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！

龙图腾网恭喜合肥工业大学申请的专利基于深度强化学习与模式挖掘的宽频振荡分类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：CN119513670B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202510072918.5，技术领域涉及：G06F18/24；该发明授权基于深度强化学习与模式挖掘的宽频振荡分类方法是由吕增威;胡涛;向念文;魏振春;王书来;陈志伟;王超群;杨煜设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本基于深度强化学习与模式挖掘的宽频振荡分类方法在说明书摘要公布了：本申请涉及电力传输技术领域，尤其是一种基于深度强化学习与模式挖掘的宽频振荡分类方法。本申请提出的基于深度强化学习与模式挖掘的宽频振荡分类方法，通过将电网线路里的电压、电流等多元时序数据编码为单变量的聚类序列，然后利用从聚类序列中提取的候选模式学习多模式时间序列，并通过强化学习模块训练出判别模式，同时训练分类模型。本申请从多模式时间序列用神经网络映射出该样本的类别，并采用强化学习方法对多模式时间序列进行更新，能够在借助神经网络高度拟合的优势的同时，保证了该分类方法具有一定程度的可解释性，同时能够在实现分类算法的同时有效探索宽频震荡现象中存在的数据间的时序关系；克服了现有震荡分类方法低准确度低效的问题。

本发明授权基于深度强化学习与模式挖掘的宽频振荡分类方法在权利要求书中公布了：1.一种基于深度强化学习与模式挖掘的宽频振荡分类方法，其特征在于，首先通过马尔可夫算法训练震荡分类模型，震荡分类模型的输入为表征电力系统工况的多元时序数据经编码得到的多模式时间序列，输出为预测的震荡类别；多元时序数据经编码得到多模式时间序列的方法为：首先将连续时间段上采集的多元时序数据离散为单时间点数据，然后对单时间点数据进行聚类，将多元时序数据中的各单时间点数据替换为对应的聚类簇序号形成聚类序列；获取不同震荡类别下的多元时序数据序号对应的聚类序列的公共子序列，提取多元时序数据对应的聚类序列中的公共子序列构成多模式时间序列；获取多元时序数据作为测试对象，结合已知聚类结果，获取测试对象的聚类序列，并提取公共子序列构成测试对象的多模式时间序列；将测试对象的多模式时间序列输入震荡分类模型，得到测试对象的震荡类别预测值；震荡分类模型的训练方法包括以下步骤：St1、从电力系统历史运行数据中获取多元时序数据转化为多模式时间序列作为学习样本存入经验池，学习样本标注有震荡类别；构建基础模型；基础模型包括特征提取网络和SAC网络；SAC网络包括actor网络、第一状态评估网络、第二状态评估网络、第一动作评估网络和第二动作评估网络；特征提取网络针对多模式时间序列生成隐藏状态h和预测类别y'；actor网络基于多模式时间序列、h生成调整策略；多模式时间序列执行调整策略后形成新的多模式时间序列；第一状态评估网络、第二状态评估网络、第一动作评估网络和第二动作评估网络的输入均为多模式时间序列、h和奖励r，输出分别为第一状态评估值、第二状态评估值、第一动作评估值和第二动作评估值；奖励r的计算公式为： ； ；其中，m为震荡类别数量，fi为样本s在第i个震荡类别的表示；为样本s经特征提取模块得到的预测类别中第i个震荡的值；yi为样本s标注的震荡类别中第i个震荡的值；ε为设定的平滑参数；St2、从经验池随机选择多个样本输入基础模型，根据预测类别和真实震荡类别计算损失函数并更新特征提取网络；计算奖励r以及动作损失和状态损失；根据动作损失更新第一动作评估网络和第二动作评估网络，根据状态损失更新第一状态评估网络，并将第一状态评估网络复制给第二状态评估网络；St3、结合更新后的第一动作评估网络计算策略损失，根据策略损失更新Actor网络；St4、将样本s输入更新后的基础模型，Actor网络得到动作策略和新的多模式时间序列，将新的多模式时间序列关联原有震荡类别作为样本放入经验池；St5、判断基础模型更新次数是否达到设定次数；否，则返回步骤St2；是，则固定特征提取网络作为震荡分类模型，震荡分类模型根据输入的多模式时间序列预测震荡类别。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。