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！

龙图腾网获悉重庆邮电大学申请的专利一种基于自适应K-means分段和边界建模的风功率异常数据识别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：CN119337281B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202411488872.7，技术领域涉及：G06F18/2433；该发明授权一种基于自适应K-means分段和边界建模的风功率异常数据识别方法是由陈俊生;张忠恒;刘青松;陈沂蒙;刘明杰设计研发完成，并于2024-10-24向国家知识产权局提交的专利申请。

本一种基于自适应K-means分段和边界建模的风功率异常数据识别方法在说明书摘要公布了：本发明提供一种基于自适应K‑means分段和边界建模的风功率异常数据识别方法，包括：根据底部堆积型异常数据的功率值小于0的特征通过规则筛选的方式识别并滤除风功率数据集中的底部堆积型异常数据；利用CH指数和k‑means算法将规则筛选后的风功率数据集自适应地划分为K个不重叠的簇；将步骤S3得到的各个簇分别按功率值划分为L个区间，并计算每个功率区间对应的风速范围数据和风速均值数据；根据每个功率区间对应的风速范围数据和风速均值数据利用峰值修正结合边界建模识别出离散型异常数据和限功率型异常数据。本发明提高了风功率异常数据的识别准确率。

本发明授权一种基于自适应K-means分段和边界建模的风功率异常数据识别方法在权利要求书中公布了：1.一种基于自适应K-means分段和边界建模的风功率异常数据识别方法，其特征在于，包括： S1：针对不同风功率异常数据的分布特征将风功率异常数据划分为底部堆积型异常数据、离散型异常数据和限功率型异常数据；其中，底部堆积型异常数据为功率值小于0的风功率异常数据； S2：根据底部堆积型异常数据的功率值小于0的特征通过规则筛选的方式识别并滤除风功率数据集中的底部堆积型异常数据； S3：利用CH指数和k-means算法将规则筛选后的风功率数据集自适应地划分为K个不重叠的簇； 所述步骤S3包括： S31：对于给定的K值，使用K-means算法对风功率数据集进行聚类，并计算聚类后的CH指数； S32：通过尝试不同的K值，比较它们对应的CH指数，选择CH指数最高的K值作为最优的K值，并得到最优K值对应的K个簇； S4：将步骤S3得到的各个簇分别按功率值划分为L个区间，并计算每个功率区间对应的风速范围数据和风速均值数据； 所述计算每个功率区间对应的风速范围数据和风速均值数据包括： 利用四分位法计算每个功率区间对应的风功率数据的风速范围，得到每个功率区间对应的风速范围数据，计算公式如下： 其中，表示功率区间对应的风功率数据的风速范围；表示功率区间对应的前25%位置风功率数据的风速值；表示功率区间对应的后25%位置风功率数据的风速值；表示功率区间的中心点； 所述每个功率区间对应的风速均值数据为，表示每个功率区间对应的风功率数据的风速均值； S5：根据每个功率区间对应的风速范围数据和风速均值数据利用峰值修正结合边界建模识别出离散型异常数据和限功率型异常数据 所述步骤S5包括： S51：将每个功率区间对应的风速范围数据和风速均值数据分别构建为风速范围数据点集和风速均值数据点集； S52：针对风速范围数据点集和风速均值数据点集分别提取风速范围数据点集的峰值数据和风速均值数据点集的峰值数据；其中，所述峰值数据包括：峰值的凸起程度，峰值的起点和峰值的终点； S53：遍历风速范围数据点集的峰值数据和风速均值数据点集的峰值数据，当峰值的凸起程度大于设定阈值时，则该峰值的起点到终点的数据点利用线性插补法进行修正，得到修正后的风速范围数据点集和风速均值数据点集； S54：利用指数函数对修正后的风速范围数据点集进行拟合得到风速范围曲线；利用三次函数对修正后的风速均值数据点集进行拟合得到风速均值曲线； S55：根据风速范围曲线和风速均值曲线设置左边界阈值和右边界阈值，基于设定的左边界阈值和右边界阈值对风功率数据集中的离散型异常数据和限功率型异常数据进行识别。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区南山街道崇文路2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。