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！

龙图腾网获悉华南理工大学申请的专利一种基于低频负荷多特征融合的非侵入式负荷监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：CN116933000B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310757598.8，技术领域涉及：G06F18/00；该发明授权一种基于低频负荷多特征融合的非侵入式负荷监测方法是由季天瑶;陈嘉伟;张禄亮;吴青华设计研发完成，并于2023-06-25向国家知识产权局提交的专利申请。

本一种基于低频负荷多特征融合的非侵入式负荷监测方法在说明书摘要公布了：本发明公开了一种基于低频负荷多特征融合的非侵入式负荷监测方法，包括：获取低频负荷的总功率数据，并对其进行数据清洗与滑动窗口操作得到初始功率数据；使用反馈式VMD对初始功率数据进行分解，得到若干个模态分量；利用峭度准则选择模态分量并进行信号重构；利用Teager能量算子增强重构信号的脉冲特征；将特征增强后的特征与初始功率特征进行特征融合，得到最终特征数据；将最终特征数据送入深度学习模型学习，实现负荷监测。本发明可使得深度学习模型对数据中的脉冲信号更加敏感，更好地分辨负荷的状态改变，提高负荷监测的准确率。

本发明授权一种基于低频负荷多特征融合的非侵入式负荷监测方法在权利要求书中公布了：1.一种基于低频负荷多特征融合的非侵入式负荷监测方法，其特征在于，该方法是针对低频采样的住宅负荷数据暴露特征少的问题，使用VMD和峭度准则提取出初始功率数据中的脉冲特征，并将其与初始功率数据进行特征融合，以此提高深度学习模型分解负荷功率的准确率，包括以下步骤： S1：获取低频负荷的总功率数据，并对总功率数据进行数据清洗以去除无用数据点，得到有用数据； S2：利用滑动窗口技术将有用数据进行数据分割与增强得到初始功率数据； S3：针对初始功率数据，利用反馈VMD方法求取VMD的模态分量个数，并对初始功率数据分解得到个模态分量；其中，利用反馈VMD确认VMD的模态分量个数的具体操作步骤如下： S31：确定待分解的初始功率数据，初始化VMD参数，设置初始分解模态分量个数； S32：使用VMD对初始功率数据进行分解，获得两个模态分量和； S33：通过计算模态分量与初始功率数据的相似系数选取两个模态分量和中的最纯模态分量，相似系数大的即为最纯模态分量，相似系数计算公式如下： ； 式中，表示迭代第次的第个模态分量与初始功率数据的相似系数，表示迭代第次的第个模态分量，，其中，代表初始功率数据的数据长度； S34：更新待分解的功率数据，即： ； S35：重复步骤S31-S34的迭代过程，直至满足下式： ； 表示信号分解完全；其中，表示最终迭代次数，表示迭代第次的第1个模态分量与初始功率数据的相似系数，表示迭代第次的第2个模态分量与初始功率数据的相似系数，表示迭代第次的第1个模态分量与初始功率数据的相似系数，表示迭代第次的第2个模态分量与初始功率数据的相似系数；此时，即可确定最终模态分解个数为； 设置的模态分量个数小于使用EMD的模态分量个数，即迭代次数还应满足下式： ； S4：利用峭度准则选择需要的模态分量并进行信号重构，包括以下步骤： S41：分别计算分解得到的个模态分量的峭度值，峭度值的表达式如下所示： ； 式中，为模态分量的均值，为模态分量的标准差，表示期望； S42：选取峭度值最大和第二大的两个模态分量和，将其进行重构，得到重构信号： ； S5：利用Teager能量算子增强重构信号的脉冲特征； S6：将经过特征增强的信号与初始功率信号进行特征融合，完成特征提取，得到最终的特征数据； S7：将最终的特征数据送入深度学习模型学习，实现负荷监测。

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南理工大学，其通讯地址为：510640 广东省广州市天河区五山路381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。