数据集的构建；电力变压器状态评估模型的构建；电力变压器状态评估模型的训练；电力变压器的实时监测；电力变压器状态的评估。本发明基于多源传感器的数据实现了一种端到端的电力变压器状态评价模型，该模型可以利用多源传感器的时序数据对电力变压器的运行状态进行全面的实时评估，提高变压器状态评价的可靠性。

本发明授权基于多尺度门控注意力全卷积网络的电力变压器状态评估方法在权利要求书中公布了：1.一种基于多尺度门控注意力全卷积网络的电力变压器状态评估方法，其特征在于，包括以下步骤： 11电力变压器多源传感器数据的获取及预处理：获取电力变压器的多源传感器数据，其包括油中溶解气体、顶层油温、铁芯接地电流以及供电负荷数据，并进行预处理； 12电力变压器状态评价数据集的构建：基于预处理后的多源传感器数据，构建带有时序特征的多变量和标签的二维矩阵数据集，作为电力变压器状态评价数据集； 13电力变压器状态评估模型的构建：基于多尺度门控注意力模块和全卷积网络模块构建电力变压器状态评估模型； 所述电力变压器状态评估模型的构建包括以下步骤： 131构建电力变压器状态评估模型，其包括输入层、特征提取层、特征融合层、分类层； 132设定输入层，输入层用于读取原始数据，并将数据重构成模型所用的数据格式； 133设定特征提取层，特征提取层由多尺度门控注意力模块和全卷积网络模块构成， 1331设定多尺度门控注意力模块，其由多尺度卷积、门控机制和多头自注意力机制构成， 设定多尺度卷积用于提取不同变量的多尺度时间信息，其由三个卷积核大小不同的一维卷积构成，三个一维卷积核的大小分别设定为1*3、1*5和1*7，然后将三个一维卷积提取的特征拼接，得到多尺度卷积模块的输出； 其中，表示拼接融合后的多尺度特征，是输入数据的转置，DWC1d是一维深度可分离卷积； 设定门控机制，其由一个可学习的一维向量和一个sigmoid函数以及一个按位乘操作构成，表达式如下： Fgate＝σConv1dFms⊙Fms， 其中，表示门控加权后的输出特征，σ表示Sigmoid激活函数，⊙是元素相乘操作； 设定多头自注意力机制，由特征拼接操作和多头注意力操作构成， 其中，表示多头自注意力的输入特征，是线性变换矩阵，是经过线性变换后得到的自注意力计算中所需要的查询、键和值，是矩阵乘法操作，d是变量嵌入维度； 1332设定全卷积网络模块，由三层卷积构成，第一层和第三层卷积是普通的一维卷积，第二层是一维的深度可分离卷积， X′i＝Conv1dDWC1dConv1dXi f＝LNX′i⊙Xi+Xi， 其中，Xi是输入特征，Xi′是三层卷积后的输出特征，LN表示层归一化； 134设定特征融合层， 特征融合层由向量拼接操作和向量相加操作构成，将门控机制的输出与多头自注意力机制的输出进行拼接操作，设定前馈神经网络将拼接后特征进行重构，然后将重构后输出特征与全卷积网络模块的输出进行相加操作，从而实现特征融合； 135设定分类层，将融合后的特征输入到MLP网络中进行分类，得到电力变压器的状态类别，从而实现电力变压器的状态评价； 14电力变压器状态评估模型的训练：将预处理后的电力变压器基础数据送入电力变压器状态评估模型进行训练； 15电力变压器的实时监测：对电力变压器进行实时监测获取监测数据并进行预处理； 16电力变压器状态的评估：将预处理后的实时监测数据输入训练后的电力变压器状态评估模型，得到电力变压器状态的评估结果。

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中国科学院合肥物质科学研究院，其通讯地址为：230031 安徽省合肥市蜀山区蜀山湖路350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。