買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜江蘇大學申請的專利基于LSTM-AE集成共享框架的風電機組異常數據檢測及清洗方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114357866B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111560423.5，技術領域涉及：G06F30/27；該發明授權基于LSTM-AE集成共享框架的風電機組異常數據檢測及清洗方法是由張佳楠;薛安榮設計研發完成，并于2021-12-20向國家知識產權局提交的專利申請。

本基于LSTM-AE集成共享框架的風電機組異常數據檢測及清洗方法在說明書摘要公布了：本發明公開了基于LSTM?AE集成共享框架的風電機組異常數據檢測及清洗方法，對同一風電場中多個近鄰風電機組的SCADA數據預處理獲得多個擁有相同時間戳的原始時間序列；構建基于LSTM?AE集成共享框架引入近鄰機組間數據的相關性；通過疊加多機組的重構誤差并引入共享隱藏狀態作為懲罰項的損失函數進行多機組聯合訓練；將訓練后的集成共享框架中的編碼器Ei與解碼器Di對應拆分并構建單個風電機組的LSTM?AE模型，并進行異常數據檢測輸出誤差序列；對誤差序列進行多元高斯分布建模，通過AE網絡構建誤差的概率密度與重構值的期望函數；通過對比重構值的期望誤差概率密度與實際誤差的概率密度進行自適應閾值的異常判定并清洗；本方法提高整體風電場中風電機組模型的異常數據檢測精度及清洗準確性。

本發明授權基于LSTM-AE集成共享框架的風電機組異常數據檢測及清洗方法在權利要求書中公布了：1.基于LSTM-AE集成共享框架的風電機組異常數據檢測及清洗方法，其特征在于，包括如下步驟：步驟一、對同一風電場中n個近鄰風電機組的SCADA數據預處理獲得n個擁有相同時間戳的原始時間序列；步驟二、構建基于LSTM-AE集成共享框架，集成共享框架包括滑動窗口擴增層、編碼層、隱藏狀態共享層和解碼層；所述滑動窗口擴增層的輸入為原始時間序列，滑動窗口擴增層對對齊后的數據進行特征工程處理得到擴增時序序列；編碼層中的編碼器對擴增時序序列進行學習得到隱藏狀態，并輸入至隱藏狀態共享層；隱藏狀態共享層在模型訓練過程中優化并調整各個機組隱藏狀態的影響比重得到共享隱藏狀態，輸出共享隱藏狀態至解碼層；解碼層通過輸入的共享隱藏狀態對擴增時序序列進行重構，輸出對應的擴增時序序列；通過疊加風電機組的重構誤差以及懲罰項獲得集成共享框架損失函數，將損失函數引入共享隱藏狀態作為懲罰項進行多機組模型聯合訓練；多機組模型聯合訓練：基于每個風電機組的重構誤差lossi以及懲罰項獲得集成共享框架損失函數，表示如下： 其中，lossi表示機組i的重構誤差，loss表示集成共享框架損失函數，為懲罰項，λ是控制在損失函數中懲罰效果的重要權重；分別是機組i中擴增序列與重構序列中第j個向量；步驟三、基于訓練好集成共享框架，將訓練后的集成共享框架中的編碼器Ei與解碼器Di對應拆分，由再編碼器Ei與解碼器Di構建單個風電機組的LSTM-AE模型；并進行異常數據檢測；步驟四、設定清洗指標ξ，通過對比重構值的期望誤差概率密度與實際誤差的概率密度進行異常判定并清洗；自適應閾值清洗過程：步驟1，建立多元高斯分布模型：對誤差向量序列Ei標準化處理，再建立Ei的多元高斯分布模型Ei～Nμ,∑，通過最大似然法給出多元高斯分布模型參數μ和∑的估計量；步驟2，擬合誤差向量的概率密度與重構值間的非線性期望函數：誤差向量在多元高斯分布中的概率密度如下： 使用AE網絡擬合誤差概率密度與重構值的非線性期望函數，即期望誤差概率密度估計器f：如下： 其中，WP為擬合AE網絡的權重系數矩陣，bP為其偏移量，f為期望誤差概率密度估計函數；步驟3，設定清洗指標ξ，通過對比重構值的期望誤差概率密度與實際誤差的概率密度進行異常判定并清洗，如下： 其中，f·為期望誤差概率密度估計器，η為設定的誤差偏移量；通過設置η，自適應調整誤差閾值，若ξ為正，則表示該誤差向量所對應的輸入向量為異常數據，需要進行清洗。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人江蘇大學，其通訊地址為：212013 江蘇省鎮江市京口區學府路301號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。