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！

龙图腾网获悉烟台大学申请的专利一种基于改进TS-GAN的电网故障录波数据增强方法及系统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：CN120408045B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202510919243.3，技术领域涉及：G06F18/10；该发明授权一种基于改进TS-GAN的电网故障录波数据增强方法及系统是由刘志中;李超;赵卓;黄光玉;王飞;刘仲尧设计研发完成，并于2025-07-04向国家知识产权局提交的专利申请。

本一种基于改进TS-GAN的电网故障录波数据增强方法及系统在说明书摘要公布了：本发明涉及数据增强技术领域，尤其是涉及一种基于改进TS‑GAN的电网故障录波数据增强方法及系统。方法包括获取小样本故障录波数据；对获取的小样本故障录波数据进行预处理；利用基于改进TS‑GAN的故障生成模型对小样本故障录波数据进行特征提取；利用基于改进TS‑GAN的故障生成模型对提取的特征进行生成判别故障；通过小样本故障录波数据作为样本进行模型训练；对训练后的模型进行评价优化；利用优化后的模型对电网故障录波数据进行数据增强。针对TS‑GAN本身进行了改进，通过融合卷积自注意力层和多头自注意力层来强化对局部特征差异的学习，以帮助生成器更准确和全面地抓取时间序列的局部和全局特征。

本发明授权一种基于改进TS-GAN的电网故障录波数据增强方法及系统在权利要求书中公布了：1.一种基于改进TS-GAN的电网故障录波数据增强方法，其特征在于，包括： 获取小样本故障录波数据； 对获取的小样本故障录波数据进行预处理； 利用基于改进TS-GAN的故障生成模型对小样本故障录波数据进行特征提取； 利用基于改进TS-GAN的故障生成模型对提取的特征进行生成判别故障； 通过小样本故障录波数据作为样本进行模型训练； 对训练后的模型进行评价优化； 利用优化后的模型对电网故障录波数据进行数据增强； 所述对获取的小样本故障录波数据进行预处理，包括对于数据为2400采样点的真实录波序列，从录波起点开始，对每个采样点的逐步取样，从而将单一的真实故障数据序列扩展为一组包含多个采样点的训练数据集，每个片段对应原始序列中的连续时间点，用于增加训练数据的数量和多样性，其中，在故障录波数据中，电气量指标构成时间序列过程，其中表示离散时间点，代表故障特征参数，为故障参数空间，轨迹序列为离散集，电气量状态可表示为，若模型生成故障录波数据电气量为，并且其服从概率分布，则模型生成的概率分布,需要靠近于真实场景中的序列分布；在数据生成模型中的表现为参数，代表模型参数空间，满足： ， 其中：代表相异分布间距离的度量； 所述利用基于改进的TS-GAN故障生成模型对小样本故障录波数据进行特征提取，包括首先融入全局注意力机制GLFM，利用多头注意力层提取到的序列的特征通过具有多层感知机的前馈层进一步学习到更杂的非线性映射，使模型学习到更丰富的表示，最后经过注意力层对序列的局部相关性特征进行提取，在多头自注意力层、前馈层和卷积注意力层之间通过残差连接将各层捕捉到的信息进行融合，其中，在第一层中，标准WGAN使用随机向量生成合成的声谱图，第二层通过引入条件WGAN，将第一层生成的合成图像转化为精确的合成时间序列； 所述利用基于改进的TS-GAN故障生成模型对小样本故障录波数据进行特征提取，还包括通过嵌入轻量化架构的注意力机制使模型具备动态特征选择能力，自主聚焦故障发生时段的关键信号变化，其中，首先计算查询矩阵与键矩阵的以获得相似度，随后通过除以，并通过函数对其进行归一化处理得到分数矩阵；然后将分数矩阵与值矩阵相乘，计算得到注意力矩阵： ， 注意力矩阵的输入经过线性变换得到该层的输出式表示为： ， 其中，是可学习的网络权重参数； 所述利用基于改进TS-GAN的故障生成模型对提取的特征进行生成判别故障，包括利用判别器评估输入的隐编码序列，并判断是否来自真实数据分布，其中判别器首先通过函数d：∏tH→[0，1]对隐编码序列进行评分，表示序列属于真实故障序列的概率，通过特征比对输出二分类结果，再利用编码层将随机序列转换为隐编码；其次条件分布计算，通过建模隐状态的马尔可夫依赖性来保证生成序列的时序连贯性，表示隐编码序列中的时间动态特性，第二层通过再次计算进一步逼近真实的条件分布，确保生成的隐编码序列接近实际故障序列的分布； 所述通过小样本故障录波数据作为样本进行模型训练，包括通过计算样本的相似度进行对比学习，从而区分相似样本和不相似样本，推动模型获取更具判别性的特征表示，对比学习的训练过程包括，在每次迭代中，从训练集中随机选取个样本，并对每个样本应用随机增强策略生成个样本，对于任意样本，仅其增强版本被视为正样本，而批次中其余2n−2个样本均作为负样本，从而构建对比学习任务；然后利用广义线性特征映射GLFM编码所有样本，获得低维特征表示；最后采用损失函数通过归一化温度缩放策略计算正负样本对的相似性，计算对比损失，实现特征空间的判别性学习，对比损失定义为： ， 式中：表示对比学习系数，是相似度函数，采用余弦相似度作为相似度函数。

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烟台大学，其通讯地址为：264003 山东省烟台市莱山区清泉路30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”。

以上内容由龙图腾AI智能生成。