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！

龙图腾网获悉广西大学申请的专利一种多组移动图谱快速裁剪网络的多标签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：CN116644187B 。

龙图腾网通过国家知识产权局官网在2025-12-19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：202310385844.1，技术领域涉及：G06F16/36；该发明授权一种多组移动图谱快速裁剪网络的多标签负荷识别方法是由殷林飞;贺晓宇设计研发完成，并于2023-04-12向国家知识产权局提交的专利申请。

本一种多组移动图谱快速裁剪网络的多标签负荷识别方法在说明书摘要公布了：本发明提出一种多组移动图谱快速裁剪网络的多标签负荷识别方法，该多标签负荷识别方法包括：首先，获得待测用户的负荷信息，即一整天不同时刻的负荷量；其次，绘制用户的负荷曲线图谱，再对图谱进行多组移动快速裁剪并进行卷积操作；建立训练集，训练Nasnet‑deep网络；经过Nasnet‑deep网络输出用户负荷状态预测值；设定阈值并与负荷状态预测值进行比较后输出负荷的运行状态，从而实现多标签的识别功能；所提多组移动图谱快速裁剪网络的方法能解决用户侧负荷监管效率不高的问题，实现负荷类型识别功能，优化了用户侧监管体系，提高电能需求双向互动的效率。

本发明授权一种多组移动图谱快速裁剪网络的多标签负荷识别方法在权利要求书中公布了：1.一种多组移动图谱快速裁剪网络的多标签负荷识别方法，其特征在于，将知识图谱与神经网络预测相结合，用于多标签负荷识别；在使用过程中的步骤为： 步骤1：获得待测用户的负荷信息，即一整天不同时刻的负荷量； 获得用户的负荷信息S，该负荷信息S由一整天不同时刻的用电量组成； S＝[S1,S2,S3,…,St,…,S1440]t＝1,2,3,…,1440；1 其中，S1为第1个时刻用户的用电量，S2为第2个时刻用户的用电量，S3为第3个时刻用户的用电量，St为第t个时刻用户的用电量，S1440为第1440个时刻用户的用电量； 为表征用户的负荷运行状态，引入第i类负荷的启停状态量Qi： 其中，i＝1,2,3,4,5,6,7,8,9,10,11,12,13,14,15； 引入用户的负荷状态向量，负荷状态向量Q由15个表征不同类型负荷运行状态的启停状态量Qi组成： Q＝[Q1,Q2,Q3,…,Qi,…,Q15]3 其中，i＝1,2,3,4,5,6,7,8,9,10,11,12,13,14,15，Q1为第一种负荷类型的启停状态量，Q2为第二种负荷类型的启停状态量，Q3为第三种负荷类型的启停状态量，Qi为第i种负荷类型的启停状态量，Q15为第15种负荷类型的启停状态量； 步骤2：绘制用户的负荷曲线图谱，再对图谱进行多组移动快速裁剪并进行卷积操作: 以时刻t为横坐标，负荷量St为纵坐标，将负荷信息S生成负荷曲线图谱G，像素大小为1300×409；将负荷曲线图谱G向八个方向进行移动得到八个相同的图谱G1,G2,G3,G4,G5,G6,G7和G8： 其中，G1为G向左上方向移动得到的图谱，G2为G向正上方向移动得到的图谱，G3为G向右上方向移动得到的图谱，G4为G向正左方向移动得到的图谱，G5为G向正右方向移动得到的图谱，G6为G向左下方向移动得到的图谱，G7为G向正下方向移动得到的图谱，G8为G向右下方向移动得到的图谱； 将负荷曲线图谱G以及图谱G1,G2,G3,G4,G5,G6,G7和G8排列拼接形成新的图谱G′，G′的像素大小为3900×1227： 利用卷积核对所述图谱G′进行卷积处理，卷积核为： 将卷积核在图谱G′上从左至右、从上至下进行移动覆盖，卷积结果为卷积核在图谱G′所覆盖的区域上的像素点的平均值；图片G′上所有像素点都经过卷积核的覆盖后，得到卷积后的图谱G″； 将卷积后的图谱中像素点全为零或像素点全为255的行和列进行裁剪剔除，裁剪剔除处理后的图片GS只包含有价值的负荷曲线信息而去除无意义的空白信息； 步骤3：建立训练集，训练Nasnet-deep网络： 随机收集N个用户的负荷信息S，并根据负荷使用情况计算这N个用户的负荷状态向量，进而建立训练集；训练集由N张负荷信息S经过步骤2所得到的图片GS以及N个用户的负荷状态向量构成；图谱GS作为Nasnet-deep网络的输入，第i类负荷的启停状态量Qi作为Nasnet-deep网络的输出，训练第i个Nasnet-deep网络模型，用于预测第i类负荷的启停状态量； 步骤4：经过Nasnet-deep网络输出用户负荷状态预测值表征第i类负荷的启停状态： Nasnet-deep网络模型由Nasnet层、三层全连接层和一层回归层构成：Nasnet层由5个Cell堆叠而成；一个Cell由5个block组成；第j-1个特征图hj-1和第j个特征图hj分别作为第j个Cell中hiddenlayerA和hiddenlayerB的输入，j＝1,2,3,4,5；之后，再分别对hiddenlayerA和hiddenlayerB的特征图谱进行一次3×3卷积和5×5最大池化运算，再将两种运算得到的结果以求和方式进行融合；最后，5个block生成的所有特征图以拼接方式形成完整的特征图；Nasnet层最终的输出特征图谱为GN；Nasnet层的输出特征图谱GN经过三层全连接层，最终由回归层输出第i类负荷的启停状态预测值 步骤5：设定阈值并与负荷状态预测值进行比较后输出负荷的运行状态： 根据步骤3所收集的N个用户的负荷状态向量计算第i类负荷的启停状态阈值 其中，Qi,n为第n个用户的第i种负荷的启停状态量，n＝1,2,3,…,N； 将第i类负荷的启停状态预测值与启停状态阈值进行比较判断，当大于等于启停状态阈值则表明“第i类负荷处于启动状态”，当小于启停状态阈值则表明“第i类负荷处于停止状态”；最终，输出15种负荷类型的运行状态。

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广西大学，其通讯地址为：530004 广西壮族自治区南宁市西乡塘区大学东路100号广西大学；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。