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！

龙图腾网获悉上海梦象智能科技有限公司申请的专利一种从聚合负载数据提取电器指纹的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：CN113887628B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202111166975.8，技术领域涉及：G06F18/241；该发明授权一种从聚合负载数据提取电器指纹的方法是由张珊珊设计研发完成，并于2021-10-01向国家知识产权局提交的专利申请。

本一种从聚合负载数据提取电器指纹的方法在说明书摘要公布了：本发明属于非侵入式负荷分解技术领域，具体为一种从聚合负载数据提取电器指纹的方法。本发明通过对现有用于非侵入式负荷监测NILM任务的神经网络进行改进，提出并发负载解耦器网络模型来进行电器指纹提取。该模型包含残差位置子网络序列，并在序列末端加上多头自注意力层，应用全局池化层将输入矩阵映射到电器指纹向量，最后通过全连接前馈网络层输出对应的电器标签，实现从聚合负载数据中提取电器指纹从而判断电器运行的情况。

本发明授权一种从聚合负载数据提取电器指纹的方法在权利要求书中公布了：1.一种从聚合负载数据提取电器指纹的方法，其特征在于，具体步骤为： 步骤1，合成聚合负载数据集，划分训练、验证以及测试集；具体包括： 首先，选取公共数据集作为最初的数据来源，对公共数据集进行归一化处理，确保不同测量环境下的电器负载信号可以进行合并；然后，确定聚合数据集中的电器种类，合并归一化处理后的公共数据集得到基础数据集；最后，确定最大并发负载数，合成聚合信号数据集，划分训练、验证以及测试集； 步骤2建立残差位置子网络，记为RPSN； RPSN首层为位置前馈层，后接ReLu激活函数，再经过一层位置前馈层，随后有一个归一化层，最后再接ReLU激活函数；其中包含的残差网络连接RPSN的输入rXj-1至归一化层，在这层数据相加并进行归一化处理，得到下一RPSN模块的非激活输入表示为： 其中，所述位置前馈层主要由两个全连接层以及一个归一化层组成，并采用ReLU激活函数；其输入为光谱图矩阵X0t*v，该光谱图矩阵是将聚合负载数据通过傅里叶变换得到的，每一行是一个时间片刻，即第一维t与数据的序列性质相关；每一列是一个频率窗口，即第二维v与特征相关，矩阵X0表征一段时间的聚合负载数据； 特定j位置层的计算表示为： hjXj-1＝Xj-1·WjT-Θj 其中，Xj-1为j-1层激活输出；Wj为可学习的权重矩阵，将j层的输入矩阵Xj-1投影到q维空间上，q为输入的神经元节点数；Θj为偏差矩阵；在网络中这部分的输出表示为未激活的j层输出，经过ReLU激活函数得到最终j层的激活输出即： 步骤3，构建并发负载解耦器网络模型，确定输入输出格式；具体流程为： ①构建RPSN网络序列 由k层RPSN模块串联，形成RPSN网络序列，每一层记录为RPSN2i+1，i∈1，k]；在COLD网络的头部有一个单独的位置前馈层，将输入光谱图矩阵X0映射到q维空间上，形成第一层RPSN3的输入h1X0以及残差模块输入rX0； ②设置多头自注意力层 多头自注意力层设置在RPSN2k+1模块后，目的是通过RSPN序列获得的矩阵Xj+1时间维度上的信息，并联合处理来自不同位置的不同表示子空间的信息，多头自注意力层在并行时间执行缩放点积注意函数，然后将结果连接并投影到另一个可学习空间上，表示为： 其中，Q表示所查询的信息，即相关电器指纹，K表示电器指纹相关的属性，V表示根据当前查询和关键属性得到的内容向量，其中分别为每一个头的投影矩阵，为输出的投影矩阵；其中，多头自注意力机制中缩放点积注意函数的计算由如下函数实现： 其中，是为了避免其饱和最小梯度出现区域的软最大输出值； ③全局池化和分类 全局池化和分类层的作用是将特征矩阵X转换成输出向量x，向量x包含给定时间窗口内被激活的标签l；引入期望E来处理输入矩阵实现降维，所以全局池化表示为： g：Rt×q→Rq gXj-1＝Em[Xj-1m,n]＝xj-1 同时引入另一个非线性变化来降低向量xj-1所表示的特征，并且做分类输出： 其中，WPred∈Rq×|L|，|L|表示当前数据集中的所有电器种类数，并且使用一个可学习的向量α来调整Sigmoid函数，实现对特定标签类的输出： ④并发负载解耦器网络结构的形式表示 网络整体结构中还涉及dropout函数： hd,j＝DropoutjhjXj-1 RPSN网络由如下函数形式表示： 于是，并发负载解耦器整体网络表示为： 步骤4进行超参数搜索，寻找最合适的参数空间； 根据上述的并发负载解耦器网络模型结构，其参数空间为q，k，nhead，pd，其中pd为dropout函数的筛选概率；进行超参数搜索，使用ASHA算法迭代参数空间和不同的学习速率参数{η}、权重衰减{λ}和批量大小{B}，该算法采用攻击性策略，停止训练比其他模型更弱的模型； 超参数搜索过程中是评估各种不同超参数情况下的网络模型，找到负荷分解效果最佳的模型，评估不同模型的分解效果采用F1-score的方法，该方法的评判公式为最终结果为计算不同参数子集Sw下的精准率PRw和召回率REw的调和平均值： 其中，#·表示基数|·|；针对预测向量中的概率值是否为特定的标签，设置一个阈值，当预测概率大于阈值，表示为当前信号中该标签被激活，记为1，否则为0，为了找到一个最优的参数集，执行调优过程对区间0,1中的阈值计算F1分数的加权平均值，然后选择拥有最高加权平均值的阈值设置下的参数作为最后的参数空间集； 步骤5，进行聚合数据分解，提取电器指纹，判断电器运行状态 将上述步骤得到的优化的COLD网络模型，用于对多并发电器负载信号进行数据分解，并提取电器指纹，判断电器当前的运行状态；针对家庭的电表数据来进行已知家用电器的运行状态判断，识别当前负载下正在运行的电器。

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上海梦象智能科技有限公司，其通讯地址为：201206 上海市浦东新区临港新片区环湖西二路888号2幢1区5026室；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。