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！

龙图腾网获悉天津大学申请的专利考虑复杂信号时频特征融合的电压质量复合扰动辨识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：CN119377789B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202411211227.0，技术领域涉及：G06F18/2413；该发明授权考虑复杂信号时频特征融合的电压质量复合扰动辨识方法是由葛磊蛟;杜天硕设计研发完成，并于2024-08-30向国家知识产权局提交的专利申请。

本考虑复杂信号时频特征融合的电压质量复合扰动辨识方法在说明书摘要公布了：本发明涉及一种考虑复杂信号时频特征融合的电压质量复合扰动辨识方法，包括以下步骤：步骤S1、获取电压质量扰动信号的时频域分布信息；步骤S2、将扰动辨识输入特征指标分为时域统计特征、频域统计特征和能量特征；步骤S3、从电压质量扰动信息中提取深度特征，然后与扰动辨识输入特征指标进行融合；步骤S4、对融合特征集合进行赋权；步骤S5、采用基于Boosting策略的集成学习器XGBoost作为扰动分类器，将融合特征集合经过赋权后输入到XGBoost中，实现对复合扰动信号的辨识。本发明能够解决电能质量扰动溯源和电力系统稳定性的技术问题。

本发明授权考虑复杂信号时频特征融合的电压质量复合扰动辨识方法在权利要求书中公布了：1.一种考虑复杂信号时频特征融合的电压质量复合扰动辨识方法，其特征在于：包括以下步骤： 步骤S1、采用改进的希尔伯特-黄变换IHHT方法获取电压质量扰动信号的时频域分布信息； 步骤S2、基于步骤S1所得到的电压质量扰动信号的时频域分布信息，设计扰动辨识输入特征指标，并将该扰动辨识输入特征指标分为时域统计特征、频域统计特征和能量特征三个类别，从幅值-频率-相位-能量等角度构建更加全面的特征集合； 步骤S3、采用时频域联合判别增强型稀疏自编码器，通过时频域联合训练的方式从电压质量扰动信息中提取深度特征，然后与步骤S2人工设计的扰动辨识输入特征指标进行融合以获取更加全面的融合特征集合； 步骤S4、采用基于双延迟深度确定性策略梯度TD3的动态特征赋权方法和状态空间、动作空间和奖励函数指导TD3学习最优动态输入特征调整方法，在离线应用阶段能够根据电压信号变化趋势自适应调整输入特征的权重，对步骤S3的融合特征集合进行赋权； 步骤S5、采用基于Boosting策略的集成学习器XGBoost作为扰动分类器，将步骤S3得到的融合特征集合经过步骤S4赋权后输入到XGBoost中，实现对复合扰动信号的辨识； 所述步骤S2的具体步骤包括： 步骤S201：将时域统计特征设计为：电压幅值最大值、电压幅值最小值、电压幅度平均值、电压标准偏差、电压幅值峰值因数和扰动持续时间； 步骤S202：希尔伯特变换后能够获取各IMF的瞬时特性，新增如下时域统计特性：各IMF瞬时幅值最大值、各IMF瞬时幅值最小值、各IMF瞬时幅值平均值、各IMF瞬时幅值标准偏差和各IMF瞬时相位标准偏差； 步骤S203：将频域统计特征设计为：边际谱中排名前三的幅值及其对应的频率、边际谱幅值最小值、边际谱幅值平均值、边际谱幅值标准偏差、高频边际谱幅值最大值、高频边际谱幅值最小值、高频边际谱幅值平均值、高频边际谱幅值标准偏差； 步骤S204：设计能量特征为：IMF能量以及边际谱总能量； 各IMF能量Eimf体现了IMF的强度，具体计算方式如下： 式中：IMFki能为第k个IMF中的第i个采样点；N为总采样点数； 边际谱通过对希尔伯特谱在时间轴上的积分得到，反映信号在每个频率上的总能量，因此定义总边际谱能量为： 式中：N代表边际谱曲线采样点个数；hω,i代表边际谱曲线hω的第i个采样点； 所述步骤S4的具体步骤包括： 步骤S401：通过幅值包络线将复杂的振动信号转换为更简单的包络信号，准确地反映输入信号的扰动情况； 因此，TD3的状态空间被设定为： S＝{SE,SF} SF＝[F1...F26,HT,HF] 式中：SE代表希尔伯特变换后的幅值包络线；SF代表本发明所构建的扰动特征全集； 步骤S402：设计输入特征权重的集合为智能体的动作空间；其中，表示第NF个超参数的变化；NF代表输入特征的个数； 步骤S403：奖励函数设计：采用其在动作前后分类精度的变化作为奖励函数，激励模型实施提高复合扰动辨识精度的动作； 式中：和分别表示当前状态下以及智能体动作后的分类损失；BCE·为交叉熵损失计算函数；fC·表示分类函数；⊙代表哈达玛积运算；AF代表智能体所采取的动作； 步骤S404：基于步骤S401～S403设计的动作、状态和奖励函数指导TD3强化学习模型实现输入特征权重的动态调整，首先，引入裁剪双Q学习技术，使用两个独立的Critic网络计算Q值，并且选择两个估计中较小的一个作为目标Q值： 式中：yt代表目标Q值；为避免智能体探索过程中出现局部最优而与随机噪声相结合的动作；代表目标Critic函数；代表目标Critic网络参数； 所述步骤S404中的Q值解释为：Q值表示智能体在状态s下，采取动作a后所能获得的期望回报；被看作是对某个状态下采取某个动作的好坏的一种评价或度量； 步骤S405：在步骤S404中引入目标策略平滑技术，在目标动作中加入裁剪的随机噪声，使Critic函数对不同动作的变化更加平滑，减少策略利用Critic函数误差的可能性，因此，表示为： 式中：πλ代表目标策略函数；代表目标策略网络的参数；ε～clipN0,σ,-M,M代表裁剪过的正态分布噪声，-M和M分别代表裁剪噪声的上下限； 步骤S406：在步骤S405的基础上采用随机经验回放方法从经验回放池中随机批量抽取数据作为训练数据，然后，将目标Q值带入bellman方程计算时序差分误差和损失函数，并通过梯度下降算法最小化损失函数来实现Critic网络的训练： 式中：Qi代表Critic函数；NSA代表参与训练的状态-动作对的个数；θi代表Critic网络参数；Lθi代表Critic网络损失函数；ηC代表Critic网络学习率； 步骤S407：在步骤S406训练过程中对Actor网络采取了延迟策略更新技术，即使Actor网络的更新频率低于Critic网络的更新频率；与Critic网络更新不同的是，Actor网络通过梯度上升方法更新参数： 式中：θπ为Actor网络的参数；Jθπ为Actor网络的目标函数；为目标函数相对于θπ的梯度；ηA为Actor网络的学习率； 步骤408：TD3网络参数更新；为了避免误差发散，目标网络参数和通过软更新策略缓慢接近θπ和θi： 式中：代表软更新因子； 步骤S409：通过步骤S408更新后的TD3便可在线执行特征权重的自适应调整，对步骤S3的融合特征集合进行赋权，以为后续的扰动辨识模型提供更高质量的输入信息。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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。