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！

龙图腾网获悉东南大学申请的专利一种基于深度学习的非侵入式负荷分解方法及系统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：CN120033687B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202510171272.6，技术领域涉及：H02J3/00；该发明授权一种基于深度学习的非侵入式负荷分解方法及系统是由刘宇;韦雨亭;何叶;曲紫瑜;张舜逸;赵欣;胡秦然;高山设计研发完成，并于2025-02-17向国家知识产权局提交的专利申请。

本一种基于深度学习的非侵入式负荷分解方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的非侵入式负荷分解方法及系统，涉及电力负荷管理分析技术领域，包括以下步骤：获取总表数据以及子表数据，基于总表数据对子表数据的缺失值进行填充，并统一总表与子表的功率数据的采样频率，其中，所述总表数据负责采样总功率，所述子表数据负责采样各负荷功率；基于滑动窗和阶跃判定的方法对有限状态类负荷事件进行检测，基于预设的神经网络对总电力到有限状态类负荷的细化；将总功率信号中分离出有限状态类负荷，得到剩余功率信号，基于预设的神经网络学习分离剩余功率中功率连续变化类负荷的运行模式，实现功耗的分解。

本发明授权一种基于深度学习的非侵入式负荷分解方法及系统在权利要求书中公布了：1.一种基于深度学习的非侵入式负荷分解方法，其特征在于，方法包括以下步骤： 获取总表数据以及子表数据，基于总表数据对子表数据的缺失值进行填充，并统一总表与子表的功率数据的采样频率，其中，所述总表数据负责采样总功率，所述子表数据负责采样各负荷功率； 基于滑动窗和阶跃判定的方法对有限状态类负荷事件进行检测，基于预设的神经网络对总电力到有限状态类负荷的细化； 基于滑动窗和阶跃判定的方法对有限状态类负荷事件进行检测的过程： 在滑动窗内对总功率序列的变化趋势进行拟合，在末端进行突增的检测，一旦检测到发生投入事件，则在标记采样周期的同时，将采样值替换为符合滑动窗内序列数值变化趋势的预测值； 有限状态类负荷事件发生的判断公式为： 其中为采样时间，表示第个采样周期，为预先分配的阈值； 通过最小二乘法计算投入事件发生前滑动窗内数值的拟合表达式： 其中为表达式的权重，为表达式的偏置量，为滑动窗长度，为投入事件发生前采样时间的均值； 将采样值替换为预测值： 对于在一次投切事件中具有多次状态切换且会间歇工作的负荷，设定时延，将发生时间间隔低于的多次标记事件合并为一次负荷投切事件； 根据设备额定功率设定不同的阈值区间，筛选出不同设备的事件，若有负荷事件重叠，则进行多次事件检测分离不同负荷的事件； 将总功率信号中分离出有限状态类负荷，得到剩余功率信号，基于预设的神经网络学习分离剩余功率中功率连续变化类负荷的运行模式，实现功耗的分解； 有限状态类负荷的分解过程如下： 将负荷有功功率切片序列作为输入，负荷实际有功功率作为输出，将一维数据输入神经网络前，进行时间窗口切割，将长时间的时间序列切割成短的片段； 将数据按照比例划分为训练集和测试集，通过训练集学习模式、权重和偏差，训练完成后，在测试集上验证模型及系统的泛化能力； 在将数据输入模型及系统前进行归一化处理，转换为同一尺度，将数据映射到： 其中和分别为归一化前和归一化后的数据，和分别为最小值和最大值； 将CNN设为神经网络的第一层，通过逐层滤波提取输入数据中的局部特征，学习每个负荷独特的耗电模式，卷积层和池化层计算公式为： 其中为输入数据，在卷积层公式中为对总功率切片后的负荷功率数据，为卷积核矩阵，为卷积操作，为卷积层偏置量，为激活函数，为池化层权重，为池化层偏置量，为池化函数； 将BiLSTM设为神经网络的第二层，在时序数据中同时考虑局部和全局信息，通过对前向迭代和后向迭代的隐藏层计算结果拟合得到输出： 其中，和为权重向量，为前向迭代的隐藏层状态，为后向迭代的隐藏层状态，为该时刻隐藏层状态的偏移量； 在注意力机制中对输入数据的不同部分赋予不同的注意程度，对输入序列做线性映射，得到对输入矩阵做线性映射的矩阵、和，公式为： 得到输出： 其中为稳定训练梯度的矩阵，为归一化处理函数； 在全连接层将输入与权重矩阵相乘，再加上偏置项，然后通过激活函数映射到输出值，整合前述网络提取的特征： 数据反归一化处理，将模型中处理的区间数据还原到原始数据范围，得到最终的输出，为负荷的有功功率分解序列。

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东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路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。