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！

龙图腾网获悉山东科技大学申请的专利一种高压电力设备中SF6分解产物浓度预测方法与系统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：CN121054125B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202511596000.7，技术领域涉及：G16C20/20；该发明授权一种高压电力设备中SF6分解产物浓度预测方法与系统是由杨俊卿;徐鑫淼;王国辉;孔德新;王坤;汪慧;槐瑞托;高波;张志献设计研发完成，并于2025-11-04向国家知识产权局提交的专利申请。

本一种高压电力设备中SF6分解产物浓度预测方法与系统在说明书摘要公布了：本发明属于电力设备气体监测领域，公开了一种高压电力设备中SF66分解产物浓度预测方法与系统。本发明中搭建了一种基于贝叶斯神经网络的SF66分解产物浓度预测模型。在模型输入方面，通过对SF66分解产物中四种目标气体的电压信号进行模数转换、滤波、归一化与多维协同补偿，以消除环境和气体本身对传感器输出的影响。在模型结构方面，本发明采用变分推断思想并构建了一个内置交叉干扰修正层，以解耦各传感器通道间的信号干扰，实现了浓度预测均值与不确定性的同步输出，利用Adam优化器对模型进行高效训练。本发明可依据置信区间与设定阈值实现自动报警或预警，提升SF66分解产物的浓度估算精度与系统可信度。

本发明授权一种高压电力设备中SF6分解产物浓度预测方法与系统在权利要求书中公布了：1.一种高压电力设备中SF6分解产物浓度预测方法，其特征在于，包括如下步骤： 步骤1.采集SF6分解产物中SO2、H2S、CO和HF气体在不同已知浓度条件下的原始电压数据，对电压数据进行模数转换、卡尔曼滤波、归一化以及基于多维协同补偿的信号修正预处理，得到补偿后的四维输入特征向量，并与对应的浓度标签配对形成训练数据集； 基于多维非线性补偿函数模型对归一化信号进行修正，过程如下： I.采用卡尔曼滤波方法对实时采集的环境温度、湿度、气体压力与气体流速信号进行滤波处理，以去除测量噪声，获得平滑后的环境与气路信号； II.基于实时采集的温度、湿度、气体压力与气体流速，对归一化处理得到的归一化信号应用多维非线性补偿函数模型进行补偿，补偿后的公式为： ； 其中为补偿后的四种气体的电压测量信号即四维输入特征向量；分别为包含四个通道独立补偿调节系数的4×1参数向量，为多维协同指数，为多维协同因子；符号代表哈达玛积即逐元素乘，代表标量对向量的逐元素幂运算； 多维协同指数是一个根据共享环境参数计算的标量，其公式为： ； 其中，、、、为相应参数的参考值，、、、为中对应参数的归一化及尺度系数；多维协同因子同样为一标量，其公式为： ； 其中，、、、分别为中相应参数的归一化及尺度系数； 步骤2.搭建基于贝叶斯神经网络的SF6分解产物浓度预测模型；其中模型包括输入层、交叉干扰修正层、隐藏层以及输出层；其中输入层用于接收四维输入特征向量； 交叉干扰修正层位于输入层与第一隐藏层之间，用于对四维输入特征向量进行结构化的线性变换，以解耦各传感器通道间的信号干扰；隐藏层接收来自交叉干扰修正层的输出向量并进行非线性特征提取；输出层输出SO2、H2S、CO、HF四种气体的浓度预测值； 交叉干扰修正层用于对四维输入特征向量进行结构化的线性变换，以解耦各传感器通道间的信号干扰，其数学形式表示为：，展开为： ； 其中为经过修正后将要输入到后续隐藏层的特征向量；、、、分别为修正后的SO2、H2S、CO和HF的特征向量；、、、分别为输入的SO2、H2S、CO和HF的特征向量；为对角矩阵，元素用于校正各通道的独立响应，、、、分别表示四个传感器通道的独立相应系数；为稀疏矩阵，非对角元素用于表征通道间的交叉干扰，；为偏置向量，、、、为偏置向量中的元素，表示四个传感器通道的偏置修正值；矩阵及偏置向量的参数均通过模型训练自动学习得到； 步骤3.基于步骤1的训练数据集对步骤2搭建的模型进行训练和测试；模型训练完成后，实时采集四种气体的电压数据并按照步骤1的方式进行预处理后输入到模型中，通过对贝叶斯神经网络进行多次蒙特卡洛采样，以获得对应的多组SO2、H2S、CO、HF四种气体的浓度预测值，将每种气体的浓度预测均值作为该气体最终的浓度预测均值。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。