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！

龙图腾网恭喜四川轻化工大学申请的专利一种基于RPM与T-ShuffleNet V2神经网络的交直流混联电网故障诊断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：CN119848631B 。

龙图腾网通过国家知识产权局官网在2025-05-13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：202510317866.3，技术领域涉及：G06F18/241；该发明授权一种基于RPM与T-ShuffleNet V2神经网络的交直流混联电网故障诊断方法是由宋匡玮;吴浩;任定帮设计研发完成，并于2025-03-18向国家知识产权局提交的专利申请。

本一种基于RPM与T-ShuffleNet V2神经网络的交直流混联电网故障诊断方法在说明书摘要公布了：本发明公开了一种基于RPM与T‑ShuffleNetV2神经网络的交直流混联电网故障诊断方法，步骤包括：构成故障电压信息矩阵以及故障电流信息矩阵；对故障电压信息矩阵以及故障电流信息矩阵进行滤波处理；将故障电压信息矩阵以及故障电流信息矩阵分别按列展开为一列，分别转换为故障电压二维特征图以及故障电流二维特征图；利用训练好的T‑ShuffeNetV2神经网络模型对故障电压二维特征图以及故障电流二维特征图进行故障识别，获得待诊断的交直流混联电网每条线路的故障类型。实验结果表明，本发明所提方法提升了准确率、收敛速度，受过渡电阻、故障线路、故障距离影响较小，具有较强的抗噪声能力和抗丢失能力。

本发明授权一种基于RPM与T-ShuffleNet V2神经网络的交直流混联电网故障诊断方法在权利要求书中公布了：1.一种基于RPM与T-ShuffleNetV2神经网络的交直流混联电网故障诊断方法，其特征在于，包括如下步骤：步骤1，提取待诊断的交直流混联电网的每条线路的故障信息，构成故障电压信息矩阵以及故障电流信息矩阵；步骤2，利用小波阈值滤波算法对故障电压信息矩阵以及故障电流信息矩阵中的每一列电压信号以及电流信号进行滤波处理；步骤3，将滤波处理后的故障电压信息矩阵以及故障电流信息矩阵分别按列展开为一列，获得一列故障电压信息以及一列故障电流信息，再利用相对位置矩阵将一列故障电压信息以及一列故障电流信息分别转换为故障电压二维特征图以及故障电流二维特征图；步骤4，利用训练好的T-ShuffeNetV2神经网络模型对故障电压二维特征图以及故障电流二维特征图进行故障识别，获得待诊断的交直流混联电网的每条线路的故障类型；步骤4中，T-ShuffeNetV2神经网络模型包括顺序连接的Conv1层、MaxPool层、Stage2层、Stage3层、Stage4层、Conv5层、GAP层以及FC层；Conv1层为3×3的卷积层；Stage2层以及Stage4层均由一个下采样模块以及三个基本模块构成；Stage3层由一个下采样模块以及七个基本模块构成；Conv5层为1×1的卷积层；基本模块包括Channelsplit层、左侧恒等分支、右侧多卷积分支、Concat层以及Pixel-ChannelShuffle层；左侧恒等分支用于进行恒等映射；右侧多卷积分支包括顺序连接的1×1的Conv层、多分支条形卷积层以及1×1的Conv层；Channelsplit层用于对输入特征进行通道划分，并在划分后分别送入左侧恒等分支以及右侧多卷积分支；Concat层用于对左侧恒等分支以及右侧多卷积分支的输出特征进行连接；Pixel-ChannelShuffle层用于对Concat层的输出特征进行像素和通道的双融合；多分支条形卷积层包括1×1的Conv层、三条卷积支路、Concat层、1×1的Conv层以及Add层；第一条卷积支路由顺序连接的1×3的条形卷积、3×1的条形卷积以及膨胀率为1、大小为3×3的膨胀卷积组成；第二条卷积支路由顺序连接的1×5的条形卷积、5×1的条形卷积以及膨胀率为2、大小为3×3的膨胀卷积组成；第三条卷积支路由顺序连接的1×7的条形卷积、7×1的条形卷积以及膨胀率为3、大小为3×3的膨胀卷积组成；输入特征首先经过1×1的Conv层进行卷积操作来削减参数量，再经由三条卷积支路获得三组特征，再将这三组特征通过Concat层进行Concat操作进行融合，融合后的特征再经过1×1的Conv层进行1×1的卷积操作还原为输入大小，最后使用Add层进行Add操作，将还原为输入大小的特征与原始特征进行融合。

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四川轻化工大学，其通讯地址为：643003 四川省自贡市自流井区汇东学苑街180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”。