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！

龙图腾网获悉兰州理工大学申请的专利一种风力发电机组异常状态检测与联合解释方法及装置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：CN119308802B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202411352788.2，技术领域涉及：F03D17/00；该发明授权一种风力发电机组异常状态检测与联合解释方法及装置是由陈伟;朱江皓;林洁;魏占宏;裴婷婷;裴喜平;兰斌;魏智设计研发完成，并于2024-09-26向国家知识产权局提交的专利申请。

本一种风力发电机组异常状态检测与联合解释方法及装置在说明书摘要公布了：本发明公开了一种风力发电机组异常状态检测与联合解释方法及装置，包括：从风力发电机组的SCADA系统中获取多维度运行数据并进行预处理；采用k‑均值聚类算法进行聚类，选取计算后的中心簇的中心特征构建新的特征数据集；利用分类决策提升算法训练风电机组异常状态检测模型，检测并识别异常状态；建立检测模型输出的简化模型，用SHAP算法计算输入特征对异常状态检测结果的全局贡献度并提供全局解释；建立检测模型实例的局部模型，采用LIME算法针对具体异常实例生成局部解释，分析关键特征在具体异常实例中的贡献；本发明提升了风力发电机组异常检测的准确性与可解释性，以便于为复杂系统的维护与优化提供坚实的数据支持与理论基础。

本发明授权一种风力发电机组异常状态检测与联合解释方法及装置在权利要求书中公布了：1.一种风力发电机组异常状态检测与联合解释方法，其特征在于，包括以下步骤： S1.从风力发电机组的SCADA系统中获取多维度运行数据并进行预处理； S2.对预处理后的风电机组SCADA数据采用k-均值聚类算法进行聚类，选取计算后的中心簇的中心特征构建为新的特征数据集； S3.基于提取的中心特征数据构建的新的特征数据集，利用分类决策提升算法训练风电机组异常状态检测模型，检测并识别异常状态； S4.建立风电机组异常状态检测模型输出的简化模型，用SHAP算法计算输入特征对异常状态检测结果的全局贡献度，并提供全局解释； S5.建立风电机组异常状态检测模型实例的局部模型，采用LIME算法通过拟合局部线性模型，针对具体异常实例生成局部解释，分析关键特征在具体异常实例中的贡献； 步骤S3的具体内容为： S31.采用分类决策提升算法建立风力发电机组异常状态检测模型，从常数模型开始，初始化分类预测值为目标值的均值； S32.基于初始化后的分类预测值在每一轮迭代中计算每个样本的梯度和海森矩阵的对角线元素； S33.为每个特征的每个分裂点构建直方图，采用直方图值计算每个分裂点的增益，选择增益最大的分裂点进行分裂，然后根据选择的最佳分裂点，构建决策树； S34.采用当前构建的树来更新模型的预测值，再进行多次迭代后，最终模型为所有基学习器的加权和； 步骤S4的具体内容为： S41.构建风力发电机组异常状态检测模型的简化模型，通过一个线性组合的形式近似原模型的输出； S42.计算简化模型与原模型差异，以满足局部准确性、缺失性、一致性； S43.计算简化模型中每个特征的SHAP值，根据每个特征的SHAP值进行全局可视化，在图中显示对风力发电机组异常状态影响的特征重要性排序以及特征间的相关性； 步骤S5的具体内容为： S51通过对原始数据进行局部扰动，生成新的数据集，以模拟模型在局部空间内的行为； 生成新的数据集的方程为： ； 其中，z为新数据，为扰动值，x为原始数据； S52.采用欧氏距离衡量生成的新的数据集样本与原始数据样本的相似度，用于为每个扰动样本分配权重，权重越高表示扰动样本与原始样本越相似； 相似度计算方程为： ； 其中，为样本z的权重，为样本x与z之间的距离，为一个调节参数，用于控制相似度的衰减速度； S53.采用加权的线性回归模型对扰动样本及对应的模型输出进行拟合，通过最小化加权损失函数，得到一个局部解释模型； 最小化加权损失函数的方程为： ； 其中，为加权的平方损失函数，为局部解释模型，为所构建的复杂的预测模型，为权重，用于衡量扰动样本z与解释样本x的相似度，为复杂度惩罚项，用于避免过拟合； S54.基于构建好的局部解释模型，对风电机组SCADA数据中的单个实例进行分析，计算单个实例的异常状态概率。

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兰州理工大学，其通讯地址为：730050 甘肃省兰州市兰工坪287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。