本发明公开了一种多设备多任务非侵入式负载识别方法，包括如下步骤：S1、获取多个电器设备的总负载功率；S2、建立多任务联合识别模型并采用训练集进行训练，多任务联合识别模型包括依次连接的编码器、初步预测模块、任务解码器和最终预测模块；S3、将待识别的多个电器设备的总负载功率输入训练好的多任务联合识别模型，获得对应的最终预测结果即为负载识别结果。可获得多设备多任务的无延迟负载识别结果，并进一步降低了计算量和参数量，便于部署，成本低。
📄 202510761942X
📂 G06F18_241
👤 浙江工业大学
📅 2025-06-09
本发明公开了一种基于多尺度特征融合的非侵入式电器负载分类方法，包括：S1、采集电器控制系统的非侵入式电器负载信号；S2、对非侵入式电器负载信号进行预处理；S3、将预处理后的非侵入式电器负载信号归为第一数据集；S4、建立多尺度特征融合分类模型，包括U形网络、第一特征提取单元、残差模块、第一特征拼接单元、Flatten层和分类单元，U形网络、第一特征提取单元和残差模块并行；S5、利用迁移学习方法获取迁移学习模型。该方法能够提高电器事件检测与电器状态分类的准确率和稳定性，实现自动化的家庭电器管理和用电预测，为用户提供更加便捷的生活方式，以实现能源的节约和环保效果，泛化能力好。
📄 2023106400276
📂 G06F18_24
👤 浙江工业大学
📅 2023-05-31
本发明公开了一种基于图编码和迁移学习的非侵入式负荷识别方法，首先采集不同家用设备的录波数据，构成原始数据集，并划分为训练数据集、验证数据集、测试数据集；采用分段聚合近似PAA‑S算法对数据进行分段聚合近似，把长序列映射为短序列，使短序列数据与原始长序列数据趋势相似；将短序列数据加入位置编码，保留原始数据的时序特征，再转换为二维图像数据；构建基于迁移学习的ResNet18预训练模型，进行训练并测试模型性能，最终实现对用电器的分类识别。本发明解决了现有技术中存在的单参量用电设备的识别问题、避免长序列数据间的依赖，提高模型的泛化能力和用电设备的监测和分类效率。
📄 2023111077256
📂 G06F18_241
👤 西安理工大学
📅 2023-08-30
本发明公开了一种基于非侵入式配用电信息分解的安全隐患及故障保护方法，对配用电系统运行中的检测信号进行小波奇异值分析，对奇异点发生时刻后所加入负荷信息进行重建，并应用门控循环单元模型辨识负荷投切情况；然后采用非监督聚类方法并根据在运行负荷的设备信息获得区域用户性质，针对不同性质的区域用户主动匹配并推送差异化的用电信息以及潜在安全隐患和故障的类型；在系统中发生安全隐患或故障后，应用门控循环单元模型辨识区域用户的安全隐患或故障的类型，并结合运行设备信息和特征差异确定安全隐患或故障的发生位置。本发明不仅实现了针对区域用户的主动定制服务，而且可以在不入户情况下对安全隐患及故障进行精准排查。
📄 2021111228524
📂 H02J3_00
👤 西安理工大学
📅 2021-09-24
基于时间增强型多维特征可视化的非侵入式负荷监测方法，包括以下步骤：步骤1：提取负荷状态变化前后的电压电流信号，按照时间标签整理V‑I轨迹；步骤2：构建带时间标签的三维时空V‑I轨迹；步骤3：将三维V‑I轨迹编码成带时间戳的彩色图像；步骤4：构建基于迁移学习的识别模型，再将带时间特性的三维彩色V‑I轨迹图像输入到识别模型中进行训练和测试；通过以上步骤实现非侵入式负荷的监测。发明的目的是针对V‑I轨迹相似负荷和多状态负荷识别准确率不高的问题，而提出的一种基于时间增强型多维特征可视化的非侵入式负荷监测方法。
📄 2024108607849
📂 G06V10_82
👤 国网黑龙江省电力有限公司齐齐哈尔供电公司
📅 2024-06-28
本实用新型公开了一种非侵入式能源指纹采集装置，涉及能源指纹采集技术领域，包括依次电连接的多源供电模块、能源指纹采集模块、信号预处理模块、数据处理模块；能源指纹采集模块包括设置在配电网配电变压器进线总进口处的霍尔电压传感器和霍尔电流传感器；多源供电模块包括外部供电子模块和备用储能电池子模块；外部供电子模块包括交流电源接口和直流电源接口；信号预处理模块包括模数转换器和整流滤波电路；整流滤波电路用于对模数转换后的电能数据进行滤波整流；数据处理模块用于对电能数据进行处理并存储。本实用新型保证了供电的持续性和稳定性，能够适应不同的外部电源形式，采集装置安装方便，并且还能对采集环境进行实时安全监测。
📄 2023201506689
📂 G06V40_12
👤 吉林化工学院
📅 2023-02-01
本发明公开了一种基于自适应特征选择的非侵入式家电负荷识别方法，具体按照以下步骤实施：数据预处理，对选取的REDD数据集进行去噪处理；通过改进的广义似然比检验对处理后的数据进行事件检测；对检测到的事件变点，提取多维负荷特征；根据功率进行分段，针对多维特征，用自适应mRmR算法分别提取各区段对应特征；将选择后的特征作为负荷印记，通过改进的K‑means算法建立负荷特征库；以负荷特征库为基础，使用kNN算法对用户内部家电负荷工作状态进行识别。解决了现有技术中存在的易出现误判情况的问题，提高了识别准确率。
📄 2021100190491
📂 G06F16_245
👤 西安理工大学
📅 2021-01-07
本发明公开了一种非侵入式电力负荷识别方法，包括如下步骤：步骤1：对用电器的电流信号或者功率表信号进行采集，得到用电器的电流特征，作为特征库中的样本特征；步骤2：利用经验模态分解法对用电器的电流特征进行分解，得到待分类样本特征；步骤3：采用k‑means聚类法对待分类样本特征进行优化；步骤4：用欧式距离最近匹配原则进行识别。该方法解决了现有技术中当噪声信号，干扰信号存在时电力负荷识别精确度不高的问题。解决了用电器的有功无功功率接近时，辨识效果较差的问题。提高了非侵入式电力负荷分解的准确性与分解效率。
📄 202010243561X
📂 H02J13_00
👤 西安理工大学
📅 2020-03-31
柿子坊 · 知识产权运营
柿子坊知识产权运营平台