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！

龙图腾网获悉山东建筑大学申请的专利一种基于改进VI轨迹的卷积神经网络的负荷识别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：CN119669941B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411853861.4，技术领域涉及：G06F18/2431；该发明授权一种基于改进VI轨迹的卷积神经网络的负荷识别方法是由石嘉川;刘浩;丁琳琳;周鉴宇;亓祥明;郅丁瑞设计研发完成，并于2024-12-16向国家知识产权局提交的专利申请。

本一种基于改进VI轨迹的卷积神经网络的负荷识别方法在说明书摘要公布了：一种基于改进VI轨迹的卷积神经网络负荷识别方法，涉及电力负荷识别技术领域。本发明在获得独立负荷电流波形的基础上，结合电压波形，将传统的单周期VI轨迹改进为绘制多周期VI轨迹，同时引入瞬时功率、电流变化率与多周期电流有效值的平均值特征，实现对VI轨迹和其背景的双重颜色编码改进，以提升VI轨迹所包含的负荷特征表征能力。将改进后的VI轨迹作为CNN中的VGGNet网络框架的输入，实现负荷识别。针对VGGNet网络超参数对识别精度的影响，在网络训练过程中选用粒子群优化PSO算法对超参数进行寻优，以提升模型的负荷识别准确性。

本发明授权一种基于改进VI轨迹的卷积神经网络的负荷识别方法在权利要求书中公布了：1.一种基于改进VI轨迹的卷积神经网络的负荷识别方法，其特征在于，包括以下步骤： S1、改进VI轨迹 S1.1、选取连续25个周期的瞬时电压电流信号绘制VI轨迹； S1.2、对VI轨迹进行颜色编码：用红色表示多周期VI轨迹，即R通道；用绿色表示VI轨迹相邻采集点之间直线段的斜率，即G通道；用蓝色表示瞬时功率值，即B通道，从而生成带颜色编码的VI轨迹图像； S1.3、根据电压和电流值的范围，设计颜色映射，可以使用渐变色来表示电压或电流的变化； S2、构建基于PSO-CNN的负荷识别模型 S2.1基于CNN的负荷识别模型 选择CNN的典型网络模型-VGGNet网络作为负荷识别模型，VGGNet网络包含16层卷积层、5层池化层和3层全连接层，采用ReLU函数作为卷积神经网络的激活函数；VI轨迹特征图送入输入层，即第一层卷积层，卷积层提取局部特征并送入池化层进行特征的压缩，由全连接层对特征进行整合，最后一层全连接层的单元数根据负荷种类的个数进行设定，并输出对应的负荷类别； S2.2粒子群优化PSO过程： S2.2.1、对于VGG网络，选择提高验证集准确率的优化目标； S2.2.2、选择卷积核的数量、步长、池化核的大小和步长为待优化的参数； S2.2.3、初始化粒子群，对于每个粒子即超参数组合，计算其适应度；根据适应度更新粒子的位置和速度，通过以下公式更新每个粒子的位置和速度： vi+1＝vi+c1r2pbesti-xi+c2r2gbesti-xi1 xi+1＝xi+vi2 其中，i＝1,2,…,N，N是此群中粒子的总数；vi+1是粒子更新后的速度；vi是粒子当前的速度；vi的最大值为vmax＞0，如果vi＞vmax，则vi＝vmax；r1，r2是介于0，1之间的随机数；xi为粒子的当前位置；xi+1为粒子更新后的位置；c1和c2是学习因子，通常c1＝c2＝2；pbesti是粒子i的最佳已知位置；gbesti是全局最佳位置； 对于每个粒子位置xi+1，对应于一个具体的超参数组合，使用该组合训练VGG网络，并根据评估指标更新粒子的pbest，同时更新全局最佳位置gbesti； S2.3、粒子群优化CNN超参数： 首先确定适应度函数与目标函数，在每个迭代周期内，选取一个粒子，利用适应度函数对其进行详细评估和优化；每次迭代所识别的具有最大潜力的评估点加入到历史数据集中，此过程持续进行，直至满足预设的终止条件；将待优化参数集X、目标函数f、适应度函数S作为粒子群优化算法的输入，输出最优VGGNet网络模型参数。

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山东建筑大学，其通讯地址为：250101 山东省济南市历城区临港开发区凤鸣路1000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。