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！

龙图腾网获悉北京理工大学;羚羊工业互联网股份有限公司申请的专利一种面向光伏系统智能健康监测的无监督学习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：CN118261893B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202410447310.1，技术领域涉及：G06T7/00；该发明授权一种面向光伏系统智能健康监测的无监督学习方法是由韩特;常中豪;周维;徐甲甲;唐葆君;魏一鸣设计研发完成，并于2024-04-15向国家知识产权局提交的专利申请。

本一种面向光伏系统智能健康监测的无监督学习方法在说明书摘要公布了：本发明公开了一种面向光伏系统智能健康监测的无监督学习方法，属于光伏系统面板异常检测；通过采集光伏板的电致发光图像，即光伏板的EL图像，建立异常检测训练平台，将光伏板的EL图像作为输入数据，借助光伏板的EL图像，使得异常训练平台异常检测网络，训练好的异常检测网络用于对光伏板阵列的图像检测，检测结果为异常分数，可以自行设定异常分数的阈值，通过阈值对光伏板EL图像进行识别，判断当前EL图像是否出现故障，本发明采用上述方法，通过基于多头线性注意力的特征提取网络和基于尺度学习的无监督异常检测框架，能弥补当前识别方法深层信息提取能力不足的缺陷，从而实现了对光伏面板EL图像进行异常检测。

本发明授权一种面向光伏系统智能健康监测的无监督学习方法在权利要求书中公布了：1.一种面向光伏系统智能健康监测的无监督学习方法，其特征在于：包括以下步骤：S1：采集图像数据，建立异常检测网络的训练平台，在光伏面板处于恒定光照条件和恒定负载的情况下，对单晶和多晶光伏板进行EL图像的采集，对采集到的EL图像进行预处理操作，将图像数据集分为训练集和测试集xi表示EL图像样本，yi是标签，标签表示故障样本或健康样本，在无监督场景下训练集中均是健康样本，测试集包括故障样本和健康样本；异常检测网络的训练平台包括基于多头线性注意力的特征提取网络和基于尺度学习的无监督异常检测框架；S2：将训练集输入到基于多头线性注意力的特征提取网络，对光伏EL图像深层特征建模，提取图像特征；S3：将步骤S2中提取到的图像特征转换为一维向量后输入到基于尺度学习的无监督异常检测框架，通过随机抽样、特征转换、尺度计算的方法，生成有效的监督信号进行分布对齐学习，得到训练后的异常检测网络；进行分布对齐学习的过程如下；创建基于尺度的监督信号，对输入的一维向量进行若干次随机抽样，得到随机抽样后的特征，对于特定的特征子空间Si，将其中的特征分别输入到特征转换函数T和尺度标签计算函数G中，得到特征转换函数T输出的数据样本O和尺度标签计算函数G输出的监管标签γ；将特征子空间Si中的特征输入到特征转换函数T中转换为n维数据，特征转换函数T定义为随机初始化的简单前馈层，每个特征子空间对应一个变换层，得到公式如下： 上式中，代表v维子向量，Xv∈Rn×v代表权重矩阵，b∈Rn表示偏置项；对于一个数据实例d的m个随机抽样的子向量，它们的变换用矩阵W∈Rm×n表示，W被视为一个单独的数据样本，用于规模学习，数据样本O的公式如下： 上式中，r为数据样本O的总列数；将特征输入到尺度标签计算函数G中，公式如下： 上式中，n为子向量的表示维度，αk为第k个特征的权重，γ为放大因子，αk的公式如下： 上式中，第k个特征的权重计算公式如下： 上式中，cov·和dev·分别表示协方差和标准差，α的取值范围为[0,1]，监管标签γ公式如下： 上式中，监管标签γ的总列数为r；对上述数据样本O和监管标签γ进行Softmax操作，获得和在获得和后，损失值由分布发散度量来定义，使用Jensen-Shannon散度，得到公式如下： 上式中，尺度对齐分布学习的整体损失函数公式如下： 上式中，Ox和γx表示由原始数据实例d创建的监督信号；S4、将测试集输入训练后的异常检测网络，计算异常分数，通过设置异常判断阈值，对测试集图像进行无监督异常检测；S5、将经过训练后异常检测网络部署在真实的工作环境中，并使用实际工况产生的图像数据进行迁移学习微调，在工程实践中检验已训练模型在不同状态下光伏图像的故障识别效果和鲁棒性。

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北京理工大学;羚羊工业互联网股份有限公司，其通讯地址为：100081 北京市海淀区中关村南大街五号；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”。