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！

龙图腾网获悉长春工程学院申请的专利基于人工智能的电能质量扰动去噪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：CN121092861B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202511623975.4，技术领域涉及：G06F18/10；该发明授权基于人工智能的电能质量扰动去噪方法是由肖冬亚;刘海宁;刘嘉明;赵洋;孙韬;李咏骏;梁语言;孙奕欣;孙志信;范治诚设计研发完成，并于2025-11-07向国家知识产权局提交的专利申请。

本基于人工智能的电能质量扰动去噪方法在说明书摘要公布了：本发明涉及人工智能技术领域，特别是涉及基于人工智能的电能质量扰动去噪方法。基于人工智能的电能质量扰动去噪方法，具体步骤如下：步骤S1、信号数据采集与标注；步骤S2、时频域加权融合预处理，包括时域归一化处理、频域小波变换、自适应权重计算和时频融合表征，步骤S3、构建去噪模型，包括双路径特征编码器模块、自适应特征融合模块、门控跳跃连接解码器模块、去噪信号净化模块、计算净化约束项、计算总损失函数和模型迭代训练与参数更新，步骤S4、电能质量扰动去噪。解决了现有技术容易造成信息丢失、特征提取不充分、去噪效果不稳定且限制了电能质量分析的精度等问题。

本发明授权基于人工智能的电能质量扰动去噪方法在权利要求书中公布了：1.基于人工智能的电能质量扰动去噪方法，其特征在于：所述电能质量扰动去噪方法，步骤如下： 步骤S1、信号数据采集与标注，通过电力系统分析设备得到电能质量扰动信号数据； 步骤S2、时频域加权融合预处理，基于对信号的多域特征提取与动态权重计算，得到时域与频域表征的融合结果； 步骤S3、构建去噪模型，基于多模块协同的去噪模型构建策略，通过特征编码、自适应融合、选择性解码、信号净化及多维度损失优化与迭代训练，得到去噪模型；具体如下： 步骤S301、双路径特征编码器模块，具体步骤如下： 1时间路径特征提取 对融合时频联合信号进行一维卷积操作，使用多种卷积核尺寸提取多尺度时间特征，得到时间路径特征； 2频域路径特征提取 对融合时频联合信号进行一维卷积操作后，通过快速傅里叶变换转换到频域，然后应用注意力机制增强重要频域成分，得到频域路径特征； 3双路径特征聚合 对时间路径特征进行最大池化操作，对频域路径特征进行平均池化操作，然后将两者拼接形成双路编码特征； 步骤S302、自适应特征融合模块： 利用自适应门控机制动态计算双路径特征的贡献比例，通过加权融合实现针对暂态与稳态扰动的最优特征融合； 步骤S303、门控跳跃连接解码器模块： 采用门控跳跃连接机制，选择性传递编码器特征； 步骤S304、去噪信号净化模块： 基于多物理约束的自适应信号净化策略，利用时频融合权重和门控机制输出作为控制信号，对解码器输出的去噪信号进行频段自适应滤波、基波成分校正和瞬态边缘增强； 步骤S305、计算净化约束项： 采用基于多维度约束的净化损失项，通过频带能量一致性约束、瞬态扰动相似度约束与解码器门控值的熵正则化相结合，联合优化信号的时频特性与结构完整性；其中频带能量一致性约束通过计算净化信号与干净信号在关键频带内的能量分布差异实现，瞬态扰动相似度约束通过计算净化信号与干净信号的包络相关系数实现，熵正则化通过解码器门控值的信息熵计算实现； 步骤S306、计算总损失函数： 通过联合时域损失、频域损失和结构损失构成三级损失函数，优化网络参数并平衡时域保真度、频域准确性和结构完整性； 步骤S307、模型迭代训练与参数更新： 在模型迭代训练与参数更新阶段，采用自适应矩估计优化算法作为优化器，基于总损失函数Ltotal对模型中的所有可训练参数进行更新； 训练过程使用批量梯度下降方法，批量大小根据硬件内存设置，每次从训练集中加载一批数据，输入模型进行前向传播，计算输出信号和总损失函数，然后通过反向传播算法计算梯度，并更新模型的可训练参数； 停止迭代的条件包括达到最大迭代次数或验证损失在连续多个迭代周期内不再显著下降； 训练过程中，模型参数每轮迭代后更新，并保存验证集上性能最佳的参数快照，用于最终模型部署； 步骤S4、电能质量扰动去噪，基于训练完成的去噪模型与标准化时频预处理流程，对新采集电能质量扰动信号进行特征提取、动态融合、信号重构及净化优化。

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长春工程学院，其通讯地址为：130012 吉林省长春市宽平大路395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。