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！

龙图腾网获悉长春工程学院申请的专利基于人工智能的电能质量扰动识别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：CN120354182B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202510856703.2，技术领域涉及：G06F18/24；该发明授权基于人工智能的电能质量扰动识别方法是由肖冬亚;刘嘉明;孙韬;张维俊设计研发完成，并于2025-06-25向国家知识产权局提交的专利申请。

本基于人工智能的电能质量扰动识别方法在说明书摘要公布了：本发明涉及人工智能技术领域，特别是涉及基于人工智能的电能质量扰动识别方法。基于人工智能的电能质量扰动识别方法，主要步骤如下：步骤S1、数据采集与标注；步骤S2、扰动数据扩充，采用基于量子谱分解的生成对抗网络算法进行样本生成；步骤S3、特征提取模型训练，采用基于动态生态优化的神经网络算法的训练流程；步骤S4、特征降维模型训练，采用基于特征细化的自编码神经网络作为降维模型；步骤S5、分类器模型训练，采用基于流形映射策略的极限学习机分类算法；步骤S6、电能质量扰动识别。

本发明授权基于人工智能的电能质量扰动识别方法在权利要求书中公布了：1.基于人工智能的电能质量扰动识别方法，其特征在于：步骤如下： 步骤S1、数据采集与标注； 步骤S2、扰动数据扩充，采用基于量子谱分解的生成对抗网络算法进行样本生成； 步骤S3、特征提取模型训练，采用基于动态生态优化的神经网络算法的训练流程； 步骤S301、在初始化阶段，构建多个种群，每个种群代表一组网络参数，每个种群的初始权重和偏置由随机正态分布生成， 步骤S302、对每个种群进行适应度评估，适应度计算基于网络的预测误差和网络参数的复杂性，定义适应度函数的计算方式表示为： FitnessWp,bp＝exp-LWp,bp-λrRwP,bp 式中，Fitness为神经网络的适应度函数，L是神经网络的损失函数，具体为均方误差损失，R是神经网络的正则化项，具体为L2正则化项，λr是神经网络的正则化系数； 步骤S303、根据适应度结果对种群施加选择压力，低适应度种群将面临更高的淘汰风险，采用轮盘赌方法选取适应度较高的种群进行繁殖，选择概率的计算方式表示为： 式中，PsWp,bp为神经网络权重和偏置参数组合的选择概率，Wi为第i个种群对应的神经网络权重参数，bi为第i个种群对应的神经网络偏置参数，Np为种群数量，ηpq为抑制系数； 步骤S304、环境中的资源根据种群的适应度被重新分配，资源多的种群有更高的繁殖率和生存率，资源分配与种群的适应度成正比； 步骤S305、进行种群的交叉与变异，高适应度的种群将通过交叉和变异产生新的种群，模拟生物的遗传过程，种群通过交叉和变异生成新的个体的方式表示为： 式中，为交叉操作后的神经网络权重参数，为交叉操作后的神经网络偏置参数，αprer为交叉比例，Wp1为第一种群对应的神经网络偏置参数，Wp2为第二种群对应的神经网络偏置参数； 步骤S306、重复迭代上述步骤，直至满足预设的停止迭代条件，即表示模型训练完成。 步骤S4、特征降维模型训练，采用基于特征细化的自编码神经网络作为降维模型； 所述基于特征细化的自编码神经网络由编码器、解码器和特征调整模块三部分构成，其中： 编码器负责将高维输入数据映射到低维特征空间， 解码器用于将降维后的特征重构回原始空间， 特征调整模块通过递归特征自适应优化动态调整降维后的特征空间。 步骤S5、分类器模型训练，采用基于流形映射策略的极限学习机分类算法，流程如下； 步骤S501、初始化极限学习机， 步骤S502、隐藏层节点的配置采用特征共生策略，动态调整权重和偏置以适应输入特征的统计特性，以增强模型对复杂扰动数据结构的适应性， 步骤S503、特征降维后的扰动数据经过基于流形映射的隐藏层，所述基于流形映射的隐藏层能够以非线性方式映射输入扰动数据到一个高维空间，以提取更多有助于分类的信息， 步骤S504、在极限学习机的输出层，利用快速学习算法对分类器进行训练，输出层权重通过最小化输出误差确定， 步骤S505、根据训练结果调整隐藏层节点的权重和偏置，通过交叉验证方法检验模型的性能，确保分类器能在未见的降维后的扰动数据上表现出良好的泛化能力。 步骤S6、电能质量扰动识别。

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长春工程学院，其通讯地址为：130012 吉林省长春市宽平大路395号；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”。