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！

龙图腾网获悉南京工程学院申请的专利基于改进CGAN的非侵入式多种电器短期负荷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：CN115936068B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202211561211.3，技术领域涉及：G06N3/0464；该发明授权基于改进CGAN的非侵入式多种电器短期负荷预测方法是由陆旦宏;倪敏珏;杨婷;范文尧;李思琦;朱晓;王玉莹设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本基于改进CGAN的非侵入式多种电器短期负荷预测方法在说明书摘要公布了：本发明提供一种基于改进CGAN的非侵入式多种电器短期负荷预测方法，通过采集M天N个家庭k种电器负荷用能的历史负荷数据集，并采集影响电器历史负荷的外部条件数据集，预处理后作为训练样本集；输入非侵入式负荷识别模型，得到分类电器真实样本数据集；构建改进CGAN的生成模型组，输出数据为各生成模型生成的第i类电器负荷数据集；构建改进CGAN的判别模型组，输出用于表征判别生成的第i类电器负荷数据Ci是否为真实数据的判别结果；联合训练后得到训练后的改进CGAN；由训练后的改进CGAN的生成模型组输出k组对应电器的单日负荷预测数据集C′i；该方法能够更好的捕捉数据映射特征，提高网络模型预测的准确性，能够准确高效实现多种负荷的快速预测。

本发明授权基于改进CGAN的非侵入式多种电器短期负荷预测方法在权利要求书中公布了：1.一种基于改进CGAN的非侵入式多种电器短期负荷预测方法，其特征在于：包括以下步骤， S1、采集M天N个家庭k种电器负荷用能的历史负荷数据集，并采集影响电器历史负荷的外部条件数据集，对采集的历史负荷数据集与外部条件数据集进行预处理后，作为训练样本集； S2、将步骤S1得到的训练样本集输入非侵入式负荷识别模型，得到k种电器历史负荷数据，作为分类电器真实样本数据集Si，其中，i＝1，2...,k，且k≥2； S3、构建改进CGAN的生成模型组，生成模型组包括k种电器对应的k组生成模型Gi，其中，i＝1，2...,k，将步骤S2得到的分类电器真实样本数据集Si中第i类电器的功率和步骤S1采集的外部条件数据集拼接为矩阵并输入至生成模型组，生成模型组的输出数据为各生成模型Gi生成的第i类电器负荷数据集Ci，其中，i＝1，2...,k； 步骤S3中，改进CGAN的生成模型组中的生成模型采用并行结构，每个生成模型采用U-Net全卷积神经网络，U-Net全卷积神经网络包括下采样层和上采样层，通过卷积与反卷积操作实现，具体为， S31、将采集的N个家庭分类电器真实样本数据集Si，其中，i＝1，2...,k，中第i类电器的功率和外部条件数据集拼接成运行数据矩阵作为下采样层的输入； S32、下采样层对运行数据矩阵进行t次下采样，获得下采样后的矩阵； S33、上采样层对下采样后的矩阵进行t次上采样，得到第i类电器负荷数据集Ci； S4、构建改进CGAN的判别模型组，判别模型组包括k种电器对应的k组判别模型Di，其中，i＝1，2...,k，将步骤S3输出的第i类电器负荷数据集Ci和步骤S2得到的分类电器真实样本数据集Si中第i类电器功率数据集拼接成矩阵后，输入到判别模型组，判别模型组输出用于表征判别生成的第i类电器负荷数据Ci是否为真实数据的判别结果； 步骤S4中，改进CGAN的判别模型组的判别模型采用并行结构，每个判别模型采用马尔可夫判别器，具体为， S41、将步骤S3输出的第i类电器负荷数据Ci和分类电器真实样本数据集Si中第i类电器功率数据集，按照通道拼接成运行数据矩阵作为判别模型组Di的输入，进入步骤S42； S42、进行d次卷积—BatchNormalization－LeakyReLU组合，具体为，经过3×3的卷积核进行卷积，设置步长为2，每层都使用批量归一化BatchNormalization，再通过LeakyReLU激活函数得到特征提取矩阵F； S43、特征提取矩阵F进行1次卷积操作，具体为，经过3×3的卷积核进行卷积，设置步长为2，输出为一个n×n的矩阵X，矩阵X中每个元素Xi,j表示输入运行数据矩阵是真或假的概率； S5、对改进CGAN的生成模型组和判别模型组进行联合训练，得到训练后的改进CGAN； S6、输入当前时刻采集得到的实时的负荷数据集以及外部条件预测数据集到训练后的改进CGAN，由训练后的改进CGAN的k组生成模型组输出对应电器的单日负荷预测数据集Ci′。

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南京工程学院，其通讯地址为：211167 江苏省南京市江宁科学园弘景大道1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”。