Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 华南理工大学杨雨涵获国家专利权

华南理工大学杨雨涵获国家专利权

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!

龙图腾网获悉华南理工大学申请的专利一种基于张量分解的智能变电站合并单元故障诊断与自愈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:CN119448563B

龙图腾网通过国家知识产权局官网在2025-12-16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:202411588252.0,技术领域涉及:H02J13/00;该发明授权一种基于张量分解的智能变电站合并单元故障诊断与自愈方法是由杨雨涵;张禄亮设计研发完成,并于2024-11-08向国家知识产权局提交的专利申请。

一种基于张量分解的智能变电站合并单元故障诊断与自愈方法在说明书摘要公布了:本发明公开了一种基于张量分解的智能变电站合并单元故障诊断与自愈方法,包括:从智能变电站的传感器网络中实时收集合并单元的各项运行数据,并进行处理,将处理后的数据组织成张量形式,输出多维数据;利用张量分解方法对所述多维数据进行分解,提取故障特征,并对所述故障特征进行检测,获得检测结果;基于所述检测结果确定故障的位置和类型,启动自愈控制策略,通过采取相应措施,实现故障的自动修复。本发明通过自适应控制技术,实现了故障的自动修复,增强了智能变电站的自愈能力,提升了系统的可靠性和稳定性。

本发明授权一种基于张量分解的智能变电站合并单元故障诊断与自愈方法在权利要求书中公布了:1.一种基于张量分解的智能变电站合并单元故障诊断与自愈方法,其特征在于,包括: 从智能变电站的传感器网络中实时收集合并单元的各项运行数据,并进行处理,将处理后的数据组织成张量形式,输出多维数据; 利用张量分解方法对所述多维数据进行分解,提取故障特征,并对所述故障特征进行检测,获得检测结果; 对所述故障特征进行检测,包括: 通过计算原始张量与重构张量之间的残差张量范数判断是否存在故障,若所述残差张量范数超过预设阈值,则判断为存在故障; 其中,所述重构张量通过Tucker分解的核心张量G和因子矩阵A、B、C重新组合得到; 计算所述残差张量范数的方法为: 式中,‖Residual‖F为残差张量范数,Residualijk为残差张量Residual在时间点i、数据类型j和采集点k处的元素; 所述残差张量Residual的计算方法为: 式中,tijk为原始张量T在时间点i、数据类型j和采集点k处的元素,为通过Tucker分解得到的重构张量在相同位置处的元素; 基于所述检测结果确定故障的位置,包括: 计算每个时间点和采集点组合的残差张量范数,通过找到范数最大的时间点和采集点组合,确定初始故障位置; 引入时间维度和采集点维度的贡献度,对综合残差范数进行加权,确定加权后的最终故障位置; 确定故障位置,包括: 通过计算每个时间点和采集点组合的残差张量范数,确定最终的故障位置; ①计算每个时间点i和采集点k组合的残差张量范数: 其中,J表示数据类型维度的大小,即数据类型的数量; 上面公式对于每个时间点i和采集点k,计算所有数据类型j的残差张量范数的平方和的平方根,得到综合残差范数,这个范数值反映了在特定时间点和采集点上故障的可能性; ②确定最大范数得到最终故障位置: 通过找到范数最大的时间点和采集点组合,确定最终的故障位置;即综合考虑了时间维度和采集点维度来确定故障的位置,最终的故障位置是通过计算每个时间点和采集点组合的残差张量范数,找到范数最大的组合来确定的; ③确定加权后的最终故障位置: 通过引入时间维度和采集点维度的贡献度,对综合残差范数进行加权,可以更准确地反映各个时间点和采集点在故障检测中的重要性: WeightedCombinedResidualNormi,k =CombinedResidualNormi,k×Contributionar ×Contributioncr 其中,WeightedCombinedResidualNormi,k是每个时间点和采集点组合的加权残差张量范数;CombinedResidualNormi,k是每个时间点和采集点组合的残差张量范数,反映了在特定时间点和采集点上故障的可能性;Contributionar是时间维度的因子向量ar的贡献度,表示时间维度在故障检测中的重要性;Contributioncr是采集点维度的因子向量cr的贡献度,表示采集点维度在故障检测中的重要性; 基于所述检测结果确定故障的类型,包括: 确定数据类型维度,通过计算每个数据类型维度的残差张量范数,确定范数最大的数据类型作为初始故障类型; 通过引入数据类型维度的贡献度,对数据类型范数进行加权,输出最终故障类型; 基于所述检测结果确定故障的位置和类型,启动自愈控制策略,通过采取相应措施,实现故障的自动修复。

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华南理工大学,其通讯地址为:510641 广东省广州市天河区五山路381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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。