一种基于深度CNN-HMM的非侵入式负荷辨识方法（高校公示15天）（不包年费滞纳金）（需要二变）

本发明提出一种基于深度CNN‑HMM的非侵入式负荷辨识方法，包括：采用互信息算法对电力入口处采集的总负荷数据进行特征选择，并采用差分处理的方式强化特征表达能力；根据待辨识负荷的电流有效值确定其运行状态，生成设备的标签数据集；将负荷特征数据与标签数据合成模型的训练数据集；训练深度卷积神经网络(CNN)；根据深度CNN网络得到的初辨识结果训练隐马尔可夫模型(HMM)的参数；得到完整的深度CNN‑HMM模型的结构与参数，实现对电力负荷的辨识。本发明能够有效地提取用电负荷的主要数据特征，弱化无关特征和冗余特征的影响，能够优化CNN算法辨识结果中存在的非连续性问题，实现对工商业用电负荷的高精度辨识。

《一种基于深度CNN-HMM的非侵入式负荷辨识方法（高校公示15天）（不包年费滞纳金）（需要二变）》是一发明专利，专利号为 202110719855X，当前法律状态为已下证，由湖南大学提出申请，发明人为李勇;段晶;张振宇;段义隆;乔学博，申请日期为2021-06-28，公开（公告）日期为2024-02-20，国际专利分类号（IPC）为 H02J 13/00 (2006.01)，高新资质：未报高企。该专利已下发证书，权利稳定，适合直接办理转让过户，是企业申报高企、项目招投标、质押融资的优质标的。赋翼网提供从选品、尽调、合同签订到官方著录项目变更（过户）的一站式专利转让服务，专业顾问全程协助，确保交易合规、安全、高效。专利摘要：本发明提出一种基于深度CNN‑HMM的非侵入式负荷辨识方法，包括：采用互信息算法对电力入口处采集的总负荷数据进行特征选择，并采用差分处理的方式强化特征表达能力；根据待辨识负荷的电流有效值确定其运行状态，生成设备的标签数据集；将负荷特征数据与标签数据合成模型的训练数据集；训练深度卷积神经网络(CNN)；根据深度CNN网络得到的初辨识结果训练隐马尔可夫模型(HMM)的参数；得到完整的深度CNN‑HMM模型的结构与参数，实现对电力负荷的辨识。本发明能够有效地提取用电负荷的主要数据特征，弱化无关特征和冗余特征的影响，能够优化CNN算法辨识结果中存在的非连续性问题，实现对工商业用电负荷的高精度辨识。

海量优质专利即买即用，四大核心优势助您弯道超车：
🏆 拿资质，享红利：高企认定、专精特新必备！轻松获取政府补贴、税收减免，招投标直接加分！
💎 增信誉，融资金：支持实缴注册资金，彰显企业硬实力；支持专利质押贷款，盘活现金流，扩张不缺钱！
🔥 强背书，防抄袭：印上“专利产品”，客户更信赖！构建技术壁垒，把竞争对手挡在门外，稳占市场份额！
🚀 省时间，快变现：告别漫长研发与高风险！优质专利即买即用，让技术立刻变成真金白银的利润！