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！

龙图腾网获悉电子科技大学申请的专利一种考虑多重不确定性的多能源负荷预测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：CN119416968B 。

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：202411549491.5，技术领域涉及：G06Q10/04；该发明授权一种考虑多重不确定性的多能源负荷预测方法是由吴小娟;韦慧;吴统炜;张卫东;胡江平设计研发完成，并于2024-11-01向国家知识产权局提交的专利申请。

本一种考虑多重不确定性的多能源负荷预测方法在说明书摘要公布了：本发明公开了一种适用于综合能源系统的考虑多重不确定性的多能源负荷预测方法，属于能源负荷预测技术领域。本发明使用多任务学习框架进行多负荷预测，捕获电、热、氢负荷间的复杂耦合关系，增强各预测任务的预测精度；考虑不确定性因素对预测影响，具体包括输入不确定性和模型参数不确定性，分别对两者进行不确定性建模，量化其对负荷预测的不确定性风险；结合注意力机制，帮助模型关注重要时间步特征信息，减少不必要的信息干扰。本发明提出的多负荷预测方法，能够实现在考虑不确定性因素情况下，捕获负荷间的耦合关系，实现对多能源负荷的精准预测。

本发明授权一种考虑多重不确定性的多能源负荷预测方法在权利要求书中公布了：1.一种考虑多重不确定性的多能源负荷预测方法，其特征在于，包括以下步骤： 步骤1：分析不同因素对电、热、氢负荷预测的影响，选取最显著的影响特征，对选定的外部特征进行不确定性建模，建立其概率分布模型； 步骤2：构建基于贝叶斯神经网络BNNBayesianNeuralNetwork的多任务学习长短时记忆网络MTL-LSTMMulti-TaskLearningLongShort-TermMemory模型，量化模型参数的不确定性，并通过多任务学习框架捕捉多负荷间耦合关系；步骤2中，多任务学习是通过共享与特定的网络结构来同时处理多个相关任务，多个任务共享同一模型中的参数，进而捕获到不同任务的共同特征，提高模型学习效率和泛化能力；多任务学习模型为MTL-LSTM，用以捕捉热、电、氢负荷预测任务之间的共性和特性；模型分为两部分：共享部分和特定部分，共享部分网络结构为LSTM网络，用以处理热、电、氢多负荷预测任务的共享信息；特定部分结构为对应电、热、氢负荷各自的独立全连接层，用以学习各预测任务的专有信息；共享层具体表示如下： ht＝fut,ht-1,θsh 其中，ut为t时刻的预测输入，为t时刻电、热、氢负荷数据，Tt，Ht，Wt，St为t时刻温度、湿度、风速、光照数据，为未来t+k时刻温度、湿度、风速、光照第m次采样数据，ht、ht-1为t时刻和t-1时刻下LSTM层隐藏状态输出，f·为共享层LSTM网络函数，θsh为电、热、氢预测任务在LSTM层共享参数； 共享层输出ht，经过特定任务层即全连接层，映射得到各负荷预测值，特定任务层具体表示如下： 其中，为t+1时刻各负荷预测输出，g·为全连接层网络函数，θi为全连接层中对应电、热、氢负荷预测任务相关的参数； 基于BNN原理对MTL-LSTM中的参数不确定性建模：通过将LSTM中的权重和偏置等参数建模为概率分布从而引入模型的不确定性估计；训练模型过程中，对于每次迭代，模型会从后验分布中采样参数θsh，使用采样到的参数进行前向传播，计算多任务的负荷预测值，定义损失函数为负对数似然函数，具体表示如下： 其中，Li为各预测任务损失函数，为各预测任务t+1时刻实际值，为各预测任务t+1时刻预测值，为各预测任务方差，Ltotal为整体联合损失函数，λi为对应任务权重系数；最后通过误差反向传播进行参数的更新，得到模型参数的近似后验概率分布； 预测过程中，模型通过对训练所得到的模型参数后验概率分布进行采样得到使用多次采样参数进行计算，得到负荷预测结果的均值和方差，具体表示如下： 其中，为第j次采样t时间步下隐藏状态输出，为各预测任务t+1时刻预测均值，为共享层第j次采样参数，为第j次采样参数下的预测值； 步骤3：结合注意力机制增强模型对关键时间步特征的关注度，提高模型预测准确度。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；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。