公开(公告)号：CN119885857A

公开(公告)日：2025-04-25

申请号：CN202411913064.0

申请日：2024-12-24

Applicant: 北京交通大学

Inventor： 刘曌 ,  刘畅宇 ,  王小君 ,  刘雨晴

IPC: G06F30/27 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08 ,  G06F119/02

Abstract: 本发明公开了一种基于Infor‑GCN模型的暂态稳定评估及其可解释性分析方法，属于电力系统暂态稳定评估与人工智能深度学习技术领域。通过电气节点耦合强度改进邻接矩阵，向模型引入先验知识的同时，结合自注意力机制的Informer模型，提出Infor‑GCN模型提取时空耦合信息并进行特征增强；然后针对不同输入特征的稳定判别结果设计综合输出策略，提高模型结果可靠性；基于SHAP归因框架展开模型的局部和全局解释，增强基于智能模型完成暂态稳定评估任务的可解释性。

公开(公告)号：CN119782886A

公开(公告)日：2025-04-08

申请号：CN202411913055.1

申请日：2024-12-24

Applicant: 北京交通大学

Inventor： 王小君 ,  刘畅宇 ,  刘曌 ,  张大海 ,  罗国敏 ,  司方远 ,  尚博阳

IPC: G06F18/24 ,  G06F18/25 ,  G06F17/10 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/048 ,  G06F30/20 ,  G01R31/08 ,  G01R31/52 ,  G06F113/04

Abstract: 本发明公开了一种融合时空图信息的配网故障区段定位及可解释性分析方法，属于配电网故障诊断与人工智能深度学习技术领域。包括以下步骤：通过构建一种融合时间连续性与空间整体性的时空图信息故障表征结构，刻画时空特征与故障区段之间的映射关系；从时间特征捕捉和空间特征感知两个维度提取故障特征，建立融合时空图信息的配电网故障定位模型；设计可解释性分析校验模块，对模型决策依据及其内在工作机制进行事后可解释性分析，实现故障定位结果的校验。本发明可实现在新能源出力波动及拓扑变化等复杂运行场景下的高精度故障定位任务，对模型本身和故障预测的原理刨析刻画，为基于深度学习的故障定位方法在实际系统中的应用提供技术支持。

公开(公告)号：CN119782939A

公开(公告)日：2025-04-08

申请号：CN202411913059.X

申请日：2024-12-24

Applicant: 北京交通大学

Inventor： 王小君 ,  刘畅宇 ,  刘曌 ,  张大海 ,  罗国敏 ,  尚博阳

IPC: G06F18/2415 ,  G06F17/10 ,  G06N3/0442 ,  G06N3/048 ,  G06F18/214 ,  G06N3/084 ,  G06F18/213 ,  G01R31/08 ,  G01R31/52

Abstract: 本发明公开了一种基于经验引导的输电线路故障原因辨识方法，属于输电线路故障诊断与人工智能深度学习技术领域。通过合成少数类过采样技术对不平衡样本进行扩充；通过长短期记忆神经网络充分提取故障暂态波形中的隐含特征，初步建立故障录波与故障原因间的非线性映射关系；整理运维人员的工程经验，结合专家知识库并利用专家经验引导模型训练与输出，形成内嵌专家经验的输电线路故障辨识模型。将模型保存并应用于在线故障辨识任务。通过SMOTE方法对不平衡样本进行扩充，以缓解样本不平衡问题对模型性能的影响；将专家知识库并将其引入模型决策过程，提高故障辨识模型的准确度及可解释性，易于运维人员理解模型内部工作机制。

公开(公告)号：CN117929913A

公开(公告)日：2024-04-26

申请号：CN202311621771.8

申请日：2023-11-30

Applicant: 北京交通大学

Inventor： 王小君 ,  刘畅宇 ,  尚博阳 ,  刘曌 ,  张大海

IPC: G01R31/08

Abstract: 本发明提供一种全链条可解释的配电网单相接地故障类型辨识方法及系统，属于基于人工智能深度学习的配电网故障识别技术领域，通过挖掘故障零序电压的多域故障特征实现事前样本解释；利用含自注意力机制的Transformer编码器建立故障辨识模型，通过可视化各特征注意力权重的动态分配，实现事中内嵌解释；基于SHAP归因理论对故障辨识模型和样本分类结果进行事后溯源分析。本发明通过事前多域特征库的建立分析、事中内嵌自注意力机制的辨识网络的构建和样本分类结果的事后溯源分析，形成故障辨识模型“数据‑建模‑决策‑提升”的全链条可解释闭环迭代方案，提升了模型决策过程的透明度和分类结果的可信度，提升了检修人员故障处置效率。

公开(公告)号：CN119782938A

公开(公告)日：2025-04-08

申请号：CN202411913057.0

申请日：2024-12-24

Applicant: 北京交通大学

Inventor： 王小君 ,  刘畅宇 ,  罗国敏 ,  刘曌 ,  尚博阳

IPC: G06F18/2415 ,  G06F18/25 ,  G06F17/10 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045 ,  G06F18/213 ,  G06F18/15 ,  G01R31/08 ,  G01R31/52

Abstract: 本发明公开了一种基于深度特征融合的配电网高阻接地故障识别方法，属于配电网故障诊断与人工智能深度学习技术领域。包括以下步骤：利用离散小波变换对高阻故障信号的波形进行深度挖掘，构造多尺度时频特征图和全局统计特征矩阵以增强高阻故障特征的表达；结合轻量型残差网络结构和自注意力机制设计深度特征提取网络，实现局部和全局时频特征的融合提取；引入度量元学习用各类样本在度量空间中的特征计算类原型以及类原型与样本之间的距离，从而实现高阻故障分类器的构建。本发明可在不同复杂配电网运行条件的高阻故障识别任务，且在现场数据样本较少时仍有较好分类效果，为基于数据驱动的高阻故障识别方法在实际系统中的应用提供理论技术支撑。