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！

龙图腾网获悉陕西科技大学申请的专利一种基于VAE-BiLSTM混合神经网络及贝叶斯优化的短期电力负荷预测方法、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：CN119093330B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411076594.4，技术领域涉及：H02J3/00；该发明授权一种基于VAE-BiLSTM混合神经网络及贝叶斯优化的短期电力负荷预测方法、系统、设备及介质是由王晓霞;张修贤;李翔;张龙设计研发完成，并于2024-08-07向国家知识产权局提交的专利申请。

本一种基于VAE-BiLSTM混合神经网络及贝叶斯优化的短期电力负荷预测方法、系统、设备及介质在说明书摘要公布了：一种基于VAE‑BiLSTM混合神经网络及贝叶斯优化的短期电力负荷预测方法、系统、设备及介质，方法：对获取的电力系统相关的负荷数据和影响负荷的特征数据预处理；对处理好的数据利用核主成分分析进行特征降维；使用贝叶斯优化方法对变分自编码器和双向长短期记忆网络的网络结构进行超参数优化；使用具有最佳超参数的变分自编码器对降维后的含数据主成分的数据训练；将训练好的变分自编码器网络结构中的包含数据潜在表示的编码层输入具有最佳超参数的双向长短期记忆网络模型进行负荷预测，得到短期电力负荷预测的结果；对预测结果进行准确度评估；本发明能够在电力负荷预测上充分考虑时间序列相关性和超参数的合理选取，提高电力负荷预测的准确度。

本发明授权一种基于VAE-BiLSTM混合神经网络及贝叶斯优化的短期电力负荷预测方法、系统、设备及介质在权利要求书中公布了：1.一种基于VAE‑BiLSTM混合神经网络及贝叶斯优化的短期电力负荷预测方法，其特征在于，包括以下步骤： 步骤一，对获取的电力系统相关的负荷数据和影响负荷的特征数据进行预处理，所述预处理包括去空缺值、异常值和归一化，得到预处理后的数据集； 步骤二，对步骤一预处理后的数据集利用核主成分分析KPCA进行特征降维，得到降维后的含数据主成分的数据； 步骤三，使用贝叶斯优化方法对变分自编码器VAE和双向长短期记忆网络BiLSTM的网络结构进行超参数优化，得到具有最佳超参数的变分自编码器VAE模型和双向长短期记忆网络BiLSTM模型； 所述步骤三的具体方法为： 对变分自编码器VAE和双向长短期记忆网络BiLSTM的网络结构中的超参数，使用贝叶斯优化算法，得到变分自编码器VAE和双向长短期记忆网络BiLSTM的最佳的超参数组合；定义超参数空间Θ，表示为： Θ＝{θ1,θ2,θ3,…,θn}其中，θi表示包括变分自编码器VAE和双向长短期记忆网络BiLSTM的网络结构的超参数，为超参数建立概率模型，建立使用均方误差的目标函数fθ，表示为： fθ＝MSEvalidationModelθ使用贝叶斯算法，从超参数空间中选择一个点θ进行采样，根据采样点的性能，更新超参数的后验分布，最终得到具有最佳超参数的变分自编码器VAE模型和双向长短期记忆网络BiLSTM模型； 步骤四，使用步骤三得到的具有最佳超参数的变分自编码器VAE对步骤二得到的降维后的含数据主成分的数据进行训练，得到训练好的变分自编码器VAE网络结构中的包含数据潜在表示的编码层； 所述步骤四的具体方法为： 使用具有最佳超参数的变分自编码器VAE对步骤二得到的降维后的含数据主成分的数据进行特征提取和学习数据的潜在分布，变分自编码器VAE包括编码器、重参数化、潜在空间和解码器，在变分自编码器VAE训练过程中，概率分布qz|x表示给定输入数据x时潜在空间中的潜在变量z的分布，其满足于： qz|x＝Nz|μx,σx2其中，μx，σx分别表示潜在变量z的均值和标准差参数，引入重参数化技巧通过反向传播算法优化变分自编码器VAE： z＝μx+σx⊙∈其中，∈是从标准正态分布N0,i中采样的随机噪声；通过使用均方误差MSE衡量变分自编码器VAE的解码器部分重建的输出数据与步骤二得到的降维后含数据主成分的数据之间的差异，并使用KL散度作为正则化项，二者结合组成总损失函数，表示为： 其中，x是原始数据，是变分自编码器VAE结构中解码器网络的输出，即重构的数据，β是一个超参数，用于平衡重建损失和KL散度之间的权重；选择Adam优化器最小化损失函数，将步骤二得到的降维后含数据主成分的数据输入至变分自编码器VAE中进行训练，得到训练好的变分自编码器VAE网络结构中的包含数据潜在表示的编码层； 步骤五，将步骤四得到的训练好的变分自编码器VAE网络结构中的包含数据潜在表示的编码层输入至步骤三得到的具有最佳超参数的双向长短期记忆网络BiLSTM模型进行负荷预测，得到短期电力负荷预测的结果； 所述步骤五的具体方法为： 定义双向长短期记忆网络BiLSTM的网络层：BiLSTM＝LSTMforward+LSTMbackward，其中，LSTMforward是处理正向序列，LSTMbackward是处理反向序列，连接两个方向的信息来合并定义双向长短期记忆网络BiLSTM的输出，选择Adam算法优化并定义损失函数，将编码后的特征输入到训练好的BiLSTM模型中进行预测，预测值可表示为： 其中，g是激活函数，Wy和by是输出层的权重和偏置，BiLSTMht为双向长短期记忆网络BiLSTM的输出，表示为： BiLSTMht＝[LSTMfht；LSTMbht]其中，LSTMf和LSTMb分别是正向和反向长短期记忆网络LSTM在时间步t的隐藏状态； 步骤六，对步骤五得到的短期电力负荷预测的结果进行准确度评估。

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陕西科技大学，其通讯地址为：710021 陕西省西安市未央区大学园区陕西科技大学；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。