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！

龙图腾网获悉厦门大学申请的专利基于深度学习的半自适应式非侵入式电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：CN115758105B 。

龙图腾网通过国家知识产权局官网在2026-01-27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：202211199934.3，技术领域涉及：G06F18/213；该发明授权基于深度学习的半自适应式非侵入式电负荷监测方法是由陈松;杨钰;曹烁晖设计研发完成，并于2022-09-29向国家知识产权局提交的专利申请。

本基于深度学习的半自适应式非侵入式电负荷监测方法在说明书摘要公布了：本发明提出基于深度学习的半自适应式非侵入式电负荷监测方法，通过对从家庭电表获取到的负荷信号进行抽样、重叠窗分段、电器激活信号提取、激活信号随机组合等方式构建数据集。通过设计包含分离主网络和个体特征提取子网络的神经网络模型，将提取电器普遍特征和个体专有特征的步骤模块化、具体化，并通过多任务模式的深度学习对不同模块的功能进行了约束，得到优化后的深度学习模型。本发明的提出有效解决了基于深度学习的非侵入式电负荷分解方法泛化性、普适性不足的问题，方法具备针对不同型号电器个体的半自适应性监测能力。

本发明授权基于深度学习的半自适应式非侵入式电负荷监测方法在权利要求书中公布了：1.基于深度学习的半自适应式非侵入式电负荷监测方法，其特征在于：包括如下步骤： 1通过用户总负荷与单电器负荷信息建立总数据集；对所述用户总负荷与所述单电器负荷信息进行抽样、重叠窗分段、电器激活信号提取和激活信号重新组合得到总数据集；并将总数据集中的数据分为三类：总电表负荷信号、各个电器负荷信号和各个电器激活信号；所述总数据集中，单个样本的数学模型表示为： ； 其中表示时间，表示时刻样本家庭总负荷信号，表示时刻第个电器的负荷信号，n代表系统中的电器总数，表示噪声信号； 所述电器激活信号提取和激活信号重新组合是指：分别提取中电器处于工作状态时的负荷信号，将其作为电器的激活信号，再将不同电器不同时间段的激活信号进行重新随机组合并混叠构成新的样本数据； 2搭建包含分离主网络和特征提取子网络的深度学习模型； 所述分离主网络采用卷积层堆叠构成，包括前端卷积模块和后端卷积模块，所述前端卷积模块提取电器普适性特征，所述后端卷积模块进行目标电器的负荷分解任务；所述后端卷积模块有两个输入：一个输入是由所述前端卷积模块传递过来的隐变量，一个输入是由所述特征提取子网络传递过来的特征信息，所述后端卷积模块对两个输入进行特征合并处理； 所述特征提取子网络包含卷积层、残差网络模块以及全连接层；所述特征提取子网络输入目标电器的激活负荷信号，输出则有两个：一个是从平均池化层输出网络提取出的目标信号特征，另一个是从线性层输出的对目标电器类型判断的结果； 3设置好相关的训练参数并进行网络训练，得到优化后的深度学习模型；所述深度学习模型采用了多任务目标的深度学习方式，同时约束所述分离主网络的分离性能和所述特征提取子网络的特征提取性能，网络训练时采用的损失函数如下所示： ； ； 其中，为分离主网络输出与标签之间的均方误差，为负荷信号的总长度，表示时间，为随时间变化的总负荷信号，为随时间变化的目标电器实际负荷信号，表示网络参数，表示由特征提取子网络提取出的目标电器特征信息，表示网络模型所代表的映射关系；为特征提取子网络输出与标签之间的交叉熵，M表示共有M种电器种类，表示第m种电器激活信号，为第m种电器的标签，表示网络模型所代表的映射关系；与相加得到网络训练的总损失函数； 4网络测试，采用优化后的深度学习模型针对用户需求进行目标电器的负荷监测。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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。