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！

龙图腾网获悉四川大学申请的专利基于多信息融合的高压电缆绝缘故障智能诊断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：CN120632643B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202511120624.1，技术领域涉及：G06F18/2415；该发明授权基于多信息融合的高压电缆绝缘故障智能诊断方法及系统是由王梓豪;李泽瑞;陈熠东;袁豪;陈俊豪;刘成禹设计研发完成，并于2025-08-12向国家知识产权局提交的专利申请。

本基于多信息融合的高压电缆绝缘故障智能诊断方法及系统在说明书摘要公布了：本发明涉及高压电缆故障诊断领域，公开了一种基于多信息融合的高压电缆绝缘故障智能诊断方法及系统，包括以下步骤：S1:获取高压电缆的运行多源数据，构建多源原始数据矩阵；S2:预处理得到时空对齐的标准化数据矩阵；S3:进行特征提取，获取多维特征向量，并采用多模态深度网络学习特征间内在关联，得到联合多模态特征；S4:基于贝叶斯推理和蒙特卡洛采样构建故障类型识别模型，获取故障类型分类结果；S5:结合深度学习和物理模型，获取故障发生的区间及定位信息和故障等级；S6:基于故障类型分类结果和故障发生的区间及定位信息，获取故障等级，并生成的诊断报告进行预警推送。本发明实现高压电缆绝缘故障的高精度识别、定位与风险评估。

本发明授权基于多信息融合的高压电缆绝缘故障智能诊断方法及系统在权利要求书中公布了：1.一种基于多信息融合的高压电缆绝缘故障智能诊断方法，其特征在于，包括以下步骤： S1:获取高压电缆的运行多源数据，构建多源原始数据矩阵； S2:对获取的高压电缆的运行多源数据进行预处理，得到时空对齐的标准化数据矩阵； S3:根据时空对齐的标准化数据矩阵，进行特征提取，获取多维特征向量，并采用多模态深度网络学习特征间内在关联，得到联合多模态特征； 所述多模态深度网络包括特征嵌入层、特征交互层、注意力机制和特征融合层，具体如下： 所述特征嵌入层将不同模态的特征映射到统一的特征空间： hpd=Wpd·fpd+bpd； hsound=Wsound·fsound+bsound； htemp=Wtemp·ftemp+btemp； 其中：fpd、fsound、ftemp分别是局部放电、声信号和温度场的特征向量； Wpd、Wsound、Wtemp是可学习的权重矩阵；bpd、bsound、btemp是偏置向量；hpd、hsound、htemp分别是局部放电、声信号和温度场嵌入后的特征向量； 所述特征交互层，建模不同模态特征间的复杂关联，采用多模态交互网络学习特征间的复杂关联Z： Z=σWv·[hpd;hsound;htemp]+bv； 其中，[；]表示特征的拼接操作；Wv和bv是特征交互层的权重和偏置；σ是激活函数； 采用自注意力机制MultiHead捕捉特征间的长距离依赖关系： Q=WQ·Z，K=WK·Z，V=WV·Z； ； ； 其中，Q、K、V分别表示表查询、键和值矩阵，WQ、WK、WV为Q、K、V对应的参数矩阵；,,是第h个注意力头的Q、K、V分别对应的可学习的投影矩阵；headh是第h个注意力头；H为注意力头数量；Attention表示注意力机制计算函数；WO为输出权重矩阵；Concat表示拼接函数； 自适应地加权不同模态的重要性： ； 其中，是各模态的注意力权重；Wa1、Wa2、Wa3和ba1、ba2、ba3是可学习的参数； 特征融合层结合多头注意力和模态注意力的结果，生成最终的联合多模态特征表示hfusion： ； ； ； 其中，hattn是自注意力机制的输出；hmodal是模态注意力机制的输出；Wf和bf为特征融合层的权重和偏置； S4:基于贝叶斯推理和蒙特卡洛采样构建故障类型识别模型，并根据联合多模态特征，进行故障类型判别，获取故障类型分类结果； S5:根据联合多模态特征，结合深度学习和物理模型，获取故障发生的区间及定位信息，具体如下： 从联合多模态特征hfusion中提取时空特征： Ftemp=TCNhfusion； Fspace=GCN[Ftemp,A]； 其中，TCN是时间卷积网络，捕获时序特征Ftemp；GCN是图卷积网络，结合邻接矩阵A建模空间关系Fspace； 将电缆物理参数与时空特征征融合，嵌入定位过程： Fphys=EmbedR,L,C,G； Fjoint=a’·Fspace+1-a’·Fphys； 其中，R,L,C,G是电缆的物理参数，分别为电阻、电感、电容、电导；Embed是物理参数嵌入函数；a’是可学习的融合权重；Fphys为电缆物理特征向量；Fjoint为融合特征； 构建从特征到位置的概率映射： ； ； 其中，pl∣Fjoint是位置l的概率分布；li是预定义的第i个候选位置；是预测的故障位置；Wloc和bloc分别为概率映射的权重和偏置；N为候选位置数量； S6:基于故障类型分类结果和故障发生的区间及定位信息，获取故障等级，并生成诊断报告进行预警推送。

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四川大学，其通讯地址为：610065 四川省成都市武侯区一环路南一段24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。