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！

龙图腾网获悉江苏恒润电力设计院有限公司申请的专利基于深度学习的变电站设备状态监测与智能故障预警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：CN120180197B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202510638239.X，技术领域涉及：G06F18/24；该发明授权基于深度学习的变电站设备状态监测与智能故障预警方法是由胡文裕设计研发完成，并于2025-05-19向国家知识产权局提交的专利申请。

本基于深度学习的变电站设备状态监测与智能故障预警方法在说明书摘要公布了：本发明公开了一种基于深度学习的变电站设备状态监测与智能故障预警方法，S1.得到预处理后的多源状态数据集；S2.生成高维度设备状态特征矩阵；S3.故障敏感深度置信网络模型，形成初步故障状态识别结果；S4.获得经过优化的敏感深度置信网络模型；S5.利用优化后的敏感深度置信网络模型对实时采集的多源状态数据进行在线分析，生成设备状态的实时故障预测结果，并对故障风险进行分类定级；S6.根据实时故障预测结果，触发远程故障预警机制，向变电站运维中心发送包含故障风险等级、预警信号及应急处理建议的故障预警信息。本发明有效支持调度系统的智能告警联动与分级控制。

本发明授权基于深度学习的变电站设备状态监测与智能故障预警方法在权利要求书中公布了：1.一种基于深度学习的变电站设备状态监测与智能故障预警方法，其特征在于，包括如下步骤： S1.实时采集多源状态数据集并进行预处理，得到预处理后的多源状态数据集； S2.利用预处理后的多源状态数据集构建设备状态特征向量，采用时序数据分段及多尺度滑动窗口方法提取与故障演化相关的关键特征，生成高维度设备状态特征矩阵； S3.故障敏感深度置信网络模型，对高维度设备状态特征矩阵进行多层次无监督特征学习，形成初步故障状态识别结果； S4.应用水母群优化算法对深度置信网络模型的权重参数及偏置参数进行全局搜索与动态调优，调整过程以初步故障状态识别结果与预定识别性能指标之间的偏差作为反馈信息，获得经过优化的敏感深度置信网络模型； S5.利用优化后的敏感深度置信网络模型对实时采集的多源状态数据进行在线分析，生成设备状态的实时故障预测结果，并对故障风险进行分类定级； S6.根据实时故障预测结果，触发远程故障预警机制，向变电站运维中心发送包含故障风险等级、预警信号及应急处理建议的故障预警信息； 所述S3包括以下步骤： S31.针对变电站运行过程中各关键参数的安全边界，计算各特征分量的故障敏感系数，形成故障敏感系数矩阵： ； 其中，表示中第时段、第尺度下的特征向量，为反映变电站安全运行状态的预设阈值，为故障风险放大系数； 计算所得故障敏感系数矩阵与高维度设备状态特征矩阵按元素对应相乘，形成故障敏感输入矩阵； S32.利用故障敏感输入矩阵构建故障敏感深度置信网络模型，故障敏感深度置信网络模型采用多层改进型受限玻尔兹曼机堆叠结构表示为： ； 其中，表示第层改进型受限玻尔兹曼机，为故障敏感深度置信网络模型的总层数，故障敏感深度置信网络模型各层中，输入向量记为，对第1层而言，，隐含层表示为； S33.在每一层改进型受限玻尔兹曼机内，对输入向量和隐含向量采用融合故障敏感系数的能量函数进行建模： ； 其中，表示第层第个输入节点，为第层中第个输入节点与第个隐含节点之间的连接权重，和分别为该层的输入节点和隐含节点偏置，为与第个输入节点对应的故障敏感系数，取自故障敏感输入矩阵按对应映射后得到，为第l层可见层的神经元数量，为第l层隐含层的神经元数量，表示第l层的隐含层向量； S34.利用对比散度算法在保证变电站多源状态数据中故障异常特征得到充分强化的前提下，对每一层改进型受限玻尔兹曼机的参数进行逐层无监督预训练，并将各层隐含层输出作为下一层的输入，训练过程中，故障敏感系数调节各输入节点在梯度更新中的权重，使得故障敏感深度置信网络模型侧重于异常偏离安全阈值的特征； S35.完成所有改进型受限玻尔兹曼机层的无监督预训练后，对整个故障敏感深度置信网络模型进行监督微调，利用历史故障记录生成的故障标签向量，其中，为故障类别数，采用交叉熵损失函数对全网络参数进行联合优化，生成故障特征表达向量； S36.将故障特征表达向量传递至故障敏感深度置信网络模型的输出层，利用故障模式分类器进行前向推理，输出初步故障状态识别结果。

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江苏恒润电力设计院有限公司，其通讯地址为：210000 江苏省南京市鼓楼区中央路399号6幢1407室；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”。