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！

龙图腾网获悉华北电力大学;华能集团技术创新中心有限公司;西安热工研究院有限公司申请的专利基于聚类和动态划分时间序列的电站风机状态预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：CN116383686B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310301941.8，技术领域涉及：G06F18/23213；该发明授权基于聚类和动态划分时间序列的电站风机状态预测方法是由吕游;魏玮;陈江;曾卫东;樊启祥设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本基于聚类和动态划分时间序列的电站风机状态预测方法在说明书摘要公布了：本发明公开了属于电站风机状态预测技术领域的一种基于聚类动态划分时间序列的电站风机状态预测方法。在离线状态下利用能表征风机运行状态的监测参数数据，基于k‑means聚类算法实现风机状态分类并对原始数据进行标记，根据标记好的数据训练相关状态预测模型。在线预测时将数据序列同时输入各状态预测模型，根据输入序列中的数据分类情况设置权重系数初始值，以最终计算值与实际观测值的偏差为指标，基于搜索算法对权重系数寻优，实现精确的电站风机状态预测。

本发明授权基于聚类和动态划分时间序列的电站风机状态预测方法在权利要求书中公布了：1.一种基于聚类和动态划分时间序列的电站风机状态预测方法，其特征在于，包括如下步骤： S1：采集电站风机跨度时间一周的运行数据，采样周期为1min，对采集的数据集进行预处理，形成由单个采样点数据构成的时间序列； S2：选取电站风机电流变化量和电站风机电流共同作为电站风机状态划分的基准参数； S3：利用k-means聚类技术进行电站风机状态划分，设置状态分类数； S4：实现分类建模，根据S3的分类结果对原始数据进行标记，每类数据将对应一个状态预测模型，从每类样本中选取数据，通过动态划分时间序列构造各状态预测模型的训练集和测试集，将电站风机电流作为预测的目标变量，为每个状态预测模型选取输入变量，利用相关分析方法或主成分分析方法，进行相应状态预测模型的训练及测试； S5，在线预测时将数据同时输入各类状态预测模型，根据输入序列中的数据分类情况设置权重系数初始值，以最终计算所得值与实际观测值的偏差为指标，基于搜索算法对权重系数寻优，实现精确的电站风机状态预测； 所述S4中每个状态预测模型选取的输入变量为：电站风机电流、电机功率、前轴承温度、电机前轴承温度、轴承水平振动、轴承垂直振动作； 所述S4中状态预测模型为LSTM模型； 所述S4中动态划分时间序列，包括如下步骤： S41：将所述S1中时间序列，动态划分为多个长度为N的时间组序列； S42：计算每个时间组序列的标签，所述标签的格式为：“aN,bN”； 其中：a为时间组中包含第一分类采样点的个数；b为时间组中包含第二分类采样点的个数； S43：根据S42中时间组序列的标签，选取组内占比较大的采样点分类，作为该时间组序列的分类，并将该时间组序列加入各状态预测模型的训练集和测试集； 所述S5中基于搜索算法对权重系数寻优的步骤为： S51：根据S42中得到的每个时间组序列的标签计算初始权重wi，即：w1=aN，w2=bN； S52：为初始权重设置偏置bi，计算实际权重xi，即：x1=w1+b1，x2=w2+b2； S53：确定需要搜索的参数为：b1,b2； S54：将训练集的数据同时输入各类状态预测模型，得到预测输出值o1,o2； S55：计算加权输出值为o=x1o1+x2o2； S56：计算加权输出值与真实值的均方误差e； S57：将e最小做为目标函数，b1,b2作为搜索变量，搜索范围设置为0,0.1，利用遗传算法进行寻优，求解出b1,b2，完成权重系数寻优。

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华北电力大学;华能集团技术创新中心有限公司;西安热工研究院有限公司，其通讯地址为：102206 北京市昌平区北农路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”。

以上内容由龙图腾AI智能生成。