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！

龙图腾网恭喜福州大学申请的专利一种电力电子异常数据的处理方法和处理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：CN111539442B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：201911163794.2，技术领域涉及：G06F18/2433；该发明授权一种电力电子异常数据的处理方法和处理系统是由林琼斌;万志松;陈诗灿;王武;蔡逢煌;柴琴琴设计研发完成，并于2019-11-25向国家知识产权局提交的专利申请。

本一种电力电子异常数据的处理方法和处理系统在说明书摘要公布了：本申请提供了一种电力电子异常数据的处理方法和处理系统，涉及电力电子数据处理领域。该处理方法包括：获取待处理电子元件的电子信号；将所述电子信号转换为数字信号；使用经过电力电子参数型故障样本训练的GA‑FCMNN模型对所述数字信号进行分析；将所述分析的结果与预设的正常结果进行比对，如果存在异常，对所述待处理电子元件进行处理。遗传算法GA用于FCMNN的初始参数选择，通过变异操作和最优选择，实现了FCNMNN分类器的全局最优化。本申请能够有效减少人工选取初始参数的盲目性和时间成本，进一步提升神经网络诊断分类器的学习效率和智能化水平，提高了电子元件故障的识别效率。

本发明授权一种电力电子异常数据的处理方法和处理系统在权利要求书中公布了：1.一种电力电子异常数据的处理方法，其特征在于，包括：获取待处理电子元件的电子信号；将所述电子信号转换为数字信号；使用经过电力电子参数型故障样本训练的遗传算法优化模糊小脑型神经网络GA-FCMNN模型对所述数字信号进行分析；将所述分析的结果与预设的正常结果进行比对，如果存在异常，对所述待处理电子元件进行处理；在所述使用经过电力电子参数型故障样本训练的遗传算法优化模糊小脑型神经网络GA-FCMNN模型对所述数字信号进行分析之前，所述处理方法，还包括：建立电力电子参数型故障样本库，并建立GA-FCMNN模型；通过所述电力电子参数型故障样本对所述GA-FCMNN模型进行训练；对于GA-FCMNN模型的参数，通过梯度下降的Back-Propagation算法进行更新；所述通过梯度下降的Back-Propagation算法进行更新包括：GA-FCMNN模型中，需要更新的参数有mijk，vijk，wjko三个参数；设定目标函数为： 其中K为第K次训练，toK表示期望输出，yoK表示GA-FCMNN模型的输出；若目标函数EK的值不满足误差精度ε，则采用梯度下降法修正和更新GA-FCMNN模型的权值，直到满足精度要求： 其中α＝[mij，kvi,jwk]T为参数矩阵，η＝diag[ηm，ηv，ηw]为学习率矩阵，表示为：通过链式法则可得参数变化量为： 通过GA算法优化FCMNN初始值的过程，包括：1通过训练样本对GA-FCMNN模型进行训练，神经网络进行正向计算；2目标函数计算：将神经网络的目标函数作为遗传算法的适应度函数，适应度函数用于衡量种群中的每个个体在接近最优解的程度，适应度函数值越小被认为个体适应度越高，越优良，以较高的概率遗传给下一代，其适应度函数计算公式为： 式中，no为网络输出节点数；to为FCMNN中第o个节点的期望输出；yo为第o个节点的预测输出；3对参数进行更新；4判断是否满足结束条件，结束条件是根据适应度函数值是否达到误差精度要求或是否达到最大进化代数；若是，则获得最优初始权值；若否，选择、交叉、变异获得种群新个体，再送入GA-FCMNN模型重新进行正向计算，直到满足结束条件；其中，遗传操作过程：选择：选择轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率pi为fi＝1Fi 式中，Fi为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；N为种群个体数目；交叉：采用实数交叉法，第k个染色体ak和第l个染色体al，在j位的交叉操作方法如下： 式中，r1是[0，1]间的随机数；变异：选取第i个个体的第j个基因aij进行变异，变异操作方法如下： 式中基因aij的取值范围是amax和amin；fg＝r01-gGmax2；r0为一个随机数；g为当前迭代次数；Gmax为最大进化代数；r2为[0，1]间的随机数，fg随代数的增加而逐渐减小；构建GA-FCMNN模型，包括：FCMNN是一种基于高斯模糊函数的神经网络，其模糊规则如下：如果I1为r1jk，且I2为r2jk，…，Ini为rnijk，则yo＝wjkoforj＝1，2，…，nl；k＝1，2，…，nb式中，ni为输入维度，rijk为第i个输入、第j层、第k块对应的输入模糊集，wjko为第j层、第k块、第o个输出对应的权重；基于遗传算法优化模糊小脑模型神经网络主要由故障特征输入层、联想记忆层、接收域层、权重层和故障类型输出层五部分组成，具体如下：1第一层为故障特征输入层：构建的样本的故障特征向量Iii＝1，2，…，ni作为GA-FCMNN模型的输入被送进，以进行前向计算；2第二层为联想记忆层：将输入的故障特性向量进行量化处理，对输入向量的每一个Ii量化nb个离散区域，高斯函数用作每个块中的激活函数，因此在激活函数作用下第i个输入、第j层、第k块对应的输入模糊集rijk为： 3第三层为接收域层：对第二层所激活的联想记忆区域做累乘，用于计算输入对联想单元的触发强度，bjk为第j层第k个接收域的触发强度： 第四层为权重层：将第三层接收域空间与第五层第o个输出间的权值存储在第四层Wo中，每个输出的权值表示为： 5第五层为故障类型输出层：对第三层触发的强度与第四层权值运算，并通过Sigmoid函数将输出值压缩在0,1之间，得到第o个输出yo：

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福州大学，其通讯地址为：350000 福建省福州市福州地区大学城学园路2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”。