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！

龙图腾网获悉国网江西省电力有限公司电力科学研究院;江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心)申请的专利基于机器学习的输电线路故障率预测模型训练方法及系统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：CN121211291B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202511760373.3，技术领域涉及：G06F18/2433；该发明授权基于机器学习的输电线路故障率预测模型训练方法及系统是由廖昊爽;胡建林;吴建明;万佳惠;辛建波;彭诗怡;罗序成;胡斐;杨浩设计研发完成，并于2025-11-27向国家知识产权局提交的专利申请。

本基于机器学习的输电线路故障率预测模型训练方法及系统在说明书摘要公布了：本发明涉及模型训练技术领域，具体为基于机器学习的输电线路故障率预测模型训练方法及系统。本发明采用改进的反距离加权插值算法，引入时效性权重、可靠性权重和地形约束权重，将区域气象格点数据映射至杆塔坐标位置并对齐时间序列；统计故障样本与非故障样本中气象因子的出现频率，计算单因子关联权重和多因子协同关联权重；将气象因子特征向量、关联权重与故障标签组合形成训练数据集；构建包含注意力层的神经网络模型，基于单因子关联权重计算注意力权重并训练模型。本发明通过关联权重引导注意力机制，使模型优先关注高关联度气象因子，有效提升预测精度。

本发明授权基于机器学习的输电线路故障率预测模型训练方法及系统在权利要求书中公布了：1.基于机器学习的输电线路故障率预测模型训练方法，其特征在于，包括： S100：获取区域气象格点数据和杆塔坐标数据，采用改进的反距离加权插值算法将所述区域气象格点数据映射至杆塔坐标位置，并按照故障发生时刻对齐时间序列，提取气象因子特征向量并标注故障标签，形成样本单元；所述改进的反距离加权插值算法引入气象要素时效性权重、气象站点可靠性权重和地形约束权重确定综合权重，根据所述综合权重计算插值结果； S200：统计故障样本和非故障样本中各气象因子的出现频率，根据两者的概率差异计算单因子关联权重，根据故障样本中不同气象因子的协方差与所述单因子关联权重，计算多因子协同关联权重； S300：将所述气象因子特征向量、单因子关联权重、多因子协同关联权重与故障标签组合，形成训练数据集； S400：构建包含注意力层的神经网络模型，在所述注意力层中基于所述单因子关联权重计算注意力权重，使用所述训练数据集训练所述神经网络模型，得到输电线路故障率预测模型； 所述确定综合权重的步骤包括： 计算气象要素时效性权重，根据目标点插值时刻与各气象站点实测时刻的时间差，通过时间衰减因子修正站点权重； 计算气象站点可靠性权重，识别实测值偏离邻近站点均值超过三倍标准差的异常站点，对异常站点赋予低可靠性权重； 计算地形约束权重，根据目标点与各气象站点的海拔差和坡度差确定地形相似度权重； 将所述气象要素时效性权重、所述气象站点可靠性权重和所述地形约束权重融合，得到综合权重； 所述计算插值结果的步骤包括： 以杆塔坐标位置作为目标点，计算目标点周边单位面积内的站点数量，根据站点密度确定衰减系数，站点密度越低时衰减系数越大； 根据目标点与最近站点之间的距离确定参与插值计算的邻近站点数量，距离越大时选取的邻近站点数量越多； 对各邻近站点的综合权重进行归一化处理； 将各邻近站点的实测气象数据与对应的归一化综合权重相乘后求和，得到目标点的插值结果。

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国网江西省电力有限公司电力科学研究院;江西省气象服务中心(江西省专业气象台、江西省气象宣传与科普中心)，其通讯地址为：330000 江西省南昌市青山湖区民营科技园内民强路88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。