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！

龙图腾网获悉湖北华中电力科技开发有限责任公司;国网湖北省电力有限公司申请的专利一种利用多目标时空图卷积神经网络GCN-BILSTM模型进行短期负载率实际预测的方法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：CN118899830B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202410936481.0，技术领域涉及：H02J3/00；该发明授权一种利用多目标时空图卷积神经网络GCN-BILSTM模型进行短期负载率实际预测的方法是由夏勇军;吴颖波;徐文;陈莉娟;赵立华;郑立;王紫雯;胡敏设计研发完成，并于2024-07-12向国家知识产权局提交的专利申请。

本一种利用多目标时空图卷积神经网络GCN-BILSTM模型进行短期负载率实际预测的方法在说明书摘要公布了：一种利用多目标时空图卷积神经网络GCN‑BILSTM模型进行短期负载率实际预测的方法，包括：从数据中台和气象网站获得目标区域的负载数据和天气数据；对获得的负载数据和天气数据进行数据清洗；对数据清洗后的数据进行特征工程处理，包括：对原有的气温拆分成最高温、最低温，并对最高温、最低温分别进行增加预设数值的变换，以使得最低温大于等于0；将目标区域下属乡镇的负载率、最高温、最低温进行0‑1标准化，得到若干维度数据；构建GCN‑BILSTM模型，将若干维度数据输入GCN‑BILSTM模型输出预测结果。本发明在预测过程中增加对空间节点之间的“联动性”，相较于Multi‑BILSTM算法mape误差更低。

本发明授权一种利用多目标时空图卷积神经网络GCN-BILSTM模型进行短期负载率实际预测的方法在权利要求书中公布了：1.一种利用多目标时空图卷积神经网络GCN-BILSTM模型进行短期负载率实际预测的方法，其特征在于，包括如下步骤： 步骤一、从数据中台和气象网站获得目标区域的负载数据和天气数据，所述负载数据包括日期、目标区域下属乡镇的负载率，所述天气数据包括日期和目标区域的气温； 步骤二、对步骤一获得的负载数据和天气数据进行数据清洗； 步骤三、对步骤二数据清洗后的数据进行特征工程处理，包括：对原有的气温拆分成最高温、最低温，并对最高温、最低温分别进行增加预设数值的变换，以使得最低温大于等于0；将目标区域下属乡镇的负载率、最高温、最低温进行0-1标准化，得到若干维度数据； 步骤四、构建GCN-BILSTM模型，将步骤三处理得到的若干维度数据输入GCN-BILSTM模型输出预测结果； 步骤四具体包括： 1构建GCN图结构网络：图结构包括图的节点和边，其中每个乡镇设置为一个图节点，将所有节点首次采用斯皮尔曼进行两两相关，将步骤三处理得到的若干维度数据输入GCN网络，取相关性大于0.5作为两两图节点之间的边，以此建立GCN网络的节点和边； 2构建BILSTM网络：通过构建两个LSTM层分别来处理正向和反向的序列数据，两个LSTM层的输出被结合在一起，以提供更全面的序列建模能力，随后构建全连接层，所述全连接层有8个节点，用于输出结果； 3构建GCN-BILSTM模型：首先是图结构的卷积处理，通过卷积操作，每个节点更新自己的特征向量，或者考虑其邻居节点的特征向量；然后通过池化操作将图结构中的节点进行聚合；最后，将池化后的结果传入BILSTM网络，从而形成GCN-BILSTM模型，进行时序预测； 4构建GCN-BILSTM模型后，开始训练、校正GCN-BILSTM模型和利用GCN-BILSTM模型进行真实预测，以ReLU作为激活函数，以batch_size为30，以连续14天作为一个history周期，同步输出每天的目标区域下属乡镇的日负载率，进行每日单步循环滚动训练；其中历史数据集被划分为6:2:2，前6份和中间2份用于训练模型，最后2份是校正集；训练和校正模型后利用模型进行真实预测：取校正集的最后1个history周期进行预测，将输出的这1行结果添加到历史训练集的最后1行，循环7次添加，此时的数据集变成为历史数据集+7行新数据，这7行新数据就是最终真实预测的结果。

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湖北华中电力科技开发有限责任公司;国网湖北省电力有限公司，其通讯地址为：430062 湖北省武汉市武昌区中北路236号湖北华中电力科技大厦；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。