“农贵山”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]多工业行业非侵入式设备负荷监测方法-CN202310501799.1在审
发明人：林琳;柳江;马雪丽;农贵山;张振伟;臧义超;李士林;许津豪;张云山 -专利权人：吉林化工学院
申请日： 2023-05-06 - 公布日： 2023-08-11 - 主分类号： G06F18/241 文献下载
摘要：本发明公开了多工业行业非侵入式设备负荷监测方法，分别从空间和时间角度提取工业设备的特征信息，融合了高效通道注意力的ConvNeXt Block具有较强的特征提取能力，从混杂工业负荷信息中提取到设备状态变化和运行时产生的空间特征。同时，使用双向门控循环网络学习负荷数据的双向依赖关系，获取时间特征。引入多尺度特征提取模块对不同尺度的时间和空间特征信息进行处理与提取，并将提取到的多尺度时空特征充分融合。最后，采用了随机权重平均方法，在训练过程中通过对一定数量的设备状态识别模型的权重随机平均，进而得到多个模型的权重信息，在不增加训练代价的情况下提高了模型的泛化能力和识别精度。
工业行业侵入设备负荷监测方法

[发明专利]非平衡工业负荷辨识方法-CN202310523729.6在审
发明人：林琳;马雪丽;柳江;农贵山;张振伟;臧义超;许津豪;李士林;张云山 -专利权人：吉林化工学院
申请日： 2023-05-10 - 公布日： 2023-08-08 - 主分类号： G06F18/241 文献下载
摘要：本发明公开了非平衡工业负荷辨识方法，具体按照以下步骤实施：工业负荷数据及其对应的开关状态原始样本，从TMLD数据集中选取多个原始样本，对每个原始样本划分多个区间，对每个区间提取含8种熵特征的27种时域特征，构建原始特征集合；基于预测值变化量方式计算原始特征集合中特征重要度并排序，以CatBoost分类准确率为决策变量，通过前向特征选择确定原始样本对应设备的最优分类特征子集；采用Borderline‑SMOTE方法合成样本数据进行平衡化处理，得到平衡开关样本数据；构建贝叶斯超频带超参数优化的CatBoost分类器对工业负荷进行辨识；本发明非平衡工业负荷辨识方法能够提高非平衡工业负荷的辨识精度。
平衡工业负荷辨识方法

[实用新型]一种非侵入式能源指纹采集装置-CN202320150668.9有效
发明人：林琳;陈诚;张杰;史建成;张振伟;柳江;臧义超;农贵山;马雪丽;李士林;张云山;许津豪 -专利权人：吉林化工学院
申请日： 2023-02-01 - 公布日： 2023-05-12 - 主分类号： G06V40/12 文献下载
摘要：本实用新型公开了一种非侵入式能源指纹采集装置，涉及能源指纹采集技术领域，包括依次电连接的多源供电模块、能源指纹采集模块、信号预处理模块、数据处理模块；能源指纹采集模块包括设置在配电网配电变压器进线总进口处的霍尔电压传感器和霍尔电流传感器；多源供电模块包括外部供电子模块和备用储能电池子模块；外部供电子模块包括交流电源接口和直流电源接口；信号预处理模块包括模数转换器和整流滤波电路；整流滤波电路用于对模数转换后的电能数据进行滤波整流；数据处理模块用于对电能数据进行处理并存储。本实用新型保证了供电的持续性和稳定性，能够适应不同的外部电源形式，采集装置安装方便，并且还能对采集环境进行实时安全监测。
一种侵入能源指纹采集装置

[发明专利]可迁移的居民家庭用电负荷场景预测方法-CN202210169208.0有效
发明人：林琳;陈诚;王升;张杰;史建成;马雪丽;柳江;农贵山;张振伟;臧义超 -专利权人：吉林化工学院
申请日： 2022-02-23 - 公布日： 2022-11-29 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种可迁移的居民家庭用电负荷场景预测方法，首先，为充分利用源域数据，通过引入灰色关联分析，根据源域与目标域的关联指标选择不同的源域家庭组成多源域家庭。然后采用模型迁移的方法，利用组成的多源域家庭，构建预训练模型。最后将预训练模型除最后一个单步流的其他单步流结构网络层参数冻结，并应用于目标域模型中，对最后一个单步流网络结构微调训练，构建小样本下的日前用电负荷预测模型。该方法有效解决小样本下的居民用电负荷预测效果不佳的问题，提高了模型的预测精度，同时也能减少模型的训练时间。
迁移居民家庭用电负荷场景预测方法

[发明专利]可迁移的电力指纹深度辨识方法-CN202210168611.1在审
发明人：林琳;张杰;王升;史建成;陈诚;马雪丽;柳江;农贵山;张振伟;臧义超 -专利权人：吉林化工学院
申请日： 2022-02-23 - 公布日： 2022-04-19 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种可迁移的电力指纹深度辨识方法，采集已知类型电器设备的电压、电流，将电压、电流结合双线性插值技术获取电器设备的连续V‑I灰度图像；将连续V‑I灰度图像进行颜色编码，获取电流‑功率‑相位的彩色V‑I轨迹图像；构建ResNet34神经网络，利用ImageNet数据集对ResNet34神经网络进行预训练，通过替换最后一层全连接层进行模型迁移，将预训练的ResNet34网络结构和参数迁移到新的用户电力指纹辨识模型中，采用彩色V‑I轨迹图像对电器设备辨识任务中ResNet34神经网络进行训练；利用得到的ResNet34神经网络对待预测彩色V‑I轨迹图像进行电力指纹辨识；提高模型的辨识精度。
迁移电力指纹深度辨识方法