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！

龙图腾网恭喜江苏大学申请的专利基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗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：CN114357866B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202111560423.5，技术领域涉及：G06F30/27；该发明授权基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗方法是由张佳楠;薛安荣设计研发完成，并于2021-12-20向国家知识产权局提交的专利申请。

本基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗方法在说明书摘要公布了：本发明公开了基于LSTM‑AE集成共享框架的风电机组异常数据检测及清洗方法，对同一风电场中多个近邻风电机组的SCADA数据预处理获得多个拥有相同时间戳的原始时间序列；构建基于LSTM‑AE集成共享框架引入近邻机组间数据的相关性；通过叠加多机组的重构误差并引入共享隐藏状态作为惩罚项的损失函数进行多机组联合训练；将训练后的集成共享框架中的编码器Ei与解码器Di对应拆分并构建单个风电机组的LSTM‑AE模型，并进行异常数据检测输出误差序列；对误差序列进行多元高斯分布建模，通过AE网络构建误差的概率密度与重构值的期望函数；通过对比重构值的期望误差概率密度与实际误差的概率密度进行自适应阈值的异常判定并清洗；本方法提高整体风电场中风电机组模型的异常数据检测精度及清洗准确性。

本发明授权基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗方法在权利要求书中公布了：1.基于LSTM-AE集成共享框架的风电机组异常数据检测及清洗方法，其特征在于，包括如下步骤：步骤一、对同一风电场中n个近邻风电机组的SCADA数据预处理获得n个拥有相同时间戳的原始时间序列；步骤二、构建基于LSTM-AE集成共享框架，集成共享框架包括滑动窗口扩增层、编码层、隐藏状态共享层和解码层；所述滑动窗口扩增层的输入为原始时间序列，滑动窗口扩增层对对齐后的数据进行特征工程处理得到扩增时序序列；编码层中的编码器对扩增时序序列进行学习得到隐藏状态，并输入至隐藏状态共享层；隐藏状态共享层在模型训练过程中优化并调整各个机组隐藏状态的影响比重得到共享隐藏状态，输出共享隐藏状态至解码层；解码层通过输入的共享隐藏状态对扩增时序序列进行重构，输出对应的扩增时序序列；通过叠加风电机组的重构误差以及惩罚项获得集成共享框架损失函数，将损失函数引入共享隐藏状态作为惩罚项进行多机组模型联合训练；多机组模型联合训练：基于每个风电机组的重构误差lossi以及惩罚项获得集成共享框架损失函数，表示如下： 其中，lossi表示机组i的重构误差，loss表示集成共享框架损失函数，为惩罚项，λ是控制在损失函数中惩罚效果的重要权重；分别是机组i中扩增序列与重构序列中第j个向量；步骤三、基于训练好集成共享框架，将训练后的集成共享框架中的编码器Ei与解码器Di对应拆分，由再编码器Ei与解码器Di构建单个风电机组的LSTM-AE模型；并进行异常数据检测；步骤四、设定清洗指标ξ，通过对比重构值的期望误差概率密度与实际误差的概率密度进行异常判定并清洗；自适应阈值清洗过程：步骤1，建立多元高斯分布模型：对误差向量序列Ei标准化处理，再建立Ei的多元高斯分布模型Ei～Nμ,∑，通过最大似然法给出多元高斯分布模型参数μ和∑的估计量；步骤2，拟合误差向量的概率密度与重构值间的非线性期望函数：误差向量在多元高斯分布中的概率密度如下： 使用AE网络拟合误差概率密度与重构值的非线性期望函数，即期望误差概率密度估计器f：如下： 其中，WP为拟合AE网络的权重系数矩阵，bP为其偏移量，f为期望误差概率密度估计函数；步骤3，设定清洗指标ξ，通过对比重构值的期望误差概率密度与实际误差的概率密度进行异常判定并清洗，如下： 其中，f·为期望误差概率密度估计器，η为设定的误差偏移量；通过设置η，自适应调整误差阈值，若ξ为正，则表示该误差向量所对应的输入向量为异常数据，需要进行清洗。

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区学府路301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”。