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！

龙图腾网获悉国网江西省电力有限公司超高压分公司申请的专利基于置信元学习框架的变电站设备异常检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：CN121121320B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202511661079.7，技术领域涉及：G06V10/764；该发明授权基于置信元学习框架的变电站设备异常检测方法是由徐波;杜欢欢;杨帆;黄斌;林军;钟幼平;刘嘉;陶可京;魏艺君设计研发完成，并于2025-11-13向国家知识产权局提交的专利申请。

本基于置信元学习框架的变电站设备异常检测方法在说明书摘要公布了：本发明公开了基于置信元学习框架的变电站设备异常检测方法，涉及变电站设备异常检测技术领域，解决现有方法易受异常样本干扰、适应性差的问题。步骤如下：构建变电站正常设备可见光图像训练集，训练异常检测模型评估设备状态，同时构建重构、密度及设备关键区域异常损失函数，将样本转化为异常分数；依异常分数分布算识别阈值并分配样本权重，融入训练损失，通过训练与验证损失建协方差矩阵评估模型不确定性，引入自适应正则化降低不确定性，再用元学习更新模型参数；用更新参数后的模型处理待检测设备可见光图像并输出结果。本发明在无标签无监督框架中量化两类不确定性，减少异常样本干扰，结合元学习提升模型适应性，提高检测准确性。

本发明授权基于置信元学习框架的变电站设备异常检测方法在权利要求书中公布了：1.基于置信元学习框架的变电站设备异常检测方法，其特征在于，包括如下步骤： 步骤S1：构建训练图像集，训练图像集中的样本为变电站内正常设备的可见光图像；通过采用训练图像集训练异常检测模型来评估设备的运行状态，同时构建基于重构、密度以及设备关键区域异常的损失函数作为模型训练目标；评估设备的运行状态是将训练图像集中每个样本转化为异常分数； 步骤S2：根据异常分数的分布特征，计算异常样本识别阈值，基于识别阈值对样本权重进行分配，将分配的样本权重融入异常检测模型的训练损失；基于异常检测模型的训练损失与验证损失构建协方差矩阵，通过协方差矩阵进行模型的不确定性评估，并引入自适应正则化降低模型不确定性；基于元学习更新模型参数； 步骤S3：采集待检测变电站设备的可见光图像，通过步骤S2更新模型参数后的异常检测模型对待检测变电站设备的可见光图像进行检测，输出异常检测结果； 通过采用训练图像集训练异常检测模型来评估设备的运行状态的过程为：定义异常检测模型的核心映射函数，通过核心映射函数将训练图像集中每个样本转化为异常分数；在异常检测模型训练后对其进行验证；异常检测模型的核心映射函数为，表示异常检测模型的参数；异常分数表示为，表示训练图像集中第个样本； 通过核心映射函数将训练图像集中每个样本转化为异常分数的具体过程为：通过核心映射函数为计算每个样本的异常分数，表示样本在特征空间中的中心点，表示第个关键区域的权重系数；表示设备关键区域集合；设定第一异常判定阈值为，表示样本异常分数均值，表示样本异常分数标准差，表示第一敏感度系数；若样本的异常分数，则将样本标记为异常，反之标记为正常； 根据异常分数的分布特征，计算异常样本识别阈值，基于识别阈值对样本权重进行分配，将分配的样本权重融入异常检测模型的训练损失的具体过程为： 根据异常分数的分布特征，计算异常样本识别阈值，表示为： ； 式中，、分别表示异常分数的第一四分位数与第三四分位数；表示可调节参数； 基于识别阈值计算每个样本的置信权重； 将样本的置信权重融入训练损失，定义数据加权损失函数作为模型训练目标；数据加权损失函数表示为： ； 式中，表示构建的基础损失，包括基于重构的损失函数、基于密度的损失函数和设备关键区域的异常损失函数；表示训练图像集中样本的总数。

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江西省电力有限公司超高压分公司，其通讯地址为：330000 江西省南昌市青山湖区民营科技园高新大道980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。