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！

龍圖騰網獲悉廣東電網有限責任公司廣州供電局申請的專利基于深度學習考慮未知擾動類型的電力系統擾動識別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：CN115409335B 。

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：202210973927.8，技術領域涉及：G06F18/2413；該發明授權基于深度學習考慮未知擾動類型的電力系統擾動識別方法是由吳任博;梁雪青;盧有飛;劉璐豪;趙宏偉;張少凡;陳明輝;劉超;王歷曄;劉俊;陳晨;趙譽;劉曉明;彭鑫設計研發完成，并于2022-08-15向國家知識產權局提交的專利申請。

本基于深度學習考慮未知擾動類型的電力系統擾動識別方法在說明書摘要公布了：本發明公開了一種基于深度學習考慮未知擾動類型的電力系統擾動識別方法，包括以下步驟：S1、根據電力系統參數，利用電網暫態仿真數據和電網歷史運行數據，獲取各類擾動發生時的時間序列數據，生成時間序列擾動數據集；S2、采用濾波技術對時間序列擾動數據集進行去噪；3、根據特征指標對時間序列擾動數據集進行特征提取，生成擾動識別特征樣本集，并劃分為訓練集和測試集；S4、構建包含深度神經網絡和啟發式判斷層的復合模型，利用訓練集及其對應的擾動類型標簽對深度神經網絡進行訓練；S5、將測試集輸入復合模型，深度神經網絡輸出預分類結果，根據預分類結果以及測試集與訓練集的相似性判定，啟發式判斷層輸出考慮未知擾動的最終擾動識別結果。

本發明授權基于深度學習考慮未知擾動類型的電力系統擾動識別方法在權利要求書中公布了：1.一種基于深度學習考慮未知擾動類型的電力系統擾動識別方法，其特征在于，包括以下步驟： S1、根據電力系統參數，利用電網暫態仿真數據和電網歷史運行數據，獲取各類擾動發生時正序電壓、負序電壓、零序電壓的時間序列數據，生成電力系統的時間序列擾動數據集； S2、采用濾波技術對電力系統的時間序列擾動數據集進行去噪； S3、根據特征指標對時間序列擾動數據集進行特征提取，獲得擾動特征數據并以擾動特征數據對應的擾動類型為標簽，生成擾動識別特征樣本集，并劃分為訓練集和測試集； S4、構建包含深度神經網絡和啟發式判斷層的基于深度神經網絡的電力系統擾動識別復合模型，利用訓練集數據及其對應的擾動類型標簽對深度神經網絡進行訓練； S5、將測試集數據輸入基于深度神經網絡的電力系統擾動識別復合模型，深度神經網絡輸出預分類結果，根據預分類結果以及測試集數據與訓練集數據的相似性判定，啟發式判斷層輸出考慮未知擾動類型的最終擾動識別結果； 深度神經網絡包括深度神經網絡1、深度神經網絡2和深度神經網絡0，深度神經網絡1輸出正序數據分類結果，深度神經網絡2輸出負序數據分類結果，深度神經網絡0輸出零序數據分類結果，正序數據分類結果、負序數據分類結果、零序數據分類結果分別輸入啟發式判斷層； 分別比較正序測試集數據與正序數據分類結果對應的正序訓練集數據、負序測試集數據與負序數據分類結果對應的負序訓練集數據、零序測試集數據與零序數據分類結果對應的零序訓練集數據，獲得正序相似性度量值、負序相似性度量值和零序相似性度量值分別為： 式中，sim1為正序相似性度量值，sim2為負序相似性度量值，sim0為零序相似性度量值，為正序測試集數據，為負序測試集數據，為零序測試集數據，xy1為正序訓練集數據，xy2為負序訓練集數據，xy0為零序訓練集數據； 分別比較正序訓練集數據、負序訓練集數據、零序訓練集數據中的任意兩條數據，獲得正序相似性閾值、負序相似性閾值和零序相似性閾值分別為： 式中，為正序相似性閾值，為負序相似性閾值，為零序相似性閾值，xa和xb為對應訓練集數據中的任意兩條數據； 比較正序相似性度量值和正序相似性閾值，獲得正序擾動識別結果為： 式中，為正序數據分類結果，y1為正序擾動識別結果； 比較負序相似性度量值和負序相似性閾值，獲得負序擾動識別結果為： 式中，為負序數據分類結果，y2為負序擾動識別結果； 比較零序相似性度量值和零序相似性閾值，獲得零序擾動識別結果為： 式中，為零序數據分類結果，y0為零序擾動識別結果； 比較正序擾動識別結果、負序擾動識別結果和零序擾動識別結果，獲得啟發式判斷層的輸出為： 式中，yout為啟發式判斷層的輸出。

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廣東電網有限責任公司廣州供電局，其通訊地址為：510620 廣東省廣州市天河區天河南二路2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”。