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！

龙图腾网获悉国网甘肃省电力公司电力科学研究院申请的专利基于自适应物理信息神经网络的电网线损异常诊断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：CN120873761B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202511374397.5，技术领域涉及：G06F18/241；该发明授权基于自适应物理信息神经网络的电网线损异常诊断方法是由陈柏旭;甄文喜;董晓阳;生赫;马喜平;朱宏毅;赵霖;张赛;徐瑞;袁琛;梁琛设计研发完成，并于2025-09-25向国家知识产权局提交的专利申请。

本基于自适应物理信息神经网络的电网线损异常诊断方法在说明书摘要公布了：本申请涉及智能电网技术领域，特别涉及一种基于自适应物理信息神经网络的电网线损异常诊断方法，包括：构建LSTM模型；基于线损历史数据集对LSTM模型进行离线训练，得到初始线损诊断模型，离线训练的损失函数由离线均方误差损失和离线物理约束损失组成；将初始线损诊断模型部署到线上，在每一个时间步采集配电网的运行数据，得到当前的时间序列特征向量；将当前的时间序列特征向量输入至当前时间步的线损诊断模型，得到当前的理论技术线损率，再结合当前的实际总线损率，计算异常得分；对当前时间步的线损诊断模型进行在线训练，得到下一个时间步的线损诊断模型。该方法实现了能够动态适应不同实际工况的、更加稳定可靠的线损诊断。

本发明授权基于自适应物理信息神经网络的电网线损异常诊断方法在权利要求书中公布了：1.一种基于自适应物理信息神经网络的电网线损异常诊断方法，其特征在于，所述方法包括： 构建由输入层、LSTM层、时间序列池化层、全连接层、PINN物理约束层和输出层组成的LSTM模型； 基于大规模的线损历史数据集对LSTM模型进行离线训练，离线训练的损失函数由离线均方误差损失和离线物理约束损失组成，离线物理约束损失用于惩罚违反配电网的物理定律的预测，在完成离线训练后，得到一个具备基础线损诊断能力又遵守物理定律的初始线损诊断模型； 将初始线损诊断模型部署到线上，在每一个时间步，采集配电网的运行数据并进行预处理，得到当前的时间序列特征向量； 将当前的时间序列特征向量输入至当前时间步的线损诊断模型，得到其预测出的当前的理论技术线损率，再结合当前的实际总线损率，计算异常得分，并在异常得分大于动态告警阈值的情况下，触发异常告警；其中，第一个时间步的线损诊断模型即初始线损诊断模型； 为应对配电网的动态变化，将当前的时间序列特征向量和当前的理论技术线损率作为最新的训练数据，对当前时间步的线损诊断模型进行在线训练，得到下一个时间步的线损诊断模型； 离线训练的损失函数通过公式表示为： ； ； ； ； ； 其中，表示离线训练的损失函数，表示离线均方误差损失，为预设的离线超参数，用于平衡数据拟合精度与物理定律遵守程度之间的重要性，表示离线物理约束损失，表示批次大小，为大于1的整数，表示当前批次输入的第个线损历史数据，表示LSTM模型基于的输出，表示上标注的真实标签，表示对应的物理约束残差，表示对应的输入总有功功率，表示对应的输出总有功功率，表示LSTM模型对进行预测所需的损耗功率； 对于时间步，采集配电网的运行数据并进行预处理，得到当前的时间序列特征向量，包括： 在时间步，采集配电网的预设时间粒度的运行数据，包括时间步的输入总有功功率、时间步的输出总有功功率、时间步的三相电压、时间步的三相电流、时间步的功率因数和时间步的环境参数，时间步的环境参数包括时间步的温度、时间步的湿度； 对采集到的运行数据进行包括清洗、对齐、缺失值插补、以及归一化处理在内的预处理，得到时间步的时间序列特征向量； 设当前时间步为时间步，将当前的时间序列特征向量输入至当前时间步的线损诊断模型，得到其预测出的当前的理论技术线损率，再结合当前的实际总线损率，计算异常得分，包括： 将时间步的时间序列特征向量输入至时间步的线损诊断模型，得到预测出的时间步的理论技术线损率； 根据实时采集的供售电量，计算出时间步的实际总线损率； 通过以下公式，基于和，计算异常得分： ； 其中，表示时间步对应的异常得分； 在异常得分大于动态告警阈值的情况下，触发异常告警，包括： 通过以下公式，计算时间步对应的动态告警阈值： ； ； ； 其中，表示时间步对应的动态告警阈值，表示初始告警阈值，表示时间步对应的负荷率，表示时间步对应的环境偏离度，表示初始温度，表示初始湿度； 判断是否大于，在判定大于的情况下，触发异常告警； 将当前的时间序列特征向量和当前的理论技术线损率作为最新的训练数据，对当前时间步的线损诊断模型进行在线训练，得到下一个时间步的线损诊断模型，包括： 将、和作为最新的训练数据，对进行在线训练，在线训练的损失函数通过公式表示为： ； ； ； ； ； 其中，表示在线训练的损失函数，表示在线均方误差损失，为预设的在线超参数，表示在线物理约束损失，表示对应的物理约束残差，表示对进行预测所需的损耗功率； 基于进行梯度计算，得到的梯度，表示的权重； 通过梯度下降法对进行微调更新，得到，从而得到时间步的线损诊断模型，通过公式表示为： ； 其中，为在线训练的学习率。

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国网甘肃省电力公司电力科学研究院，其通讯地址为：730070 甘肃省兰州市安宁区万新北路249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。