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！

龙图腾网恭喜三峡大学申请的专利基于多能需求响应与ICPO-BiLSTM模型的综合能源系统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：CN119009945B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202410945518.6，技术领域涉及：H02J3/00；该发明授权基于多能需求响应与ICPO-BiLSTM模型的综合能源系统负荷预测方法是由王灿;王明超;张晓佳;郑军;程本涛;徐恒山;杨义设计研发完成，并于2024-07-15向国家知识产权局提交的专利申请。

本基于多能需求响应与ICPO-BiLSTM模型的综合能源系统负荷预测方法在说明书摘要公布了：基于多能需求响应与ICPO‑BiLSTM模型的综合能源系统负荷预测方法，包括以下步骤：基于多能需求响应机制，提取多能需求响应的信号特征，构建多能需求响应模型；基于混沌映射理论和精英反向学习策略，对冠豪猪优化算法CPO进行改进；基于多头自注意力机制对BiLSTM神经网络模型进行优化；对多元负荷进行联合预测。该预测方法可以有效应对多元负荷间的耦合关系与用户需求响应对负荷预测精度的影响，能够提高对多元负荷预测的准确度。

本发明授权基于多能需求响应与ICPO-BiLSTM模型的综合能源系统负荷预测方法在权利要求书中公布了：1.基于多能需求响应与ICPO-BiLSTM模型的综合能源系统负荷预测方法，其特征在于包括以下步骤：步骤1：基于多能需求响应机制，提取多能需求响应的信号特征，构建多能需求响应模型；步骤2：基于混沌映射理论和精英反向学习策略，对冠豪猪优化算法CPO进行改进；步骤3：基于多头自注意力机制对BiLSTM神经网络模型进行优化；步骤4：对多元负荷进行联合预测；所述步骤1中，用户实际需求响应产生的用电转移量用如下公式表示： 式中：Tp、Tf、Tv分别为电价峰、平、谷时段；为峰谷的实际用电转移率；分别为峰平、平谷用电转移率的模糊参数；分别为采用分时电价前用电峰时、平时、谷时的平均负荷；DRe为t时刻因用户需求响应产生的用电转移量；用户参与分时电价需求响应时，会削减部分电负荷，此时对电负荷的用能需求会转向冷、热负荷，并与冷、热负荷产生耦合响应；计算冷、热负荷的需求响应，以获得多能需求响应信号： CDRΔp＝[DReDRcDRh]；式中：DRch为冷、热负荷响应总量；DRc、DRh分别为冷、热负荷响应量；D为响应偏移量；ηc、ηh分别为冷、热负荷设备运行效率；αec、αeh分别为冷、热负荷响应占比；Δp表示峰谷电价差；CDRΔp表示综合需求响应；[DReDRcDRh]表示综合需求响应矩阵；所述步骤2包括：1基于混沌映射理论对种群进行初始化：采用分段线性混沌映射的方法，对冠豪猪种群的初始化过程进行优化，以提高初始种群个体的空间均匀性和种群遍历性，从而增强算法的全局搜索能力； 式中：zt+1为混沌映射的随机位置；PZ为该映射的控制参数；zt为产生的随机迭代值，zt∈[0,1]；基于混沌映射理论优化冠豪猪种群的初始化公式，由下式表述： 式中：为映射后第i个候选解；zi为混沌映射得到的随机值；分别为搜索空间的上界、下界；N′为种群中个体的数量；i表示时间步长；2融合精英反向学习策略：在优化冠豪猪种群的初始化的基础上，提出精英反向学习策略，该策略通过随机选择一个当前最优解作为对称中心，并引入随机参数，使当前解对应一个反向区域，每次反向学习的反向解由对应区域随机生成，从而提高反向学习成功的概率；精英反向解生成方式如下： 式中：Xc为精英中心；Xo1、Xo2、Xo3为当前的最优解；为反向解；X为当前解；r4、r5、r6为0,1间的随机数；比较精英反向解的适应度值与保留解的历史最优适应度值，若精英反向解的适应度值较保留解的历史最优适应度值小，则保留精英反向解，且不需要计算当前解的适应度；若精英反向解的适应度值较保留解的历史最优适应度值大，则需要计算当前解的适应度值且保留当前解；该策略的更新方式如下： 式中：X*为保留解；为精英反向解的适应度值；fitness为历史最优适应度值；所述步骤3中，基于多头自注意力机制对输入特征间的多种关联关系进行挖掘，并对各个输入特征的权重进行量化，得到输入特征加权矩阵X′，并将其输入多层BiLSTM神经网络模型中对多元负荷进行预测；基于多头自注意力机制对输入特征间的多种关联关系进行挖掘，并对各个输入特征的权重进行量化，得到输入特征加权矩阵X′，这个过程的表达式如下 αm＝MHQm,Km,Vm＝[α1,α2,…,αk]X′＝diagα1,α2,…αkX式中：Qm、Km、Vm分别为查询矩阵、键矩阵和值矩阵；分别为用于计算Qm、Km、Vm的参数矩阵；X为输入特征矩阵；αm为特征权重；MH·为多头注意力函数；[Qm,Km,Vm]表示查询矩阵、键矩阵和值矩阵所构成的联合矩阵；表示用于计算[Qm,Km,Vm]的联合参数矩阵；α1,α2,…,αk分别表示量化后的各个输入特征的权重；[α1,α2,…,αk]表示量化后的输入特征的权重矩阵；diagα1,α2,…αk表示将量化后的各个输入特征的权重对角化；BiLSTM模型在LSTM模型的基础上，添加了一个逆向LSTM层，得到双向神经网络结构；多层BiLSTM网络结构的表述形式为：a2,2＝gWa,2[a2,1,a1,2]+ba,2 式中：ai,j为第i层正向第j个LSTM记忆单元；为第i层反向第j个LSTM记忆单元；Wa,i、Wy分别为第i层正向、反向序列和输出的权重矩阵；ba,i、by分别为第i层正向、反向序列和输出的偏差向量；所述步骤4中，预测多元负荷包括以下步骤：1设置冠豪猪种群的规模和最大迭代次数；2基于分段线性混沌映射理论生成初始化种群；3基于冠豪猪优化算法ICPO搜寻全局最优解，并以此最优解作为构建多层BiLSTM神经网络模型的参数配置基础；4整合多元负荷历史数据与外部影响因素，构成输入特征矩阵，并通过MHSA模块对输入特征矩阵进行加权，通过给不同特征设置相应权重，得到输入特征加权矩阵；5将步骤4中得到的输入特征加权矩阵输入步骤3中，对多层BiLSTM神经网络模型进行优化并对多元负荷进行联合预测。

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三峡大学，其通讯地址为：443002 湖北省宜昌市大学路8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”。