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！

龙图腾网获悉湖北宣恩洞坪水电有限责任公司申请的专利一种基于机器学习的水电厂智能运维管理系统及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：CN120707110B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202510820075.2，技术领域涉及：G06Q10/20；该发明授权一种基于机器学习的水电厂智能运维管理系统及方法是由吴晓翠;游超;周其磊;聂斌;吴光燚;陈攀设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本一种基于机器学习的水电厂智能运维管理系统及方法在说明书摘要公布了：本发明公开了一种基于机器学习的水电厂智能运维管理系统及方法，属于水电厂运维技术领域。本发明采集水电厂多维度数据，进行数据预处理，存储进入数据仓库；定义统一元数据标签，建立数据血缘追踪机制；确定溯源起点，基于存储位置回溯，追溯数据访问历史，依据数据流向图回溯，整合得到数据溯源链条；进行实体识别与关系抽取，使用Neo4j构建关联图谱；分析电网调度数据与设备运行的关系，调整关联图谱；识别显性异常和隐性异常，基于关联图谱进行融合，得到水电厂异常数据；预测设备运行数据和传感器监测数据的趋势，结合残差分析定位偏离值，得到数据波动模式，分析相关性，得到水电厂异常数据的源头。

本发明授权一种基于机器学习的水电厂智能运维管理系统及方法在权利要求书中公布了：1.一种基于机器学习的水电厂智能运维管理方法，其特征在于，包括以下步骤： 采集水电厂多维度数据，包括设备运行数据、传感器监测数据和电网调度数据，进行数据预处理，存储进入数据仓库；在数据仓库中，定义统一元数据标签，建立数据血缘追踪机制；确定溯源起点，基于存储位置回溯，追溯数据访问历史，依据数据流向图回溯，整合得到数据溯源链条； 基于数据仓库和数据溯源链条，进行实体识别与关系抽取，使用Neo4j构建关联图谱；分析电网调度数据与设备运行的关系，包括指令影响分析和连锁反应分析，调整关联图谱； 所述基于数据仓库和数据溯源链条，进行实体识别与关系抽取，使用Neo4j构建关联图谱，包括： 从数据仓库中提取与设备、传感器和故障模式相关的数据，依据传感器监测数据的唯一标识识别设备实体，为每个设备实体提取相关属性；根据传感器监测数据识别传感器实体，为每个传感器实体记录其属性；对设备运行数据和传感器监测数据中的故障记录数据进行分析，识别不同的故障模式实体，每个故障模式实体的属性包括故障名称、故障现象描述、故障严重程度等级和故障发生频率； 通过分析设备运行数据和传感器监测数据之间的关联，以及设备与传感器的安装配置信息，抽取设备与传感器之间的关系；结合所述设备运行数据和所述故障记录数据，提取出现故障模式超过设定阈值的设备，得到设备与故障模式之间的关系；安装并配置Neo4j图数据库，将识别出的设备实体、传感器实体和故障模式实体作为Neo4j中的节点进行创建；在创建节点时，将提取的相应属性添加到节点中；根据抽取的设备与传感器、设备与故障模式和传感器与故障模式之间的关系，在Neo4j中创建相应的边，用于连接节点，每条边标注关系类型和相关属性； 基于设备运行数据和传感器监测数据，采用孤立森林检测异常，得到显性异常，通过自编码器重构数据分布，识别隐性异常；将显性异常和隐性异常基于关联图谱进行融合，得到水电厂异常数据； 所述将显性异常和隐性异常基于关联图谱进行融合，得到水电厂异常数据，包括： 将异常关联的设备实体映射至关联图谱中的设备节点，将异常关联的传感器实体映射至关联图谱中的传感器节点，将历史故障模式作为预定义节点加入图谱；在设备节点和传感器节点分别与显性异常之间创建显性异常边，标注异常分数和类型；在设备节点和传感器节点分别与隐性异常之间创建隐性异常边，标注重构误差和趋势特征； 分析同一设备或传感器在同一时间段内的显性异常和隐性异常，当时间窗口重叠且参数相关时，标记为复合异常；计算显性异常与隐性异常在振动频谱和温度梯度的相似性，具体为计算余弦相似度；当所述相似性大于设定阈值时，判定为同一故障事件的不同表现； 使用Neo4j的Cypher语言查询异常传播路径，根据设备间物理连接强度赋予路径权重，得到高概率传播链；基于高概率传播链，当同一设备有多个显性异常关联，判定为高优先级故障；当同一设备有显性异常伴随隐性异常，判定为复合型故障；当同一设备有多个隐性异常在关联图谱中形成闭环，判定为系统性退化；进行异常数据整合和动态优先级排序，得到水电厂异常数据； 通过Prophet模型预测设备运行数据和传感器监测数据的趋势，结合残差分析定位偏离值，基于偏离值得到数据波动模式，分析水电厂异常数据与数据波动模式的相关性，得到水电厂异常数据的源头，包括： 配置Prophet模型，使用显性异常与隐性异常在振动频谱和温度梯度的相似性分别训练Prophet模型，生成异常数据的趋势特征、季节性特征和周期性特征；训练完成后，使用训练好的Prophet模型对未来一段时间内的设备运行数据和传感器监测数据进行预测，预测结果包括设备运行数据和传感器监测数据的趋势值； 将实际的设备运行数据和传感器监测数据与Prophet模型预测的趋势值进行对比，计算残差，所述残差等于实际值减去预测值，反映了数据的实际情况与模型预测结果之间的差异；根据计算得到的残差，通过设定的阈值定位偏离值；当残差的绝对值超过阈值时，判断该数据点是一个偏离值； 对定位到的偏离值进行分析，根据偏离值的变化特征和分布情况，将数据波动模式进行分类，包括周期性波动、突发性波动和持续性偏离；将水电厂异常数据与数据波动模式进行相关性分析，通过计算相关系数，判断异常数据与不同波动模式之间的关联程度；根据所述关联程度，结合水电厂设备的历史故障记录，推断水电厂异常数据的源头。

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北宣恩洞坪水电有限责任公司，其通讯地址为：445500 湖北省恩施土家族苗族自治州宣恩县万寨乡张家垭；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。