買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京郵電大學申請的專利一種基于多粒度近鄰圖的智能電表故障分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116543198B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310363977.9，技術領域涉及：G06V10/764；該發明授權一種基于多粒度近鄰圖的智能電表故障分類方法是由黃子健;高欣;孟之航;薛冰;李強偉;傅世元;于家豪;黃旭設計研發完成，并于2023-04-06向國家知識產權局提交的專利申請。

本一種基于多粒度近鄰圖的智能電表故障分類方法在說明書摘要公布了：本發明實施例提出了一種基于多粒度近鄰圖的智能電表故障分類方法，包括：將智能電表不同類別下的故障歷史數據作為輸入數據集，劃分得到多個二類數據集；針對每個二類數據集，將每個樣本作為目標樣本，以目標樣本和不同數量近鄰樣本構成多粒度近鄰圖，作為后續分類任務中的訓練樣本；基于構造的近鄰圖數據集，設計自編碼器實現對近鄰圖節點特征的提取，根據近鄰圖的節點編碼特征和近鄰圖原始節點鄰接關系訓練圖注意力神經網絡用于近鄰圖分類任務；對于給定測試樣本，組合其測試樣本與其對應的不同數量近鄰樣本構成的近鄰樣本組，經近鄰圖分類結果集成后得到分類器在每個二類數據集下的判別結果，通過軟投票得到其故障類別。

本發明授權一種基于多粒度近鄰圖的智能電表故障分類方法在權利要求書中公布了：1.一種基于多粒度近鄰圖的智能電表故障分類方法，其特征在于，包括如下步驟： 1將智能電表不同類別下的故障歷史數據作為輸入數據集，劃分得到多個二類數據集，具體為： 將智能電表實際故障數據集輸入，該數據集中的樣本共包含工作時長、到貨批次號、供電單位編號、電能表類別、故障識別月份、安裝月份、省份、設備規格、通訊方式9種特征變量；其故障類別標簽共包含外觀故障、計量故障、存儲單元故障、處理單元故障、顯示單元故障、控制單元故障、電源單元故障、通訊單元故障、時鐘單元故障、其它故障、軟件故障11類；遍歷故障數據集中的每一類樣本，將該類別下所有樣本作為少數類樣本集，其余類別所有樣本為多數類樣本集，將原數據集轉化為11個二類數據集；對于其中每個二類數據集，均可將數據集描述為： D＝[Dmin,Dmaj] 其中，D為二類數據集，定義xi為D數據集中的任一樣本，即xi∈D；Dmin為少數類樣本集，樣本數量為Nmin；Dmaj為多數類樣本集，樣本數量為Nmaj； 2針對每個二類數據集，將每個樣本作為目標樣本，以目標樣本和不同數量近鄰樣本構成多粒度近鄰圖，作為后續分類任務中的訓練樣本，具體為： 基于步驟1中得到的不平衡二分類數據集D，構建近鄰圖數據集： 對于訓練集中的任一樣本xi，當其作為目標樣本時，可構造其多粒度近鄰圖，具體為：對于每個目標樣本，構建m個近鄰圖，參與構建近鄰圖的近鄰樣本數量為K＝{k1,k2,...,km}；當近鄰樣本數量為kj時，使用KNN算法尋找目標樣本xi在D中的kj個近鄰樣本，j∈[1,m]，得到xi的近鄰樣本組為任意為原始數據集D中樣本；以目標樣本xi及其近鄰樣本組NNi,j構建近鄰圖gi,j＝V,E；近鄰圖gi,j標簽為目標樣本xi的類別標簽yi； 其中，表示近鄰圖gi,j節點，節點vt對應近鄰樣本組NNi,j中樣本節點vkj+1對應目標樣本xi；表示近鄰圖gi,j的邊，每條邊et∈E表示目標樣本xi與其近鄰樣本相連；NNi,j表示樣本xi的第j組近鄰樣本組； 因此，遍歷整個D中的樣本，分別將構造的近鄰圖樣本對及其標簽存入集合G與YG中，即可得到近鄰圖數據集P＝G,YG，并將G中近鄰圖作為后續分類任務中近鄰圖樣本； 其中，G為構造得到的近鄰圖集合，YG為G的正確標簽； 3基于構造的近鄰圖數據集，設計自編碼器實現對近鄰圖節點特征的提取，根據近鄰圖的節點編碼特征和近鄰圖原始節點鄰接關系訓練圖注意力神經網絡用于近鄰圖分類任務，具體為： 基于步驟2得到的近鄰圖數據集，構建編碼器encoder和解碼器decoder提取近鄰圖節點特征，編碼器對近鄰圖節點特征X編碼得到近鄰圖節點編碼特征Z，解碼器對節點編碼特征Z解碼得到近鄰圖重構節點特征X′，其優化目標為： 其中，Lrec為編解碼過程的損失，g∈G，g為近鄰圖數據集中的訓練樣本，Xg為g的節點特征矩陣，Xg′為g的重構節點特征矩陣； 基于步驟2得到的近鄰圖數據集，構建圖注意力分類器clf并訓練，其優化目標為： 其中，Lclf為分類器部分的損失，α表示不同類別樣本在損失函數中的權重，Z為近鄰圖節點編碼特征矩陣，E為近鄰圖鄰接矩陣，且g,yg∈G,YG為近鄰圖數據集中的訓練樣本，g為構造得到的近鄰樣本對，yg為g的正確標簽，為模型對g的預測標簽； 模型整體優化目標包括編解碼器損失和分類器損失，其整體優化目標為： L＝Lrec+Lclf 4對于給定測試樣本，組合其測試樣本與其對應的不同數量近鄰樣本構成的近鄰樣本組，經近鄰圖分類結果集成后得到分類器在每個二類數據集下的判別結果，通過軟投票得到其故障類別，具體為： 基于步驟3中訓練得到的編碼器encoder和圖注意力分類器clf，對于一個待測樣本xtest，其預測標簽的計算過程如下： 其中，ptest,i＝Vtest,i,Etest,i是xtest的一個近鄰圖樣本，Vtest,i為近鄰圖節點集合，Xtest,i為近鄰圖節點特征矩陣，Etest,i為近鄰圖鄰接矩陣，為xtest在該二類數據集下的預測結果； 重復上述過程可得到11個圖注意力分類器clfj，j是圖注意力分類器的下標，j∈[1,11]；對于待測樣本xtest，其預測標簽的計算如下： 取值為j時，表示xtest的預測故障類別為第j類故障。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京郵電大學，其通訊地址為：100876 北京市海淀區西土城路10號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。