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！

龙图腾网恭喜国网山东省电力公司济宁供电公司;国网山东省电力公司;国网山东省电力公司信息通信公司;山东思极科技有限公司;国家电网有限公司申请的专利基于小波分解与迁移判别的基站用能异常监测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：CN114936599B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202210590219.6，技术领域涉及：G06F18/23213；该发明授权基于小波分解与迁移判别的基站用能异常监测方法及系统是由桂纲;宋益睿;张伟昌;任剑;张世超;马广鹏;牛德玲;邵晨;刘宗杰;王红梅;杨晓娟;乔亚男设计研发完成，并于2022-05-27向国家知识产权局提交的专利申请。

本基于小波分解与迁移判别的基站用能异常监测方法及系统在说明书摘要公布了：本发明提出了基于小波分解与迁移判别的基站用能异常监测方法及系统，包括：基于用能特征集获取的多维高低频特征，进行基站用能样本聚类及分类；以某一聚类用能历史样本数据集的高低频特征、档案特征数据、气象特征数据、节假日特征数据为输入，构建用能异常判别模型；对构建的用能异常判别模型进行最近邻类模型调参迁移学习，通过强化学习自适应调节模型参数，输出近邻聚类用能异常判别模型，依次近邻迁移学习调参，直至完成所有聚类类别用能异常判别模型的构建，形成具有泛化性的用能异常判别模型集；采用泛化性的用能异常判别模型集对基站用能进行实时监测。从而进一步提高用能异常判别的有效性和泛化性。

本发明授权基于小波分解与迁移判别的基站用能异常监测方法及系统在权利要求书中公布了：1.基于小波分解与迁移判别的基站用能异常监测方法，其特征是，包括：S1：基于通信基站历史用能样本数据集，完成用能特征筛选，输出用能特征集；S2：针对用能特征集中的曲线用能特征数据，采用小波分解对用能特征曲线进行小波分解，获取多维高低频特征；S3：基于用能特征集获取的多维高低频特征和档案特征数据，进行基站用能样本聚类及分类；S4：以某一聚类用能历史样本数据集的高低频特征、档案特征数据、气象特征数据、节假日特征数据为输入，构建用能异常判别模型；构建用能异常判别模型，具体为：S401：基于获取的某一聚类用能历史样本集的多维分频特征数据，以及该类用能历史样本集的档案特征数据、气象特征数据、节假日特征数据，共同构成样本特征数据Xii＝1,2,…,d；i表示某一聚类用能历史样本集中的第i个样本，d表示某一聚类用能历史样本的样本数量；S402：基于某一聚类历史用能样本数据，采用注意力机制更新某一聚类用能异常判别样本数据的特征权重值；将特征权重值传递给softmax函数进行归一化处理，获取归一化后的计算权重，计算样本X的特征值的加权平均向量；S403：将得到的加权平均向量代替原始输入Xi，作为LSTM神经元在t时刻的输入数据；具体为：将样本i的加权平均向量输入用能异常判别模型，采用LSTM构建用能异常判别模型，最后神经元输出用能异常判别状态一维向量Ht；S404：基于某一聚类用能历史样本的训练集数据，分别获取正负样本数据的输出的向量，通过softmax函数，将历史样本Xi生成的判别向量Hi分类为类别j；获取某一聚类用能历史样本训练集数据为类别j的概率，并以及概率阈值判定为异常样本或正常样本，得模型判别的类别数据；S405：采用交叉熵作为损失函数，定义y为真实的类别数据，将模型损失函数梯度反馈至采用LSTM构建的用能异常判别模型，通过调参迭代求解以不断最小化损失函数，直至损失函数低于设定阈值；S406：将用能异常判别模型对历史测试集样本进行测试，若不满足测试集准确率要求，则进行模型参数初始化再训练；若满足测试集准确率要求，则固定模型参数，输出某一聚类用能异常判别模型；S5：对构建的用能异常判别模型进行最近邻类模型调参迁移学习，通过强化学习自适应调节模型参数，输出近邻聚类用能异常判别模型，依次近邻迁移学习调参，直至完成所有聚类类别用能异常判别模型的构建，形成具有泛化性的用能异常判别模型集；S6：采用泛化性的用能异常判别模型集对基站用能进行实时监测。

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山东省电力公司济宁供电公司;国网山东省电力公司;国网山东省电力公司信息通信公司;山东思极科技有限公司;国家电网有限公司，其通讯地址为：272073 山东省济宁市高新技术开发区火炬路28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”。