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！

龙图腾网获悉清科优能(深圳)技术有限公司申请的专利电力负荷预测方法、装置、设备及存储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：CN114492641B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202210100763.8，技术领域涉及：G06F18/20；该发明授权电力负荷预测方法、装置、设备及存储介质是由周少雄;沈国安;汪大明设计研发完成，并于2022-01-27向国家知识产权局提交的专利申请。

本电力负荷预测方法、装置、设备及存储介质在说明书摘要公布了：本申请实施例属于人工智能领域，涉及一种电力负荷预测方法、装置、设备及存储介质，方法包括：获取历史数据的训练数据集；历史数据包括历史环境数据和历史电力负荷数据，训练数据集包括至少一个训练自变量和每个训练自变量对应的训练响应变量；为预设神经网络模型构造正则化损失函数；根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型；获取预测自变量，并将预测自变量输入电力负荷预测模型，得到预测自变量对应的电力负荷。该方法能够提高电力负荷的预测精度。

本发明授权电力负荷预测方法、装置、设备及存储介质在权利要求书中公布了：1.一种电力负荷预测方法，其特征在于，包括下述步骤： 获取历史数据的训练数据集；所述历史数据包括历史环境数据和历史电力负荷数据，所述训练数据集包括至少一个训练自变量和每个所述训练自变量对应的训练响应变量； 为预设神经网络模型构造正则化损失函数； 根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型；所述N次电力负荷预测训练中的第i次的步骤包括：将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，基于所述目标训练自变量对应的响应变量和所述预测响应变量之间的信息损失，对所述第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整所述第i-1次训练得到的神经网络模型的参数；所述目标训练自变量为所述训练数据集中任一自变量；所述信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值； 获取预测自变量，并将所述预测自变量输入所述电力负荷预测模型，得到所述预测自变量对应的电力负荷；其中，所述预测自变量包括当前环境数据和当前电力负荷数据； 其中，所述预设神经网络模型包括编码器、注意力模块以及译码器，所述将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，包括： 通过所述编码器对所述目标训练自变量进行编码，得到编码向量； 通过所述注意力模块获取所述编码器中每个隐藏单元的隐藏状态和得分，并根据所述每个隐藏单元的隐藏状态和得分计算所述目标训练自变量的电力负荷向量； 通过所述译码器对所述编码向量和所述电力负荷向量进行译码，得到所述目标训练自变量的预测响应变量； 其中，将每个隐藏单元的隐藏状态和得分分别相乘得到每个隐藏单元更新后的隐状态序列，并将所有隐藏单元更新后的隐状态序列相加得到目标训练自变量的电力负荷向量； 其中，为预设神经网络模型构造L2项正则化损失函数，通过将变量数据集中的响应变量序列记为yi-1＝xi＝{xi-1，1，xi-1，2，…，xi-1，k}2≤i≤n，预设神经网络模型预测出的预测响应变量记为则L2项正则化损失函数为其中，为序列yi与序列在平方损失意义下的损失函数，Jω为对预设神经网络模型各层系数的惩罚使用L2项正则化，λ为事先选定的大于零的惩罚参数，||Wi||2用于表示L2范数。

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清科优能(深圳)技术有限公司，其通讯地址为：518000 广东省深圳市南山区粤海街道高新南七道粤美特大厦1201；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。