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！

龙图腾网获悉湖南科技大学申请的专利基于图时空注意力网络的风力发电机温度监测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：CN121030274B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202511545055.5，技术领域涉及：G06F18/21；该发明授权基于图时空注意力网络的风力发电机温度监测方法是由刘朝华;刘子玮;吕明阳;刘红文;罗涛;文必胜;李小花;王刚毅;冯靓设计研发完成，并于2025-10-28向国家知识产权局提交的专利申请。

本基于图时空注意力网络的风力发电机温度监测方法在说明书摘要公布了：本发明公开了一种基于图时空注意力网络的风力发电机温度监测方法，包括以下步骤：对采集的SCADA数据进行预处理，获得数据集；以各传感器为节点，计算各节点的top‑k近邻关系，节点间边权重通过高斯核函数计算，基于所有节点的近邻关系及边权重构建带权邻接矩阵，从而得到风力发电机多传感器时序图，通过将不同时间戳采集的时序数据赋予节点时序特征，形成时空图结构，并输出各传感器时序特征；将图注意力网络引入风力发电机温度状态监测，建模多传感器网络的全局性与连通性特征。本发明通过融合图时空双维注意力机制与关键变量筛选，显著提升了发电机温度预测精度：采用最大信息系数MIC剔除冗余变量，降低了噪声干扰。

本发明授权基于图时空注意力网络的风力发电机温度监测方法在权利要求书中公布了：1.一种基于图时空注意力网络的风力发电机温度监测方法，其特征在于，包括以下步骤： 步骤一：对采集的SCADA数据进行预处理，获得数据集； 步骤二：通过Min‑max归一化处理数据集，采用top‑k近邻算法，以各传感器为节点，计算各节点的top‑k近邻关系，节点间边权重通过高斯核函数计算，基于所有节点的近邻关系及边权重构建带权邻接矩阵，从而得到风力发电机多传感器时序图，风力发电机多传感器时序图记为tKNNG，tKNNG通过将不同时间戳采集的时序数据赋予节点时序特征，形成时空图结构，并输出各传感器时序特征； 步骤三：将图注意力网络引入风力发电机温度状态监测，用于捕捉多传感器网络的全局性与连通性特征：采用图注意力层GAT捕获风力发电机内部结构信息，继而通过全局‑局部注意力嵌入层与LSTM层提取各传感器时序特征，融合生成正常工况下的时空特征，将时空特征输入最终的预测层，以估计监测变量； 在风力发电机温度状态监测中，利用历史状态参数数据对未来的状态参数进行预测，具体而言，历史状态参数数据描述为风力发电机多传感器网络上的时间序列；多传感器网络表示为，，其中为节点特征矩阵，，为实数域，n为节点数量，即传感器数量；为特征长度，即输入时间序列长度；E为连接节点的边集合；为邻接矩阵，，其第行第列元素表示节点与节点之间的关联强度，通过top‑k近邻算法计算得到；风力发电机的历史状态信息定义为多传感器网络上的序列；因此，风力发电机温度状态参数预测问题表述为： 给定和历史状态信息，旨在构建模型，模型以长度为的新序列作为输入，，为中第个元素，预测后续个时间步的状态信息，； 采用图注意力层GAT捕获风力发电机内部结构信息的过程为： 采用图注意力层GAT，第个节点的输出特征表述为： ； ；式中，表示第个节点对第个节点的归一化注意力系数；和分别表示第个节点和第个节点原始输入特征向量经过线性变换后的新特征向量；“”符号表示将两个向量进行拼接；，表示图节点的新特征维度；表示单层前馈神经网络的可学习参数；上标表示矩阵的转置；表示第个节点的邻域节点集合；表示的第个邻居节点；表示的第个邻居节点的特征向量经过线性变换后的新特征向量；M为多头注意力机制的头数；表示第个注意力头计算得到的归一化注意力系数；ReLU表示ReLU函数；LeakReLU表示LeakReLU激活函数；为实现所有节点空间特征的集成，各节点输出通过如下拼接操作实现特征融合： ； 式中，表示通过GAT从G中建模得到的空间特征矩阵，； 通过全局‑局部注意力嵌入层与LSTM层提取各传感器时序特征，融合生成正常工况下的时空特征的过程为： 鉴于GAT输出数据为窗口长度L的图序列，全局‑局部注意力嵌入层采用滑动窗口技术计算各向量对整体序列的贡献度，全局‑局部注意力嵌入层的计算过程表述为： ； ； ；式中，表示GAT在时间步的特征矩阵，；tanh表示双曲正切函数； 为可学习参数矩阵，，为的转置；表征窗口内时间步的局部特征；表示时间步经归一化函数处理后的局部重要性系数；表征整个窗口的全局信息； 全局与局部信息的获取方式如下： ； 式中，表示局部特征与全局信息经拼接操作生成的融合向量，；随后输入LSTM单元进行时序信息深度提取，更新过程遵循标准LSTM门控机制； 完成时空特征提取后，时间步的输出为的时空信息集成特征，，为时间步对应的图结构数据，H为隐藏层维度；最终通过线性回归层处理末位LSTM单元输出。

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湖南科技大学，其通讯地址为：411103 湖南省湘潭市雨湖区石马头；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。