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！

龙图腾网获悉南京邮电大学申请的专利一种基于用户时间特性和多特征GEP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：CN116502106B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202310440028.6，技术领域涉及：G06F18/2321；该发明授权一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法是由邓松;张中旭;付雄;岳东设计研发完成，并于2023-04-23向国家知识产权局提交的专利申请。

本一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法在说明书摘要公布了：本发明提出一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法，利用基于密度的DBSCAN算法，结合时间分段设计功率和电流特征参数,以功率和电流谐波作为为负荷特征。对用户每日时间进行分段，计算不同时间段用户负荷使用概率。采用多特征GEP算法对最优函数进行了改进，结合时间分段概率特性，以达到准确地分解和识别各种电气设备的状态。与侵入式对比，非侵入式只在在用户入口处的总采集端设置监控设备，并对其进行测量分析，得出了各种负载在系统中的组成及状态。从面向用户的角度来看，非侵入式负荷分解的结果不仅可以提示用户哪些设置可能存于异常故障，还帮助用户根据用电状况详细的了解，有效地节约能源。

本发明授权一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法在权利要求书中公布了：1.一种基于用户时间特性和多特征GEP的非侵入式负荷分解方法，其特征在于，该方法包括如下步骤： 步骤1：采集样本设备的功率、电流数据，进行数据处理； 步骤2：根据能够去除噪声点的基于密度的DBSCAN聚类算法对功率进行聚类分析，计算每个类的平均值，确定功率稳态数据的特征参数； 步骤3：对电流数据进行快速傅里叶变换处理，计算得到电流的各次谐波值，确定电流稳态数据的特征参数，对采样得到的功率、电流数据及特征参数进行归一化处理； 步骤4：根据用户不同时段的设备使用的频率，对各个电器进行聚类分析，把一天24小时划分为几个时间段，分别对各个时间段内，用户对电器的使用频率进行概率统计，制作电器概率特征表； 步骤5：设置GEP的种群规模，遗传代数，选择方式采用轮盘赌法，交叉方式采用单点交叉，变异方式采用均匀变异； 步骤6：用二进制方式对电器负荷的运行状态进行编码，0表示电器处于关闭状态，1表示电器处于运行状态，系统中电器负荷个数m等于个体的长度，每个基因位置由节点编码方式进行确定； 步骤7：根据上述编码方式，随机产生m个个体构成初始种群{x1,x2,x3,…,xm}，每个个体为m维0-1向量,对于任意时刻采样到的总有功功率为P、总无功功率为Q，m个电器运行时的有功、无功率特征分别表示为、，则种群个体i对应着一个拟合总有功功率，拟合总无功功率； 步骤8：由电流叠加性和功率叠加性进行构建遗传算法的适应度函数； 步骤9：计算适应度，满足适应度值，则结束得到最优个体，结合电器概率特征表，对GEP算法得到的电器分解进行二次选择确认，进入步骤12，否则进入步骤10； 步骤10：通过选择、复制、变异、基因重组计算每一代种群个体中的目标函数值，得到最新种群，并保留上一代的最优个体增加对最优个体的识别速度，简化迭代收敛的过程，进入步骤11； 步骤11：判断是否满足当前迭代次数，满足迭代次数，则将最后收敛得到的最优个体与电器概率特征表相结合，对GEP算法得到的电器分解进行二次选择确认，进入步骤12；否则重新返回步骤9； 步骤12：若产生的最优个体为多个，选取电器在当前时间分段中，使用概率最高的电器作为唯一的最优个体；若产生的最优个体只有一个，则与电器概率特征表互相修正，即若概率特征表中无此电器，则在概率特征表中加入该电器；当唯一的电器最优个体确定后，输出得到最优工作状态序列，完成负荷分解； 步骤8中的适应度函数如下： ； 其中，，分别为电器运行时第i个电器的有功功率特征和无功功率特征；为第i个电器运行时的电流特征；表示种群中的第i个个体，；为电器数量；电器运行时的总有功功率值；为电器运行时的总无功功率值；为电器运行时的总电流谐波值，为权重因子，∈[0,1]。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。