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！

龙图腾网获悉国网上海市电力公司申请的专利基于子模型训练与联合训练的GIS设备故障诊断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：CN121541043B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610062740.0，技术领域涉及：G01R31/327；该发明授权基于子模型训练与联合训练的GIS设备故障诊断方法是由李珅;戴缘生;倪祺;耿超;桂顺生;孙琛;徐羚;王媚;陈凯;杨鑫;陈懿;丁炀;陈宁;孙悦;罗毅设计研发完成，并于2026-01-19向国家知识产权局提交的专利申请。

本基于子模型训练与联合训练的GIS设备故障诊断方法在说明书摘要公布了：本发明公开了一种基于子模型训练与联合训练的GIS设备故障诊断方法，包括：获取GIS设备的历史运行数据，并通过传统信号处理方法结合深度学习网络的预训练过程对多维运行数据进行特征提取。利用虚拟仿真技术辅助的相关性分析方法，分析各典型故障与运行特征之间的表征关系，构建GIS设备故障集。构建GIS故障诊断模型。分别对每个典型故障构建故障诊断子模型，并构建子模型训练数据集，通过子模型单独训练学习每种故障特征；将所有子模型的训练数据集合并，通过联合训练优化整个GIS故障诊断模型。该方法能够充分利用多源运行数据和仿真数据，提高GIS设备故障诊断的精确性和鲁棒性，实现高效、可靠的运行状态监测与故障预警。

本发明授权基于子模型训练与联合训练的GIS设备故障诊断方法在权利要求书中公布了：1.一种基于子模型训练与联合训练的GIS设备故障诊断方法，其特征在于，包括以下步骤： 获取GIS设备的历史运行数据，所述历史运行数据包括在GIS设备发生各典型故障时对应的多维运行数据； 基于传统信号处理方法结合深度学习网络的预训练过程，对所述多维运行数据进行特征提取，获得各典型故障对应的运行特征集；所述运行特征集包括多个运行特征； 基于虚拟仿真技术辅助的相关性分析方法，通过各典型故障对应的运行特征集分析各典型故障与所述运行特征之间的表征关系； 根据表征关系与运行特征集，构建GIS设备故障集； 构建基于CvT神经网络的GIS故障诊断模型； 基于所述GIS设备故障集，对GIS故障诊断模型分别进行子模型训练与联合训练，获得训练后的GIS故障诊断模型； 通过训练后的GIS故障诊断模型实现对GIS设备的故障诊断； 所述基于传统信号处理方法结合深度学习网络的预训练过程，对所述多维运行数据进行特征提取，获得各典型故障对应的运行特征集，具体包括： 采用传统信号处理方法，对各典型故障对应的多维运行数据中的各个运行数据进行特征提取，获得各典型故障的多个初级特征； 采用深度学习网络的预训练过程，对获得的多个初级特征进行处理，获得多个运行特征，将多个运行特征作为各典型故障对应的运行特征集； 所述采用深度学习网络的预训练过程，对获得的多个初级特征进行处理，获得多个运行特征，将多个运行特征作为各典型故障对应的运行特征集，具体包括： 将多维运行数据中的多个初级特征输入至深度神经网络模型，采用预训练方式，初始化网络参数，通过组合低层的初级特征形成更加抽象的高层权重表示，利用深度神经网络的层次结构自动学习，输出对应的高层特征表示，具体包括： 将特高频局放信号、超声波局放信号、紫外光谱信号、机械振动信号的初级特征输入卷积神经网络CNN，通过卷积操作提取时频局部特征，生成对应的高层特征表示； 将机械行程信号与操作线圈电流信号的初级特征输入卷积神经网络CNN与循环神经网络RNN结合的网络结构，提取时序特征与周期性特征，生成机械行程与操作线圈电流的高层特征表示； 将GIS设备温升数据的初级特征输入卷积神经网络CNN与长短时记忆网络LSTM结合的结构，提取温升信号的时间动态特征，生成GIS设备温升数据的高层特征表示； 将获得的高层特征表示作为运行特征，获得各典型故障对应的运行特征集； 所述基于虚拟仿真技术辅助的相关性分析方法，通过各典型故障对应的运行特征集分析各典型故障与所述运行特征之间的表征关系，具体包括： 对于每种典型故障，构建对于典型故障下的GIS设备仿真模型，并对于各个故障下的GIS设备仿真模型在仿真平台进行仿真运行，获取仿真运行过程中的多维运行数据； 对仿真运行过程中获得的多维运行数据进行特征提取，得到各典型故障下的运行特征集； 将从历史运行数据中提取的运行特征集与仿真获得的运行特征集进行合并，构建相关性分析数据集； 基于皮尔逊相关系数分析方法，通过相关性分析数据集，计算各典型故障与各个运行特征之间的相关性系数，获得各典型故障与所述运行特征之间的表征关系； 所述基于所述GIS设备故障集，对GIS故障诊断模型分别进行子模型训练与联合训练，获得训练后的GIS故障诊断模型，具体包括： 步骤A1：对于GIS故障诊断模型中的每个故障诊断子模型，将GIS设备故障集中对应典型故障的故障集与若干正常样本进行合并，并将GIS设备故障集中其他典型故障的故障集中的样本，随机抽取若干样本作为负样本集进行合并，构建第一训练数据集： 其中，表示第i种典型故障的第一训练数据集；表示GIS设备故障集中第i种典型故障的故障集，表示正常样本集，表示第i种典型故障的负样本集；所述正常样本为GIS设备正常模式下对应的运行特征； 步骤A2：将第一训练数据集输入对应的故障诊断子模型，采用第一损失函数对故障诊断子模型进行单独训练： 步骤A3：依次对每个故障诊断子模型依次执行步骤A1-步骤A2，直至所有故障诊断子模型完成单独训练； 步骤A4：将所有故障诊断子模型对应的第一训练数据集合并，构建第二训练数据集； 步骤A5：将第二训练数据集输入整个基于CvT神经网络的GIS故障诊断模型，采用第二损失函数对GIS故障诊断模型进行联合训练，获得训练后的GIS故障诊断模型。

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上海市电力公司，其通讯地址为：200122 上海市浦东新区自由贸易试验区源深路1122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。