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！

龙图腾网获悉南昌科晨电力试验研究有限公司;国网江西省电力有限公司电力科学研究院申请的专利基于物理约束嵌入神经网络变压器电磁热场实时预测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：CN121211992B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511771683.5，技术领域涉及：G06F30/27；该发明授权基于物理约束嵌入神经网络变压器电磁热场实时预测方法是由李唐兵;邓永清;邹礼斌;刘阳;万华;傅政设计研发完成，并于2025-11-28向国家知识产权局提交的专利申请。

本基于物理约束嵌入神经网络变压器电磁热场实时预测方法在说明书摘要公布了：本发明公开了基于物理约束嵌入神经网络变压器电磁热场实时预测方法，属变压器监测技术领域。旨在解决传统有限元方法实时性差、精度低及纯数据驱动模型泛化弱的问题。方法包括：选负载率、环境温度、外壳对流换热系数为关键参数，最优拉丁超立方抽样生成样本，建三维电磁‑热‑流体耦合有限元模型构训练测试数据库；构建输入为5个易测参数、输出为绕组温度云图的深度全连接神经网络，设计含数据物理损失的总损失函数训练；验证合格后部署在线监测系统，实时采集参数输出绕组温度云图。本发明具高精度、强泛化、易部署特性，为变压器智能运维及数字孪生提供支撑。

本发明授权基于物理约束嵌入神经网络变压器电磁热场实时预测方法在权利要求书中公布了：1.基于物理约束嵌入神经网络变压器电磁热场实时预测方法，其特征在于，包括如下步骤： 步骤S1：选取负载率、环境温度、外壳对流换热系数为关键参数，用最优拉丁超立方抽样生成样本点并按比划分为训练、测试集，为每个样本点建变压器三维电磁-热-流体耦合有限元模型求解场分布数据，提取绕组顶层油温、三个外壳特征点温度并生成绕组温度分布标准云图，构建训练与测试样本数据库； 步骤S2：基于所述数据库，构建输入为负载率、顶层油温及三个外壳特征点温度、输出为绕组温度分布云图的深度全连接神经网络，设计含数据损失和物理损失的总损失函数，通过优化算法最小化训练总损失，迭代更新参数至神经网络收敛； 步骤S3：训练完成后，将测试样本数据库输入深度全连接神经网络得到预测云图，计算预测云图与温度分布标准云图的绝对误差并生成误差分布云图，若最大绝对百分比误差≤预设阈值，则判定神经网络合格； 步骤S4：将合格的神经网络部署到变压器在线监测系统，监测系统实时采集负载率、顶层油温及三个外壳特征点温度并传入合格的神经网络，输出绕组区域实时温度分布云图，实现变压器电磁热场实时预测； 步骤S2的具体过程为： 步骤S2.1：定义深度全连接神经网络输入与输出：深度全连接神经网络输入为5个参数，分别为变压器的负载率、绕组顶层油温、三个外壳特征点温度；深度全连接神经网络输出为整个绕组区域在预设规则网格上的温度分布云图； 步骤S2.2：搭建深度全连接神经网络结构：构建深度全连接神经网络，该网络由输入层、隐藏层和输出层组成；其中输入层包含5个节点，与深度全连接神经网络输入的5个参数对应；输出层包含的节点数量与绕组温度分布云图的矩阵元素数量一致；隐藏层设置为4层，每层包含128个神经元，神经元的激活函数采用ReLU函数； 步骤S2.3：设计损失函数：所述损失函数包括数据损失和物理损失两部分，总损失函数为这两部分损失的加权和； 步骤S2.4：深度全连接神经网络训练：从训练样本数据库中读取批量数据，通过优化算法最小化训练总损失；其中训练总损失为所有训练样本的个体总损失的平均值，每个训练样本的个体总损失由步骤S2.3中的总损失函数计算得到；在训练过程中，通过迭代更新深度全连接神经网络的参数，直至收敛。

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南昌科晨电力试验研究有限公司;国网江西省电力有限公司电力科学研究院，其通讯地址为：330000 江西省南昌市青山湖区民营科技园内民强路88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。