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！

龍圖騰網恭喜福州大學申請的專利一種電力電子異常數據的處理方法和處理系統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：CN111539442B 。

龍圖騰網通過國家知識產權局官網在2025-06-10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：201911163794.2，技術領域涉及：G06F18/2433；該發明授權一種電力電子異常數據的處理方法和處理系統是由林瓊斌;萬志松;陳詩燦;王武;蔡逢煌;柴琴琴設計研發完成，并于2019-11-25向國家知識產權局提交的專利申請。

本一種電力電子異常數據的處理方法和處理系統在說明書摘要公布了：本申請提供了一種電力電子異常數據的處理方法和處理系統，涉及電力電子數據處理領域。該處理方法包括：獲取待處理電子元件的電子信號；將所述電子信號轉換為數字信號；使用經過電力電子參數型故障樣本訓練的GA?FCMNN模型對所述數字信號進行分析；將所述分析的結果與預設的正常結果進行比對，如果存在異常，對所述待處理電子元件進行處理。遺傳算法GA用于FCMNN的初始參數選擇，通過變異操作和最優選擇，實現了FCNMNN分類器的全局最優化。本申請能夠有效減少人工選取初始參數的盲目性和時間成本，進一步提升神經網絡診斷分類器的學習效率和智能化水平，提高了電子元件故障的識別效率。

本發明授權一種電力電子異常數據的處理方法和處理系統在權利要求書中公布了：1.一種電力電子異常數據的處理方法，其特征在于，包括：獲取待處理電子元件的電子信號；將所述電子信號轉換為數字信號；使用經過電力電子參數型故障樣本訓練的遺傳算法優化模糊小腦型神經網絡GA-FCMNN模型對所述數字信號進行分析；將所述分析的結果與預設的正常結果進行比對，如果存在異常，對所述待處理電子元件進行處理；在所述使用經過電力電子參數型故障樣本訓練的遺傳算法優化模糊小腦型神經網絡GA-FCMNN模型對所述數字信號進行分析之前，所述處理方法，還包括：建立電力電子參數型故障樣本庫，并建立GA-FCMNN模型；通過所述電力電子參數型故障樣本對所述GA-FCMNN模型進行訓練；對于GA-FCMNN模型的參數，通過梯度下降的Back-Propagation算法進行更新；所述通過梯度下降的Back-Propagation算法進行更新包括：GA-FCMNN模型中，需要更新的參數有mijk，vijk，wjko三個參數；設定目標函數為： 其中K為第K次訓練，toK表示期望輸出，yoK表示GA-FCMNN模型的輸出；若目標函數EK的值不滿足誤差精度ε，則采用梯度下降法修正和更新GA-FCMNN模型的權值，直到滿足精度要求： 其中α＝[mij，kvi,jwk]T為參數矩陣，η＝diag[ηm，ηv，ηw]為學習率矩陣，表示為：通過鏈式法則可得參數變化量為： 通過GA算法優化FCMNN初始值的過程，包括：1通過訓練樣本對GA-FCMNN模型進行訓練，神經網絡進行正向計算；2目標函數計算：將神經網絡的目標函數作為遺傳算法的適應度函數，適應度函數用于衡量種群中的每個個體在接近最優解的程度，適應度函數值越小被認為個體適應度越高，越優良，以較高的概率遺傳給下一代，其適應度函數計算公式為： 式中，no為網絡輸出節點數；to為FCMNN中第o個節點的期望輸出；yo為第o個節點的預測輸出；3對參數進行更新；4判斷是否滿足結束條件，結束條件是根據適應度函數值是否達到誤差精度要求或是否達到最大進化代數；若是，則獲得最優初始權值；若否，選擇、交叉、變異獲得種群新個體，再送入GA-FCMNN模型重新進行正向計算，直到滿足結束條件；其中，遺傳操作過程：選擇：選擇輪盤賭法，即基于適應度比例的選擇策略，每個個體i的選擇概率pi為fi＝1Fi 式中，Fi為個體i的適應度值，由于適應度值越小越好，所以在個體選擇前對適應度值求倒數；N為種群個體數目；交叉：采用實數交叉法，第k個染色體ak和第l個染色體al，在j位的交叉操作方法如下： 式中，r1是[0，1]間的隨機數；變異：選取第i個個體的第j個基因aij進行變異，變異操作方法如下： 式中基因aij的取值范圍是amax和amin；fg＝r01-gGmax2；r0為一個隨機數；g為當前迭代次數；Gmax為最大進化代數；r2為[0，1]間的隨機數，fg隨代數的增加而逐漸減小；構建GA-FCMNN模型，包括：FCMNN是一種基于高斯模糊函數的神經網絡，其模糊規則如下：如果I1為r1jk，且I2為r2jk，…，Ini為rnijk，則yo＝wjkoforj＝1，2，…，nl；k＝1，2，…，nb式中，ni為輸入維度，rijk為第i個輸入、第j層、第k塊對應的輸入模糊集，wjko為第j層、第k塊、第o個輸出對應的權重；基于遺傳算法優化模糊小腦模型神經網絡主要由故障特征輸入層、聯想記憶層、接收域層、權重層和故障類型輸出層五部分組成，具體如下：1第一層為故障特征輸入層：構建的樣本的故障特征向量Iii＝1，2，…，ni作為GA-FCMNN模型的輸入被送進，以進行前向計算；2第二層為聯想記憶層：將輸入的故障特性向量進行量化處理，對輸入向量的每一個Ii量化nb個離散區域，高斯函數用作每個塊中的激活函數，因此在激活函數作用下第i個輸入、第j層、第k塊對應的輸入模糊集rijk為： 3第三層為接收域層：對第二層所激活的聯想記憶區域做累乘，用于計算輸入對聯想單元的觸發強度，bjk為第j層第k個接收域的觸發強度： 第四層為權重層：將第三層接收域空間與第五層第o個輸出間的權值存儲在第四層Wo中，每個輸出的權值表示為： 5第五層為故障類型輸出層：對第三層觸發的強度與第四層權值運算，并通過Sigmoid函數將輸出值壓縮在0,1之間，得到第o個輸出yo：

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福州大學，其通訊地址為：350000 福建省福州市福州地區大學城學園路2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”。