買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京師范大學(xué)申請(qǐng)的專(zhuān)利基于數(shù)字孿生的輸變電設(shè)備狀態(tài)評(píng)估方法及系統(tǒng)獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120068008B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202510551771.8，技術(shù)領(lǐng)域涉及：G06F18/25；該發(fā)明授權(quán)基于數(shù)字孿生的輸變電設(shè)備狀態(tài)評(píng)估方法及系統(tǒng)是由王維;李宗安;趙一坤;高欣宇;戴源;徐婧嵋;崔浩鵬;王俊博;顧志杰;林樂(lè)樂(lè)設(shè)計(jì)研發(fā)完成，并于2025-04-29向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于數(shù)字孿生的輸變電設(shè)備狀態(tài)評(píng)估方法及系統(tǒng)在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于數(shù)字孿生的輸變電設(shè)備狀態(tài)評(píng)估方法及系統(tǒng)，方法包括：采集輸變電設(shè)備數(shù)據(jù)并進(jìn)行預(yù)處理；LSTM算法模型對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)；故障樹(shù)分析模塊評(píng)估可能出現(xiàn)的故障類(lèi)型和故障概率；建立LSTM算法模型與故障樹(shù)分析模塊的交互機(jī)制，當(dāng)LSTM算法模型預(yù)測(cè)出設(shè)備運(yùn)行狀態(tài)異常時(shí)，將相關(guān)數(shù)據(jù)和預(yù)測(cè)結(jié)果輸入故障樹(shù)分析模塊，引導(dǎo)故障樹(shù)定位故障；當(dāng)故障樹(shù)分析模塊發(fā)現(xiàn)潛在故障風(fēng)險(xiǎn)后，將相關(guān)信息反饋給LSTM算法模型；根據(jù)LSTM算法預(yù)測(cè)結(jié)果和故障樹(shù)分析結(jié)果的置信度，對(duì)兩者進(jìn)行加權(quán)融合，獲取到評(píng)估結(jié)果。本發(fā)明建立模型交互機(jī)制，實(shí)現(xiàn)兩者信息共享與協(xié)同工作，增強(qiáng)對(duì)設(shè)備異常狀態(tài)和潛在故障風(fēng)險(xiǎn)的捕捉能力。

本發(fā)明授權(quán)基于數(shù)字孿生的輸變電設(shè)備狀態(tài)評(píng)估方法及系統(tǒng)在權(quán)利要求書(shū)中公布了：1.一種基于數(shù)字孿生的輸變電設(shè)備狀態(tài)評(píng)估方法，其特征在于，包括如下步驟： S1：采集輸變電設(shè)備數(shù)據(jù)并進(jìn)行預(yù)處理； S2：將預(yù)處理后的數(shù)據(jù)分別輸入到LSTM算法模型和故障樹(shù)分析模塊中； LSTM算法模型根據(jù)設(shè)備歷史運(yùn)行數(shù)據(jù)學(xué)習(xí)到的運(yùn)行狀態(tài)與各種參數(shù)之間的關(guān)系，對(duì)設(shè)備的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，輸出各參數(shù)的變化趨勢(shì)和可能出現(xiàn)的異常情況； 故障樹(shù)分析模塊結(jié)合設(shè)備的歷史運(yùn)行數(shù)據(jù)和故障數(shù)據(jù)，運(yùn)用故障樹(shù)分析方法確定故障樹(shù)的頂事件和底事件，并結(jié)合專(zhuān)家經(jīng)驗(yàn)與歷史數(shù)據(jù)確定各事件發(fā)生的概率，通過(guò)故障樹(shù)的邏輯關(guān)系計(jì)算設(shè)備故障的概率，分析各種故障原因?qū)υO(shè)備故障的影響程度，評(píng)估可能出現(xiàn)的故障類(lèi)型和故障概率； S3：建立LSTM算法模型與故障樹(shù)分析模塊的交互機(jī)制，當(dāng)LSTM算法模型預(yù)測(cè)出設(shè)備運(yùn)行狀態(tài)異常時(shí)，將相關(guān)數(shù)據(jù)和預(yù)測(cè)結(jié)果輸入故障樹(shù)分析模塊，引導(dǎo)故障樹(shù)定位故障；當(dāng)故障樹(shù)分析模塊發(fā)現(xiàn)潛在故障風(fēng)險(xiǎn)后，將相關(guān)信息反饋給LSTM算法模型，幫助調(diào)整預(yù)測(cè)方向； S4：根據(jù)LSTM算法預(yù)測(cè)結(jié)果和故障樹(shù)分析結(jié)果的置信度，對(duì)兩者進(jìn)行加權(quán)融合，獲取到評(píng)估結(jié)果； 步驟S3中當(dāng)故障樹(shù)分析模塊發(fā)現(xiàn)潛在故障風(fēng)險(xiǎn)后，將導(dǎo)致故障風(fēng)險(xiǎn)的關(guān)鍵底事件及其相關(guān)參數(shù)信息反饋給LSTM算法模型；設(shè)反饋的底事件集合為Ef＝{ef1,ef2,...,efk}，相應(yīng)參數(shù)集合為Xf＝{xf1,xf2,...,xfk}；LSTM算法模型在接收到反饋信息后，調(diào)整模型內(nèi)部的權(quán)重參數(shù)； 設(shè)LSTM算法模型的隱藏狀態(tài)為ht，其更新公式在反饋信息的引導(dǎo)下調(diào)整為： 其中，Ot表示輸出門(mén)的輸出，α為調(diào)整系數(shù)，wfj表示參數(shù)xfj在模型中的權(quán)重； 步驟S4具體包括： 設(shè)LSTM算法模型的預(yù)測(cè)結(jié)果為yLSTM，故障樹(shù)分析的結(jié)果為yFTA，yLSTM和yFTA的置信度分別為cLSTM和cFTA，計(jì)算公式為： 其中，PLSTM表示LSTM方法對(duì)正樣本的準(zhǔn)確率，PFTA表示FTA方法對(duì)正樣本的準(zhǔn)確率，RLSTM表示LSTM方法對(duì)正樣本的召回率，RFTA表示FTA方法對(duì)正樣本的召回率； 在置信度基礎(chǔ)上，引入動(dòng)態(tài)權(quán)重機(jī)制；設(shè)設(shè)備的運(yùn)行時(shí)間為T(mén)，累計(jì)故障次數(shù)為N，當(dāng)前時(shí)間點(diǎn)的故障風(fēng)險(xiǎn)水平為R；定義動(dòng)態(tài)權(quán)重wLSTM和wFTA的計(jì)算公式為： 參數(shù)β、γ、δ為調(diào)節(jié)系數(shù)，分別用于控制權(quán)重對(duì)風(fēng)險(xiǎn)、運(yùn)行時(shí)間及故障次數(shù)的敏感度； 最終的綜合評(píng)估結(jié)果由兩部分加權(quán)求和，公式為： y＝wLSTM·yLSTM+wFTA·yFTA 其中，y表示設(shè)備狀態(tài)預(yù)測(cè)與故障風(fēng)險(xiǎn)評(píng)估的最終結(jié)果。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人南京師范大學(xué)，其通訊地址為：210024 江蘇省南京市鼓樓區(qū)寧海路122號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話(huà)0551-65771310或微信搜索“龍圖騰網(wǎng)”。