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！

龙图腾网获悉国网江西省电力有限公司吉安供电分公司;国家电网有限公司申请的专利一种基于聚类和CNN-BiGRU算法的非侵入式负荷分解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：CN115828126B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202211553335.7，技术领域涉及：G06F18/23213；该发明授权一种基于聚类和CNN-BiGRU算法的非侵入式负荷分解方法是由李江鹏;黄桂林;周源根;刘志刚设计研发完成，并于2022-12-06向国家知识产权局提交的专利申请。

本一种基于聚类和CNN-BiGRU算法的非侵入式负荷分解方法在说明书摘要公布了：一种基于聚类和CNN‑BiGRU算法的非侵入式负荷分解方法，包括以下步骤：数据预处理；数据聚类；将时间序列数据作为输入，独热码作为输出，以搭建CNN‑BiGRU算法模型，并使用状态个数判断模块和零填充模块对CNN‑BiGRU算法模型进行优化，以得到深度学习模型；将时间序列数据和独热码传入深度学习模型进行训练和迭代，并调整深度学习模型的内部参数，以得到训练模型；将当前时刻总功率序列数据传入训练模型中，以获得当前时刻每个设备对应的状态概率分布矩阵，并将状态概率分布矩阵与负荷聚类‑编码表比对，以得到每个设备对应的功率值。通过使用聚类算法将分解任务简化成分类任务，以降低分解难度，再通过利用深度学习模型对负荷进行NILM研究，从而提高分解精度。

本发明授权一种基于聚类和CNN-BiGRU算法的非侵入式负荷分解方法在权利要求书中公布了：1.一种基于聚类和CNN-BiGRU算法的非侵入式负荷分解方法，其特征在于，包括以下步骤： 步骤S11，将归一化处理的原始采集的数据集进行时间窗口切片，以形成时间序列数据； 步骤S12，采用K-means++算法对各设备进行聚类，以得到负荷聚类-编码表，并将负荷聚类-编码表中所得聚类状态功率代替波动功率以生成独热码； 步骤S13，采用CNN-BiGRU算法，将时间序列数据作为输入，独热码作为输出，以搭建CNN-BiGRU算法模型，并使用状态个数判断模块和零填充模块对CNN-BiGRU算法模型进行优化，以得到深度学习模型，所述CNN-BiGRU算法模型为 其中，表示t时刻第i个设备的独热码，n表示设备个数，g·表示CNN-BiGRU算法，xt表示t时刻的总功率序列向量； 所述步骤S13具体包括： 步骤S131，采用CNN网络对时间序列数据进行捕捉以提取不同的特征； 步骤S132，将两个并行的正向和反向标准GRU通道训练网络，以得到各自当前时刻对应的隐藏层状态，并进行融合以得到BiGRU网络当前时刻隐藏层状态； 步骤S133，通过CNN和BiGRU网络提取总负荷特征，得到一个特征矩阵T1，并调整特征矩阵T1的输出尺寸，以转变成概率分布向量，调整方式为 其中，w1、w2表示权重矩阵；b1、b2表示偏置；f1·、f2·表示激活函数； 步骤S134，使用状态个数判断模块和零填充模块优化调整概率参数，以使各设备中不曾具有的状态概率调整为0，优化调整方式为： 其中，kmax表示所有设备中最大的状态个数；kiq表示第i个设备的状态个数；piq表示第i个设备第kiq+1个状态的概率；pmax表示第i个设备第kmax个状态最后一个的概率； 步骤S135，构建各个设备的状态概率分布矩阵yt，并选取概率最大的状态作为该设备的分解状态dt，该分解状态dt即为深度学习模型，选取方式为 dt＝argmaxyt； 其中，argmax·为最大值索引函数； 步骤S14，将时间序列数据和独热码传入深度学习模型进行训练和迭代，并调整深度学习模型的内部参数，以得到训练模型； 步骤S15，将当前时刻总功率序列数据传入训练模型中，以获得当前时刻每个设备对应的状态概率分布矩阵，并将状态概率分布矩阵与负荷聚类-编码表比对，以得到每个设备对应的功率值。

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国网江西省电力有限公司吉安供电分公司;国家电网有限公司，其通讯地址为：343009 江西省吉安市青原区青原大道251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。