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！

龙图腾网获悉华北电力大学申请的专利一种基于卷积神经网络的可解释性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：CN114841235B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202210310369.7，技术领域涉及：G06Q50/06；该发明授权一种基于卷积神经网络的可解释性的负荷识别方法是由王红;苏盈;齐林海设计研发完成，并于2022-03-28向国家知识产权局提交的专利申请。

本一种基于卷积神经网络的可解释性的负荷识别方法在说明书摘要公布了：一种基于卷积神经网络的可解释性的负荷识别方法，属于负荷识别领域。该方法利用卷积神经网络Convolutionalneuralnetworks，CNN进行特征提取，从而实现用电负荷模式的分类识别。由于CNN的“黑箱”操作，提出了两种可解释性方法，一种是利用表征可视化技术将卷积层中的卷积层和池化层进行可视化表示，可以提取到图像中的底层和高层特征，通过底层和高层负荷特征来判断负荷类型，从而对模型内部进行可解释性，另一种是将负荷图片利用反卷积神经网络对图片进行复现并进行各层的展示，使大家更为信服，从而增强模型的可解释性。本发明完全基于数据驱动，克服了配电网复杂环境下，基于深度模型在算法效率和准确性、可解释性多方面的局限性。使用该方法避免了传统机器学习识别精度不够的问题，设计模型的可解释性，并改善深度学习模型的“黑盒”特点，提高了识别精度并对模型进行了可解释性研究。

本发明授权一种基于卷积神经网络的可解释性的负荷识别方法在权利要求书中公布了：1.一种基于卷积神经网络的可解释性的负荷识别方法，其特征在于，采用深度学习中的卷积神经网络，通过卷积中的卷积层和池化层进行特征提取训练，得到底层特征和高层特征，从而实现负荷分类识别；由于卷积神经网络“黑盒”的局限性，使用了两种事后可解释性方法，一种是采用表征可视化技术将卷积神经网络中的卷积层和池化层提取到的特征进行可视化，可以看到提取的负荷特征，从而理解分类依据并完成可解释性；另一种是针对上述卷积神经网络模型提出反卷积神经网络，实现图像复现，通过复现的图片可以证明模型的可解释性； 步骤1：负荷数据进行照影，输入负荷数据，对负荷数据进行预处理确保所有串行数据按时间排序并保持在正确的位置，将基本参数存储到加载照片的第一行，规范化加载数据，将标准化负载数据转化成HSV颜色值，将HSV颜色值转化成RGB像素值，将时间顺序排列由RGB创建像素，从而形成负荷照影； 步骤2：对负荷数据进行分类，步骤1中的负荷照影包含16类，每一类包括936张图片，利用含有两层卷积层和一层池化层的二维卷积神经网络提取特征，并在每一层进BatchNormalization归一化操作，中间层采用ReLU激活，最后使用三个全连接层和softmax函数输出分类结果； 步骤3：表征可视化，步骤1训练模型进行保存，利用表征可视化技术将步骤1生成的模型中的卷积层和池化层进行可视化，学习得到数据的潜在特征； 步骤4：复现负荷照影，利用步骤1训练模型的过程，利用含有一层反池化层和两层反卷积层的二维反卷积神经网络还原负荷照影，并在每一层进BatchNormalization归一化操作，中间层采用ReLU激活，最后输出反池化层和反卷积层还原的图片和最后复现的负荷照影。

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华北电力大学，其通讯地址为：102206 北京市昌平区北农路2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。