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！

龙图腾网获悉朗坤智慧科技股份有限公司申请的专利基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质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：CN119401452B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202510013998.7，技术领域涉及：H02J3/00；该发明授权基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质是由魏小庆;袁存发;康建辉;陈志凯;欧阳永子设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质在说明书摘要公布了：本发明公开了基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质，涉及电力系统负荷预测技术领域，包括获取电力负荷预测数据集进行预处理；基于多层感知机、图卷积网络、门控循环单元网络分别对静态数据、图数据和时序数据进行输入特征处理，基于特征拼接的方法对处理后特征进行融合得到全面特征信息；基于全连接神经网络构建以综合特征为输入，将训练集数据输入模型并根据模型效果进行迭代优化调整模型参数和超参数；基于参数优化调整模型，使用评估的最优模型对未来时间段的电力负荷进行预测。本发明所述方法在精度和稳定性上均优于传统方法，能够更好地适应复杂多变的负荷预测场景，具有广阔的应用前景和显著的实际价值。

本发明授权基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质在权利要求书中公布了：1.基于多源异构数据特征融合的电力负荷预测方法，其特征在于，包括： 获取电力负荷预测数据集进行预处理，预处理完成后对整个数据集进行划分； 基于多层感知机、图卷积网络、门控循环单元网络分别对静态数据、图数据和时序数据进行输入特征处理，基于特征拼接的方法对处理后特征进行融合得到全面特征信息； 基于全连接神经网络构建以综合特征为输入的预测模型并定义损失函数和优化算法，将训练集数据输入模型并根据模型效果进行迭代优化调整模型参数和超参数； 基于测试集对模型预测精度进行评估，基于参数优化调整模型，使用评估的最优模型对未来时间段的电力负荷进行预测； 进一步的，使用评估的最优模型对未来时间段的电力负荷进行预测包括，对预测值进行反馈调整的优化目标为最大化采集函数公式表示为： 通过最大化采集函数，贝叶斯优化方法逐步接近全局最优超参数组合模型超参数的调整；设定一个验证集和测试集损失差异的判断阈值∈，∈＝0.05，用于判断是否存在过拟合现象： |Lvalid-Ltest|∈ 若验证集损失较高，则增加隐藏层节点数；若验证集损失较低但测试集损失较高，则减少隐藏层节点数； 若出现欠拟合情况，增加隐藏层节点数，以提高模型的表达能力； 可使用增量比例法或固定增量法调整，增量比例法公式表示为： 固定增量法： 减量比例法公式表示为： 固定减量法公式表示为： 定义损失函数和优化算法包括，计算预测值和真实负荷值之间的MSE损失；在每次接收到新样本{xt,yt}后，模型进行前向传播得到预测值并计算损失函数Lt，损失函数是均方误差MSE；假设预测值为目标值为yt，损失函数Lt定义为： 计算损失相对于输出的梯度，反向传播首先从输出层开始计算梯度；假设神经网络的输出层是一个单一的预测值，损失函数的梯度相对于输出公式表示为： 根据链式法则，接下来计算每一层网络参数的梯度；设网络包含多个隐含层，通过链式法则计算每一层的梯度；假设zl是第l层的加权输入，al是第l层的激活值，权重为Wl，偏置为bl，激活函数为σ； 输出层的梯度公式表示为： 其中，σ′zL表示激活函数的导数； 隐藏层的梯度，对于每一层l从最后一层L向前计算： δl＝Wl+1Tδl+1·σ′zl 其中，δl表示第l层的误差项，Wl+1表示第l+1层的权重矩阵反向传播和优化，通过反向传播计算梯度，并使用优化器更新模型参数； 计算每层权重和偏置的梯度，有了误差项δl,可以计算每一层的权重和偏置的梯度，权重的梯度公式表示为： 计算预测值和真实负荷值之间的MSE损失；通过反向传播进行模型优化，通过反向传播计算梯度，并使用优化器更新模型参数；计算损失对模型参数θ的梯度令 梯度的均值公式表示为： mt＝β1mt-1+1-β1gt 梯度平方的均值公式表示为： 偏差修正公式表示为： 参数更新公式表示为： 其中，gt表示当前梯度，α表示学习率，β1和β2表示衰减率，∈表示一个微小值，mt表示梯度移动平均值，mt-1表示前一个时间步的梯度均值，vt表示梯度平方的均值，表示偏差修正后的一阶矩估计，表示偏差修正后的二阶矩估计，vt-1表示前一个时间步的二阶矩估计； 基于参数优化调整模型包括，根据预测结果与系统实际输出情况进行误差优化和超参数调整，通过误差反馈，系统动态优化预测模型，保持良好的预测精度；若误差∈t小于预设的阈值∈th，表示模型准确，继续执行当前规则；若误差∈t增大且小于阈值∈th，无需调整参数，重新进行预测，继续正常运行； 若误差∈t较大，且大于阈值∈th，说明模型预测不准确，可能存在欠拟合或过拟合；通过在线优化调整学习率、批量大小超参数，使用动态学习率调整模型。

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朗坤智慧科技股份有限公司，其通讯地址为：210005 江苏省南京市鼓楼区汉中路2号亚太商务楼31层；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”。