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！

龙图腾网获悉三峡大学申请的专利基于深度残差网络的配电网内部过电压识别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：CN115965585B 。

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：202211520398.2，技术领域涉及：G06T7/00；该发明授权基于深度残差网络的配电网内部过电压识别方法是由蒋懿波;刘会家;艾璨;江旭旭;肖志恒;郑连华;郭俊康;罗苏新;刘斐设计研发完成，并于2022-11-30向国家知识产权局提交的专利申请。

本基于深度残差网络的配电网内部过电压识别方法在说明书摘要公布了：一种基于深度残差网络的配电网内部过电压识别方法，方法为：通过PSCAD仿真得到各种不同类型的暂时过电压、操作过电压的故障样本，将样本数据进行预处理并分组建立训练集样本和测试集样本；构建残差网络模型：通过建立多层卷积层、池化层以及残差块，共同组成深层次的残差网络模型；对网络初始化设定后，将训练集输入深度残差网络模型，利用多层卷积和池化运算实现对原始信号抽象化表征；将故障数据输入模型，对其进行抽象化表征与网络训练，在网络模型末端集成Softmax分类器，实现对两类内部过电压样本的分类识别。本发明实现故障特征的自动获取和识别，降低故障诊断工作量，提升配电网内部过电压监测效率。

本发明授权基于深度残差网络的配电网内部过电压识别方法在权利要求书中公布了：1.一种基于深度残差网络的配电网内部过电压识别方法，其特征在于： 步骤1，通过PSCAD仿真得到各种不同类型的暂时过电压、操作过电压的故障样本，将样本数据进行预处理并分组建立训练集样本和测试集样本； 步骤2，构建残差网络模型：通过建立多层卷积层、池化层以及残差块，共同组成深层次的残差网络模型； 步骤3，对网络初始化设定后，将训练集输入深度残差网络模型，利用多层卷积和池化运算实现对原始信号抽象化表征； 步骤4，将故障数据输入模型，对其进行抽象化表征与网络训练，在网络模型末端集成Softmax分类器，实现对两类内部过电压样本的分类识别； 步骤2中，残差网络模型的包括5个卷积层、6个池化层和3个残差块；每个残差块的主路径都有两个卷积层，用来提取轴承深层特征;同时，还有一个恒等映射路径用于将上层网络信号直接传到下层网络；数据流过残差块传入Dropout层； 步骤2中，由卷积层对图片进行特征提取，图像的特征在通过卷积层和池化层的过程中渐渐由低层特征变为高层特征，再经过全连接层和输出层进行特征分类,卷积层特征图： 1； 其中：l代表当前层；xlj代表当前层的第j个特征图；xl-1j代表l-1层中的第个特征图；f∙代表激活函数；‘*’代表卷积运算；wlij代表卷积核；kj代表输入层的感受野；b是输出的偏置项； 步骤2中，池化层用于处理卷积层输出的维度过大的特征，降低输入图片的分辨率，减少参数，提高效率，减少数据量，防止过拟合,最大池化函数为： 2； 其中：down∙代表池化操作；xlj是l层上的第j个特征图；θ分别对应了每个输入的特征图；b为偏置项； 连接层用于实现特征的降维，转二维信号为一维信号，进一步进行特征表示，全连接层输出： 3； 其中：yj表示全连接层的输出结果；x表示输入的特征向量；ωj表示第j个权重行向量； 多层卷积神经网络的学习过程为： 4； 其中：z为中减速储量，h为非线性激活函数，b为偏置量，w为权重值； 残差网络直接将xt拷贝到网络的深层，在其中直接使用非线性激活函数，即构成一个残差块；将输入信号直接传递到输出信号，网络只需学习有差别的部分，训练速度加快，残差网络学习过程： 5。

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三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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。