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同步相量测量的无监督电力系统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：CN116502126B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202310491917.5，技术领域涉及：G06F18/24；该发明授权一种基于同步相量测量的无监督电力系统扰动识别方法是由毕天姝;陈徵粼;刘灏设计研发完成，并于2023-05-04向国家知识产权局提交的专利申请。

本一种基于同步相量测量的无监督电力系统扰动识别方法在说明书摘要公布了：本发明公开了一种基于同步相量测量的无监督电力系统扰动识别方法，首先获取待处理电力系统的同步相量测量数据，包括频率、电压幅值和电压相角，并对频率、电压幅值和电压相角进行归一化处理，作为后续模型的输入；构建长短时时间序列生成对抗网络LST‑TimeGAN模型，使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取；依据模型的输出，结合事件的电气量和时间窗特征进行扰动预分类；使用LightGBM算法对预分类的事件大类进行聚类再识别，实现扰动的识别分类。上述方法可用于无标签或少标签情形的扰动识别，能对电力系统扰动进行准确识别，从而监控电力系统的电能质量问题，并对潜在配网故障进行预警。

本发明授权一种基于同步相量测量的无监督电力系统扰动识别方法在权利要求书中公布了：1.一种基于同步相量测量的无监督电力系统扰动识别方法，其特征在于，所述方法包括： 步骤1、首先获取待处理电力系统的同步相量测量数据，包括频率、电压幅值和电压相角，并对频率、电压幅值和电压相角进行归一化处理，作为后续模型的输入； 步骤2、构建长短时时间序列生成对抗网络LST‑TimeGAN模型，使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取； 在步骤2中，所构建的长短时时间序列生成对抗网络LST‑TimeGAN模型包括编码器、解码器、生成器和判别器，都由含3个隐藏层的神经网络构建成，隐藏层的节点数均为24，每轮处理128个样本；所述生成器的最后一层为新一代的循环神经网络GRU；所述判别器的最后一层为双向LSTM； 除所述判别器最后一层为基于最小二乘损失函数的直接映射外，LST‑TimeGAN模型所用激活函数均为LeakyReLU，其形式表示为： 其中，x代表LeakyReLU函数的输入；a为LeakyReLU函数的斜率，取值为0.01； 使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取的过程为： 1以缩放点积注意力机制优化时空间特征提取将各真实输入矩阵作为键序列，用K表示；生成器的随机输入矩阵作为查询序列，用Q表示；F为Q中元素对K中每个元素的映射；则各生成器随机输入的注意力被描述为键序列在查询上的映射，因查询和键长度相同，为降低计算代价，使用缩放点积模型评估K与Q的相似度为： 其中，S代表基于相似度的注意力得分；dk代表K的维度； 使用softmax函数对注意力得分S做多类归一化，得到注意力汇集公式为： 其中，a代表注意力权重系数矩阵；将注意力权重系数矩阵a和随机输入矩阵Q加权作为注意力输出，成为新的生成器随机输入序列Qa，其定义为： ΑttentionQa＝αQ2基于最小二乘的决策损失函数使输出含有距离特征，并能够表征数据异常程度基于最小二乘损失函数将对数损失改进后得到如下公式： 其中，第一项期望代表ys、yt与1的最小二乘距离；ys、yt为判别器对真实数据静、动态部分的分类结果；第二项期望代表和与0的最小二乘距离；与为判别器对生成器生成的静、动态数据的分类结果；该公式以最小二乘损失衡量生成模型与真实序列的差异； 此外，以L′U作为损失函数时，判别器的最后一层将不再使用sigmoid激活层，而是直接使用线性映射将输出映射至[0,1]； 3构造长时、短时、超短时三窗架构，利用不同种类扰动对不同长度时窗的敏感性，对扰动进行无监督特征的提取长时TimeGAN以24h为周期的多维同步测量数据长期时序特征，将扰动特征提取的时间窗设置为5min； 短时TimeGAN以60min为周期学习前序同步相量测量数据的正常波动特性，将扰动特征提取的时间窗设置为1min； 超短时TimeGAN以1min为周期的同步相量测量数据的正常冲激特征来判断当前时间窗是否出现非正常冲激信号，设置超短时扰动特征提取时间窗为1s； 共有9个TimeGAN模型，即[长时、短时、超短时]*[频率f、电压幅值U和电压相角φ]个模型被训练，输出9组判别器分数向量； 其中，如果任意分数向量或多个分数向量的得分不够接近全局最优，则判断窗口出现了扰动事件，并将决策损失函数的输出值作为数据异常的分数；再通过对包含事件窗口的滚动打分得到一组判别器分数向量，该分数向量代表窗口异常程度随时间的变化；提取从事件开始到事件结束的分数向量作为后续对事件分类的数据基础步骤3、依据步骤2中模型的输出，结合事件的电气量和时间窗特征进行扰动预分类；其中，具体包括切机、切负荷、短路和断路这四种传统扰动事件，以及未知类型的新型事件和电能质量问题； 具体是根据频率、相角变化的时间尺度特性和斜率特性初步区分包含切机、切负荷、短路和断路这四种传统扰动事件； 除上述事件之外的频率、相角异常记为输电网未知类型的新型事件，将在后续进行再识别； 步骤4、使用LightGBM分类器对预分类的事件大类进行聚类再识别，实现扰动的识别分类。

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：102206 北京市昌平区朱辛庄北农路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。