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！

龙图腾网获悉国网浙江省电力有限公司慈溪市供电公司;南京工程学院申请的专利基于人工智能的低压台区线损异常检测方法、系统及设备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：CN121347954B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202511913031.0，技术领域涉及：G01R31/00；该发明授权基于人工智能的低压台区线损异常检测方法、系统及设备是由何整杰;何锡姣;杨凯文;张思;韩建飞;王灿;曹世海;杨跃平;李钟煦;林英杰;高寒;陈松青;孙帆枫;彭佳鹰;章梦柯;吴卢飞;马家辉;周佳炎设计研发完成，并于2025-12-18向国家知识产权局提交的专利申请。

本基于人工智能的低压台区线损异常检测方法、系统及设备在说明书摘要公布了：本发明提供一种基于人工智能的低压台区线损异常检测方法、系统及设备，涉及电力系统检测技术领域，所述方法包括：按初始滑动窗口采集线路参数，计算线损波动熵，根据波动熵调整滑动窗口，采集待确定线损数据。接着，对数据进行多维度特征提取，得到多维线损特征。利用聚类分析，筛选出渐变异常态簇，并提取渐变原型向量。结合LSTM模型，预测未来线损增量序列。对预测序列反归一化并叠加至当前实测线损基线，生成线损预测结果。通过动态调整窗口、多维度特征提取和深度学习模型，实现线损异常的精准检测与预测，提高了基于人工智能的低压台区线损异常检测的精度和可靠性，并降低了误检频次。

本发明授权基于人工智能的低压台区线损异常检测方法、系统及设备在权利要求书中公布了：1.一种基于人工智能的低压台区线损异常检测方法，其特征在于，包括： 按照初始滑动窗口，采集低压台区的线路参数，并基于所述线路参数，确定所述低压台区的线损波动熵； 根据所述线损波动熵，确定目标滑动窗口，并根据所述目标滑动窗口对所述低压台区的线损数据进行连续采集，得到所述低压台区的待确定线损数据，具体包括：将所述线损波动熵分别与预设低熵阈值和预设高熵阈值进行比较；其中，若所述线损波动熵低于所述预设低熵阈值，则根据所述线损波动熵与所述预设低熵阈值之间的差值，延长所述初始滑动窗口的窗口长度并降低数据采集频次，得到所述目标滑动窗口；若所述线损波动熵高于所述预设高熵阈值，则根据所述线损波动熵与所述预设低熵阈值之间的差值，缩短所述初始滑动窗口的窗口长度并提高数据采集频次，得到所述目标滑动窗口；若所述线损波动熵介于所述预设低熵阈值与所述预设高熵阈值之间，则保持所述初始滑动窗口的窗口长度与采集频次不变；根据所述目标滑动窗口，连续采集所述低压台区的高压侧的总出电量和低压侧的总回电量，并根据所述总出电量和所述总回电量，确定所述目标滑动窗口内的每个采样点的实测线损率，并将所述实测线损率和所述采样点的预设辅助参数作为所述低压台区的待确定线损数据； 对所述待确定线损数据进行多维度特征提取，得到所述待确定线损数据的多维线损特征，具体包括：根据所述目标滑动窗口内的每个所述采样点的实测线损率，确定所述实测线损率在所述目标滑动窗口内的变化率、趋势斜率以及累积增量，并根据所述变化率、所述趋势斜率以及所述累积增量进行特征提取，得到基础差分特征；根据所述目标滑动窗口内的每个所述采样点的实测线损率，确定所述实测线损率在所述目标滑动窗口内的线损标准差和标准差变化量，并根据所述线损标准差和所述标准差变化量进行特征提取，得到波动稳定性特征；根据所述预设辅助参数，确定所述实测线损率在所述目标滑动窗口内的线路投运年限归一化值、环境湿度归一化值和负荷波动系数，并根据所述线路投运年限归一化值、所述环境湿度归一化值和所述负荷波动系数进行特征提取，得到辅助关联特征；将所述基础差分特征、所述波动稳定性特征以及所述辅助关联特征作为所述多维线损特征； 通过K-means聚类算法对所述多维线损特征进行无监督聚类分析，得到多个簇，并确定每个所述簇的簇内离散度和簇间分离度，具体包括：通过K-means聚类算法，根据预设范围内的预设聚类数，确定每个所述预设聚类数下每个所述多维线损特征到所述多维线损特征对应簇质心的距离平方和；根据所述距离平方和，确定聚类数量与所述距离平方和的关系曲线，并根据所述关系曲线，确定最终聚类数；以所述最终聚类数对所述多维线损特征进行再聚类，得到多个所述簇，并确定每个所述簇的簇内离散度和簇间分离度；其中，所述簇的数量与所述最终聚类数相同； 根据所述簇内离散度和所述簇间分离度从所述簇中筛选得到渐变异常态簇，并将所述渐变异常态簇的质心作为渐变原型向量； 根据所述渐变原型向量，结合LSTM线损预测模型，得到所述目标滑动窗口在未来预设时间段内的线损增量预测序列；所述LSTM线损预测模型包括输入层、LSTM隐藏层、全连接层及输出层，其中，所述LSTM隐藏层的神经元数量由输入特征矩阵的特征维度确定； 所述根据所述渐变原型向量，结合LSTM线损预测模型，得到所述目标滑动窗口在未来预设时间段内的线损增量预测序列，具体包括：获取所述目标滑动窗口对应的历史线损时序数据，所述历史线损时序数据包括所述目标滑动窗口在同周期的历史实测线损率和历史线损增量数据；将所述渐变原型向量与所述历史线损时序数据进行特征融合，得到所述输入特征矩阵；将所述输入特征矩阵输入至所述LSTM线损预测模型，通过所述输入层进行特征维度匹配，再通过所述LSTM隐藏层根据特征维度匹配后的特征矩阵，学习线损数据的长期时序依赖关系及渐变趋势规律，得到输出特征；通过所述全连接层对所述输出特征进行维度转换，再通过所述输出层的线性激活函数，根据维度转换后的输出特征，得到所述未来预设时间段内每个预设时间点对应的预测值，并根据所述预测值组成所述线损增量预测序列； 对所述线损增量预测序列进行反归一化，并叠加至当前实测线损基线，得到所述低压台区的线损预测结果，并根据所述线损预测结果进行异常检测。

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国网浙江省电力有限公司慈溪市供电公司;南京工程学院，其通讯地址为：315399 浙江省宁波市慈溪市古塘街道三北大街238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。