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！

龙图腾网获悉燕山大学申请的专利基于可解释性图神经网络的风电机组异常检测与定位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：CN115329986B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202210873216.3，技术领域涉及：G06F18/2433；该发明授权基于可解释性图神经网络的风电机组异常检测与定位方法是由江国乾;易子宸;谢平;何群;武鑫;李小俚设计研发完成，并于2022-07-21向国家知识产权局提交的专利申请。

本基于可解释性图神经网络的风电机组异常检测与定位方法在说明书摘要公布了：本发明公开了基于可解释性图神经网络的风电机组异常检测与定位方法，属于风电机组状态监测领域，所述方法包括S1、筛选多变量时间序列SCADA数据；S2、协变量预处理及谱域图卷积网络模型初始化；S3、将协变量预处理之后的健康数据输入谱域图卷积网络，提取特征；S4、根据训练集设置阈值；S5、通过检测与定位模块进行异常检测和异常定位；S6、通过事后可解释性模块进行异常检测和定位；S7、将检测与定位模块和决策可解释性模块综合评估，对机组健康状态进行科学性的评估和指导。本发明实现了对机组故障的早期预警，实现了对机组故障的精准定位，有利于在亚健康时及时对机组进行处理和维护，避免机组及关键部件的深度伤害。

本发明授权基于可解释性图神经网络的风电机组异常检测与定位方法在权利要求书中公布了：1.一种基于可解释性图神经网络的风电机组异常检测与定位方法，其特征在于，包括以下步骤： S1、获取并筛选多变量时间序列SCADA数据：从风电场SCADA系统中获取风电机组多变量时间序列历史数据，进行数据清洗去除缺失值和异常数据，并筛选实验变量和协变量； S2、消除环境变量及工况变化对实验变量的影响，并获得协变量预处理之后的温度传感器数据，构建基于贝叶斯优化算法的随机森林多输入-多输出回归模型并进行谱域图卷积网络模型初始化； S3、将协变量预处理之后的健康数据输入谱域图卷积网络，学习关联特征：构建基于谱域图卷积网络的预测模型，首先利用自注意力机制提取协变量预处理之后的状态变量时间序列数据中不同传感器变量之间的空间相关特征，计算得到表示传感器空间相关性的邻接矩阵；同时，将协变量预处理之后的状态变量时间序列数据输入谱域图卷积模块，提取时间维度的特征，并将其与邻接矩阵一起输入图卷积模块，提取空间维度的特征；利用训练集对基于谱域图卷积网络的预测模型进行训练； S4、根据训练集设定阀值：将训练集输入到待训练的基于谱域图卷积网络的预测模型，计算训练集中所有变量的预测值和真实值的均方根误差，根据核密度估计的方法，设计阈值； S5、将在线SCADA测试数据输入模型，并通过检测与定位模块根据阈值判断是否产生异常，并进行误报点采集和故障定位： 从风电机组获取在线实时监测多变量时间数据，将其先输入到随机森林多输入-多输出回归模型，计算得到协变量预处理后的温度状态数据，然后再将其输入到训练好的基于谱域图卷积网络的预测模型，通过检测与定位模块根据预测值与真实值之间的均方根误差，将其与预先设定的阈值进行比较；当均方根误差大于阈值时，则对风机部件发出故障预警；同时将测试数据的均方根误差按天和按小时降采样，由检测与定位模块进行定位，最后根据验证集和阈值设定判断误报情况； S6、将在线SCADA测试数据输入基于谱域图卷积网络的预测模型，根据数据相关性自适应设置阈值，通过决策可解释性模块，将结果模型可视化，实现故障预警和故障定位，并依据结果优化方法优化模型参数结构； S7、将检测与定位模块和决策可解释性模块综合评估，对风电机组健康状态进行科学性的评估和指导。

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燕山大学，其通讯地址为：066004 河北省秦皇岛市海港区河北大街438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。