[发明专利]负荷识别方法、装置和终端在审

专利信息
申请号: 202010385580.6 申请日: 2020-05-09
公开(公告)号: CN111563684A 公开(公告)日: 2020-08-21
发明(设计)人: 孙立明;余涛 申请(专利权)人: 广州水沐青华科技有限公司
主分类号: G06Q10/06 分类号: G06Q10/06;G06N3/00;G06N3/04;G06N3/06;G06N3/08;G06Q50/06
代理公司: 广州华进联合专利商标代理有限公司 44224 代理人: 周玲
地址: 510000 广东省广州市中*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 负荷 识别 方法 装置 终端
【权利要求书】:

1.一种负荷识别方法,其特征在于,包括步骤:

建立初始神经网络模型,并获取所述初始神经网络模型中的待优化参数;

根据粒子群寻优算法,获取所述待优化参数的初始解以及所述初始解的适应度值;

对所述初始解进行迭代更新处理,得到迭代解并获取所述迭代解的适应度值;

若所述迭代解的适应度值小于所述初始解的适应度值,则将所述初始解替换为所述迭代解;若所述迭代解的适应度值大于所述初始解的适应度值,则根据接受概率将所述初始解替换为所述迭代解;

进行下一次迭代直至所述迭代次数达到预设值,并将所述待优化参数的当前全局最优解确认为所述初始神经网络模型的初始化参数;

对所述初始化参数进行调整,得到当前神经网络模型;

采用所述当前神经网络模型对投入负荷进行识别,得到各所述投入负荷的类别。

2.根据权利要求1所述的负荷识别方法,其特征在于,根据粒子群寻优算法,获取所述待优化参数的初始解以及所述初始解的适应度值的步骤包括:

初始化各粒子的位置和速度;将各所述粒子的位置作为所述待优化参数的初始解;

根据神经网络模型中的前向传播模型,得到适应度函数;

采用所述适应度函数对所述初始解进行处理,得到所述初始解的适应度值。

3.根据权利要求2所述的负荷识别方法,其特征在于,对所述初始解进行迭代更新处理,得到迭代解的步骤包括:

根据所述初始解的适应度值,得到粒子的个体极值和群体极值;

获取所述初始神经网络模型的输入层的神经元个数、隐藏层的神经元个数以及输出层的神经元个数,并根据所述输入层的神经元个数、所述隐藏层的神经元个数和所述输出层的神经元个数,得到粒子的维度;

根据所述维度、所述个体极值和所述群体极值,对所述初始解进行迭代更新处理得到迭代解。

4.根据权利要求3所述的负荷识别方法,其特征在于,根据所述维度、所述个体极值和所述群体极值,对所述初始解进行迭代更新处理得到迭代解的步骤中,基于以下公式得到所述迭代解:

V(j,:)'=V(j,:)+c1*rand*(gbest(j,:)-P(j,:))+c2*rand*(zbest-P(j,:));

V(j,find(V(j,:)>Vmax))=Vmax

V(j,find(V(j,:)<Vmin))=Vmin

其中,V(j,:)为第j个粒子各维度的速度,V(j,:)'为第j个粒子的各维度的迭代速度;rand为(0,1)的随机数,c1和c2为加速度因子,Vmax和Vmin分别为粒子速度的最大值和最小值,gbest为粒子的极值,zbest为粒子群的极值;

P(j,:)'=P(j,:)+c*V(j,:);

P(j,find(P(j,:)<Pmin))=Pmin

P(j,find(P(j,:)>Pmax))=Pmax

其中,P(j,:)'为第j个粒子各维度的迭代位置,也即所述迭代解;P(j,:)为第j个粒子各维度的位置;c为学习因子;Pmax和Pmin分别为粒子位置的最大值和最小值。

5.根据权利3所述的负荷识别方法,其特征在于,根据所述输入层的神经元个数、所述隐藏层的神经元个数和所述输出层的神经元个数,得到粒子的维度的步骤中,基于以下公式得到所述维度:

dim=inputs*hidden+hidden+hidden*outputs+outputs

其中,dim为维度;inputs为输入层的神经元个数,hidden为隐藏层的神经元个数,outputs为输出层的神经元个数。

6.根据权利1所述的负荷识别方法,其特征在于,所述接受概率为根据Metropolis准则得到。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广州水沐青华科技有限公司,未经广州水沐青华科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010385580.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code