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！

龙图腾网获悉安徽南瑞中天电力电子有限公司申请的专利一种基于改进遗传神经网络的物联表电力负荷识别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：CN115622034B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202211269507.8，技术领域涉及：H02J3/00；该发明授权一种基于改进遗传神经网络的物联表电力负荷识别方法是由宗海乐;左勇;林乃奇;朱若兰;潘植鑫;沈石雨;李昊一;钟文豪;戴鹏翔;王钰;杨宝童设计研发完成，并于2022-10-18向国家知识产权局提交的专利申请。

本一种基于改进遗传神经网络的物联表电力负荷识别方法在说明书摘要公布了：本发明属于电力设备领域，具体涉及一种基于改进遗传神经网络的物联表电力负荷识别方法、系统；以及采用该方法的负荷识别装置。S1：通过物联表计量芯获取典型电器运行的电力数据；并归一化得到训练集和测试集。S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷识别的网络模型。S3：设计一个基于改进遗传算法的参数优化模型。S4：采用实数编码的方式对识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到参数优化模型进行迭代优化。S5：对权值优化后的识别网络模型进行训练。S6：实时获取物联表采集的电压和电流数据，归一化后输入到识别网络模型中进行负荷识别。

本发明授权一种基于改进遗传神经网络的物联表电力负荷识别方法在权利要求书中公布了：1.一种基于改进遗传神经网络的物联表电力负荷识别方法，其特征在于，其包括如下步骤： S1：通过物联表计量芯获取典型电器设备在一个月度内不同采样时刻对应的电压和电流数据；并对采样数据进行归一化得到原始数据，将原始数据构成的数据集划分为训练集和测试集； S2：基于BP神经网络构建一个基于物联表采样数据的电力用户负荷识别的网络模型，并初始化识别网络模型的权值和阈值； S3：设计一个基于改进遗传算法的参数优化模型，所述参数优化模型的改进如下： 1将所述识别网络模型反向传播过程中误差函数值的倒数作为改进遗传算法的适应度函数； 2在改进遗传算法中引入局部搜索算子，所述局部搜索算子用于将选择、交叉和变异操作得到的所有个体按适应度值排序，然后从排名前13的个体中搜索最优个体； 3将最优个体的适应度值达到预设的最大值，或当前轮次最优个体的适应度值不大于前两轮迭代的最小值作为改进遗传算法的迭代条件； S4：采用实数编码的方式对所述识别网络模型的初始权值和阈值进行编码，然后作为初始种群输入到所述参数优化模型进行迭代优化；具体过程如下： S41：通过适应度函数更新初始种群中每个个体的适应度值，按照适应度值对初始种群进行排序； S42：对初始种群分别进行选择操作、交叉操作和变异操作，每次操作中得到n个子代个体； S43：采用局部搜索算子从得到的3n个子代个体选择出最优个体，并判断最优个体是否满足迭代终止条件： 1是则输出当前轮次的最优个体，并结束参数优化的迭代过程； 2否则将适应度值排序靠前的N-5各个体和适应度值最差的5个个体作为下一轮次的初始种群，返回到步骤S42进行迭代优化； S5：对输出的最优个体进行解码得到优化后的权值和阈值，并赋值给所述识别网络模型进行训练，训练过程具体如下： S51：将所述训练集中的数据输入到权值和阈值更新后的识别网络模型中，进行误差反向传播，不断训练权值和阈值并更新； S52：获取每次训练中识别网络模型的平方误差，判断平方误差是否满足要求：是则返回步骤S51继续训练，否则进入步骤S53进行测试； S53：利用测试集中的数据对完成训练的所述识别网络模型进行测试； S6：实时获取物联表采集的电压和电流数据，对采样数据进行归一化处理后输入到上步骤训练完成的所述识别网络模型中，得到当前物联表电力负荷的识别结果。

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安徽南瑞中天电力电子有限公司，其通讯地址为：230088 安徽省合肥市高新区创新大道2800号合肥创新产业园二期G1楼；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”。