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！

龙图腾网获悉成都航空职业技术大学申请的专利一种基于邻域相对熵的多尺度子空间用电负荷异常检测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：CN121524896B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202610055032.4，技术领域涉及：G06F18/2433；该发明授权一种基于邻域相对熵的多尺度子空间用电负荷异常检测方法是由赵东;李琪林;刘兵;林琳;谢燕梅;陈宗杰设计研发完成，并于2026-01-15向国家知识产权局提交的专利申请。

本一种基于邻域相对熵的多尺度子空间用电负荷异常检测方法在说明书摘要公布了：本发明公开一种基于邻域相对熵的多尺度子空间用电负荷异常检测方法，包括获取用电负荷数据，构建原始数据矩阵并预处理；采用主成分分析对数据矩阵进行特征提取与重构，构建多尺度子空间并生成重构样本集；针对每个尺度的子空间，计算重构误差及离群得分；针对重构样本集，构建子空间邻域信息系统，并在系统中定义邻域及邻域关系；计算邻域相对熵离群得分；将重构误差与邻域相对熵离群得分加权融合，得到最终融合离群得分，并根据阈值判定是否异常。本发明通过多尺度主成分分析，有效去除数据中的噪声和冗余信息，增强了对全局异常模式的捕捉能力，利用子空间邻域信息系统挖掘局部邻域的不确定性，提高了复杂环境下异常检测的精度和鲁棒性。

本发明授权一种基于邻域相对熵的多尺度子空间用电负荷异常检测方法在权利要求书中公布了：1.一种基于邻域相对熵的多尺度子空间用电负荷异常检测方法，其特征在于，包括以下步骤： S1、获取待检测用户的用电负荷数据，构建原始数据矩阵，并进行去均值中心化预处理； S2、设定一组不同的累积方差贡献率集合，采用主成分分析对预处理后的数据矩阵进行特征提取与重构，构建对应不同累积方差贡献率的多尺度子空间，并生成相应的多尺度重构样本集； S3、针对每个尺度的子空间，计算原始样本与重构样本之间的重构误差，得到重构误差离群得分； S4、针对每个尺度的重构样本集，构建子空间邻域信息系统，并在系统中定义样本的邻域及邻域关系； S5、在所述子空间邻域信息系统中，计算各尺度下样本的邻域相对熵，得到邻域相对熵离群得分； S6、将所有尺度下的基于重构误差离群得分与基于邻域相对熵离群得分进行加权融合，得到最终融合离群得分，并根据预设阈值判定样本是否为异常负荷； 所述步骤S3的具体方法如下： 对于任意原始样本x及其在尺度ξq下的重构样本，计算二者之间的欧氏距离平方，作为重构误差离群得分REOS，用于量化样本偏离全局数据分布模式的程度，表达式如下： ； 所述步骤S4的具体方法如下： 将重构样本集作为输入，构建子空间邻域信息系统，其中表示所有m个属性的集合，表示属性子集，σ表示邻域半径，在重构样本集中定义重构样本的σ-邻域为所有与该样本在属性子集B下欧氏距离小于等于σ的样本集合，表达式如下： 其中，表示欧氏距离；定义子空间邻域关系，其表达式如下： 该子空间邻域关系是在重构样本集上由属性子集所诱导的邻域关系；基于该关系构建邻域关系矩阵，描述重构样本间的局部相似性结构； 所述步骤S5的具体方法如下： 计算子空间邻域信息系统的整体邻域信息熵，其表达式如下： 其中，表示重构样本集上不同邻域的集合，表示不同邻域的集合中的一个邻域； 移除目标样本后的系统邻域信息熵，其表达式如下： 其中，表示移除样本后的样本集上诱导出不同邻域的集合，表示在移除样本后的样本集上诱导出不同邻域集合中的一个邻域； 进而计算邻域相对熵，其表达式如下： 结合样本的邻域权重计算基于邻域相对熵离群得分NEOS，其表达式如下： 其中，表示邻域权重，该得分用于量化样本的局部邻域不确定性异常，以捕捉微小的局部异常； 所述步骤S6的具体方法如下： 将所有尺度ξq∈Z下的基于重构误差离群得分与基于邻域相对熵离群得分进行乘积加权融合，得到最终的融合离群得分FOS，其表达式如下： 再设定异常检测阈值γ，若样本的融合离群得分FOS大于阈值γ，则判定该用电负荷样本为异常。

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成都航空职业技术大学，其通讯地址为：610000 四川省成都市龙泉驿区车城东七路699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”。

以上内容由龙图腾AI智能生成。