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！

龙图腾网获悉华北电力大学申请的专利一种基于格拉姆角差场和迁移学习的扰动识别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：CN120431340B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202510856441.X，技术领域涉及：G06V10/40；该发明授权一种基于格拉姆角差场和迁移学习的扰动识别方法是由刘灏;陈容;毕天姝设计研发完成，并于2025-06-25向国家知识产权局提交的专利申请。

本一种基于格拉姆角差场和迁移学习的扰动识别方法在说明书摘要公布了：本发明涉及电力系统扰动识别技术领域，尤其涉及一种基于格拉姆角差场和迁移学习的扰动识别方法，包括：获取电力系统IEEE39节点发生扰动时对应的频率和电压幅值时间序列数据，得到一维时间序列的频率和电压幅值数据，分别进行特征提取转换为二维格拉姆角场图像，基于RGB图像通道对特征提取结果进行融合，将特征二维图像数据集输入预设的迁移学习‑AlexNet网络模型进行训练，基于SE注意力机制构建扰动识别模型；将获取的电力系统当前PMU扰动数据输入扰动识别模型，得到扰动识别模型输出的扰动识别结果，本发明能够提高模型的识别能力以及抗噪声能力，进一步提高对电力系统不同扰动类型的识别精度。

本发明授权一种基于格拉姆角差场和迁移学习的扰动识别方法在权利要求书中公布了：1.一种基于格拉姆角差场和迁移学习的扰动识别方法，其特征在于，包括以下步骤： S1、获取电力系统IEEE39节点发生扰动时对应的频率和电压幅值时间序列数据，并对频率和电压幅值时间序列数据进行归一化预处理，得到一维时间序列的频率和电压幅值数据； S2、将一维时间序列的频率和电压幅值数据分别进行特征提取转换为二维格拉姆角场图像，基于RGB图像通道对特征提取结果进行特征融合，得到特征二维图像数据； S3、将特征二维图像数据集输入预设的迁移学习-AlexNet网络模型进行训练，基于SE注意力机制构建扰动识别模型； S4、将获取的电力系统当前PMU扰动数据输入扰动识别模型，得到扰动识别模型输出的扰动识别结果； 所述S2中，将一维时间序列的频率和电压幅值数据转换为二维格拉姆角场图像包括： S21、将新时间序列中的数据点进行角度转换，将时间戳进行半径编码，表达式为： ； 其中，为归一化后的时间序列，为经过反余弦函数变换后的角度，为点的极径，为点的时间戳，为正则化极坐标系的常数因子； 得到转换后的时间序列，其中，为转换后的时间序列中的数据点； S22、基于转换后的时间序列的相角差计算得到格拉姆矩阵，计算式为： ； 为格拉姆矩阵，为时间序列中点与点角度差； 基于格拉姆矩阵得到二维格拉姆角场图像； 所述S2中，基于RGB图像通道对特征提取结果进行特征融合包括： S23、将特征提取结果输入RGB图像的R通道和B通道进行特征融合，所述特征提取结果包括格拉姆角差场变化后的电压和频率数据； 所述S3中，基于SE注意力机制构建扰动识别模型包括： S31、基于SE注意力机制为训练结果中的特征通道分配特征权重，得到全局信息，表达式为： ； 其中，为第个通道的全局信息，为特征图的高度，为特征图的宽度，为特征图，为通道数； S32、基于SE注意力机制第一层全连接层和ReLU激活函数计算得到通道特征值，表达式为： ； 其中，为第一层全连接层的权重，为第一层全连接层的偏置，为第一层所有通道的全局描述向量，为通道特征值； S33、基于SE注意力机制第二层全连接层和sigmoid激活函数计算得到通道权重，表达式为： ； 其中，为第二层全连接层的权重，为第二层全连接层的偏置，为Sigmoid激活函数，为通道权重； S34、基于通道权重优化训练结果的特征通道，并基于优化结果构建扰动识别模型； 所述S34中，还包括： S341、采用改进的交叉熵损失函数FocalLoss优化样本权重，表达式为： 其中，为预测的目标类别的概率；为平衡因子；为调节因子，为改进的交叉熵损失函数； S342、采用CenterLoss算法优化模型类内特征的距离，表达式为： 其中，为第个样本的特征，为第个样本类别的中心，为批量值，为中心损失函数。

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华北电力大学，其通讯地址为：100096 北京市昌平区回龙观镇北农路2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。