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！

龙图腾网恭喜南京邮电大学申请的专利一种基于大型语言模型的电动汽车充电站负荷有序调控方法及系统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：CN119047784B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202411287073.3，技术领域涉及：G06Q10/0631；该发明授权一种基于大型语言模型的电动汽车充电站负荷有序调控方法及系统是由归耀城;高辉;刘倩;郭晨阳;李炜卓;陈良亮设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本一种基于大型语言模型的电动汽车充电站负荷有序调控方法及系统在说明书摘要公布了：本发明涉及一种基于大型语言模型的电动汽车充电站负荷有序调控方法，具体如下：首先，对电动汽车充电站的历史充电负荷时间序列数据进行采集，对历史充电负荷时间序列数据进行归一化处理，其次，对充电负荷时序片段分别采集对应的工作日节假日、天气、气温、交通状况等环境数据，生成环境数据输入量；然后，以充电负荷时序片段和环境数据作为输入，构造充电负荷时间序列预测模型；构造双重优化目标，对充电负荷时间序列预测模型进行训练，实现对未来充电负荷进行预测；最后，基于所述充电负荷预测结果进行需求响应，并对充电站内充电设施进行调控，以根据所述负荷预测结果实现相应有序充电的优化管理。该方案提高了充电负荷预测的准确性。

本发明授权一种基于大型语言模型的电动汽车充电站负荷有序调控方法及系统在权利要求书中公布了：1.一种基于大型语言模型的电动汽车充电站负荷有序调控方法，其特征在于，所述方法包括以下步骤：S1、对电动汽车充电站的历史充电负荷时间序列数据进行采集，基于Hampel滤波器进行异常值处理；S2、对历史充电负荷时间序列数据进行归一化处理，并基于滑动时间窗口方法进行分片处理，生成充电负荷时序片段输入量；S3、对充电负荷时序片段分别采集对应的工作日节假日、天气、气温、交通状况环境数据，生成环境数据输入量；S4、以充电负荷时序片段和环境数据作为输入，基于大型语言模型和提示技术，构造充电负荷时间序列预测模型；S5、构造双重优化目标，采用基于适配器的大型模型参数高效微调技术，对充电负荷时间序列预测模型进行训练，实现对未来充电负荷进行预测；S6、基于充电负荷预测结果进行需求响应，并对充电站内充电设施进行调控，以根据充电负荷预测结果实现相应有序充电的优化管理；其中，步骤S4中，以充电负荷时序片段和环境数据作为输入，基于大型语言模型和提示技术，构造充电负荷时间序列预测模型，包括：步骤4-1：基于提示技术，构造充电负荷时序预测提示文本数据集，根据充电负荷时序片段集合X和环境数据集合E，采用提示函数形成输入提示文本，根据充电负荷预测结果集合Y，同样采用提示函数形成输出提示文本，将输入提示文本和输出提示文本合并，形成与充电负荷时序片段对应的负荷预测提示文本，按照此方法将充电负荷时序片段集合构造为充电负荷时序预测提示文本集合M，公式如下： 和分别为输入部分提示函数和输出部分提示函数，表示将第i个充电负荷时序片段xi、环境数据ei和负荷预测结果yi转换为提示文本mi的转换函数，针对电动汽车充电站充电负荷预测的应用场景，采用模版方法构造提示函数，步骤4-2：基于大型语言模型，构造充电负荷时间序列预测模型，基于大型语言模型，构造对提示文本段落进行微调的神经网络模型，该神经网络模型对提示文本段落的联合概率进行优化，从而使大型语言模型能进行充电负荷时间序列的预测，充电负荷时间序列预测模型结构以大型语言模型为基础，在大型语言模型的Transformer层之间增加并联的适配器，构成高效调参的大型语言模型网络结构，适配器网络的逻辑表示如下：Adapterz＝WupReLUWdownz+z,其中，Adapter·是适配器的逻辑表示，z表示适配器的输入，Wup是向上投影矩阵，Wdown是向下投影矩阵，ReLU·是非线性变换层；步骤S5中，构造双重优化目标，采用基于适配器的大型模型参数高效微调技术，对充电负荷时间序列预测模型进行训练，包括：步骤5-11：根据负荷预测提示文本构造交叉熵优化目标，公式如下： 其中，表示语言模型的生成序列和提示文本的交叉熵优化目标，cross_entropy·表示交叉熵损失函数，h·表示语言模型的输出层，Z表示语言模型的输入，M表示提示文本集合，θ表示模型微调的参数，根据负荷预测结果构造最小误差平方优化目标，公式如下： 其中，表示充电负荷预测结果的最小误差平方优化目标，X表示充电负荷时序片段集合，xi∈X表示第i个历史充电负荷片段，E表示环境数据集合，ei∈E表示第i个历史充电负荷片段对应的环境数据，M表示充电负荷时序预测提示文本集合，Y表示充电负荷预测结果集合，yi∈Y表示第i个负荷预测结果，θ表示模型微调的参数，LLM·表示大型语言模型生成的输出，表示输入提示函数，fextract·表示从文本中提取预测结果的函数，将交叉熵优化目标和最小误差平方优化目标融合，构成双重优化目标，公式如下： 其中，是参数微调时的损失函数，该损失由交叉熵优化目标和最小误差平方优化目标两部分构成，β表示两部分之间的平衡参数，X表示充电负荷时序片段集合，Y表示充电负荷预测结果集合，M表示充电负荷时序预测提示文本集合，θ表示模型微调的参数，步骤5-12：采用微调技术，根据充电负荷时序预测提示文本集合M和充电负荷预测结果集合Y，对上述时间序列预测模型进行微调。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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”。