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！

龙图腾网获悉天津大学申请的专利一种基于混合监督学习的非侵入式负荷辨识方法和系统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：CN119006955B 。

龙图腾网通过国家知识产权局官网在2026-04-28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：202411100524.8，技术领域涉及：G06V10/774；该发明授权一种基于混合监督学习的非侵入式负荷辨识方法和系统是由刘博;任彦如;栾文鹏;李可可设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种基于混合监督学习的非侵入式负荷辨识方法和系统在说明书摘要公布了：本发明公开一种基于混合监督学习的非侵入式负荷辨识方法和系统，包括：步骤S1、获取电压‑电流轨迹图像数据集；步骤S2、利用电压‑电流轨迹图像数据集的有标签数据和无标签数据，基于不完全监督学习方法进行模型训练，得到初始负荷辨识模型；步骤S3、判断初始负荷辨识模型对有标签数据的预测精度是否满足规定阈值要求；步骤4、利用含噪数据集，采用不准确监督学习方法对初始负荷辨识模型继续训练。采用本发明的技术方案，将弱监督学习应用于NILM领域，通过不完全监督学习和不准确监督学习结合，对无标签数据进行利用，大大减少了标记成本。

本发明授权一种基于混合监督学习的非侵入式负荷辨识方法和系统在权利要求书中公布了：1.一种基于混合监督学习的非侵入式负荷辨识方法，其特征在于，包括： 步骤S1、获取电压-电流轨迹图像数据集； 步骤S2、利用电压-电流轨迹图像数据集的有标签数据和无标签数据，基于不完全监督学习方法进行模型训练，得到初始负荷辨识模型； 所述初始负荷辨识模型使用教师学生网络模型，对于无标签数据，将教师网络的预测结果与学生网络的预测结果之间的期望距离定义为一致性损失，一致性损失的计算方法： ； 结合有监督分类损失和无监督一致性损失，给出了复合损失： ； 步骤S3、判断初始负荷辨识模型对有标签数据的预测精度是否满足规定阈值要求；若满足，则将初始负荷辨识模型对无标签数据的预测标签信息引入训练数据集，原始无标签数据转变为有标签数据，与原始有标签数据结合，将更新后的数据集称为含噪数据集，利用含噪数据集进行步骤S4；若不满足，则返回步骤S1，更新电压-电流轨迹图像数据集，并重新进行基于不完全监督学习的初始模型训练； 步骤S4、利用含噪数据集，采用不准确监督学习方法对初始负荷辨识模型继续训练； 基于元学习进行含噪训练，对于每个小批次的训练数据，生成M组合成标签，对于每组合成标签，首先使用一个梯度更新来更新网络参数，并强制更新后的网络与不受合成标签影响的教师模型进行一致的预测，所提出的元学习更新包括两个过程：元训练和元测试； 利用基于元学习的含噪训练方法进行初始训练迭代后，获得本次迭代的负荷辨识模型；将该模型命名为导师模型，并使用表示其参数；在第二次训练迭代中，重复第一次迭代过程，并引入两点变化：1将导师模型的预测结果同含噪数据集中数据样本标签进行比较，如果两者不一致，则计算分类损失时不再考虑该样本；2通过合并导师模型和教师模型的预测来产生更可靠的预测，从而提高一致性损失的有效性； 其中，，λ是控制教师模型和导师模型重要性的权重，随着训练的进行，它从0上升到0.5； 每次迭代结束后得到元学习负荷辨识模型，元学习负荷辨识模型对有标签数据的预测精度相较于上一轮迭代有所提升，则继续迭代，直至达到迭代次数阈值；否则跳出迭代，以上一次迭代得到的元学习负荷辨识模型为最终的负荷辨识模型； 步骤S1中，对总功率数据进行负荷状态转换事件检测，根据事件前后端电压和总电流的变化提取出对应电器设备的电压、电流数据，对电压、电流数据进行预处理得到电压-电流轨迹图像； 步骤S4中，基于元学习的含噪训练方法，在没有人类监督的情况下，采用不准确监督学习方法从含噪声标签数据样本的训练数据集中学习。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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。