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！

龙图腾网获悉南方电网科学研究院有限责任公司申请的专利一种基于QRNN的配电台区基线负荷预测方法及装置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：CN114239911B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202111352558.2，技术领域涉及：H02J3/00；该发明授权一种基于QRNN的配电台区基线负荷预测方法及装置是由毛田;周保荣;程韧俐;姚文峰;赵文猛;王滔设计研发完成，并于2021-11-15向国家知识产权局提交的专利申请。

本一种基于QRNN的配电台区基线负荷预测方法及装置在说明书摘要公布了：本发明公开了一种基于QRNN的配电台区基线负荷预测方法及装置，方法包括构建基于QRNN网络的基线负荷预测模型，并选取若干负荷影响因素作为所述基线负荷预测模型的输入特征向量，以待预测日负荷预测值作为所述基线负荷预测模型的输出特征向量；在所述基线负荷预测模型中，对所述输入特征向量进行数据预处理并将得到的数据集划分为训练集、验证集和测试集，基于预设的预测效果评价指标和预设的超参数对所述训练集、所述验证集和所述测试集进行计算，得到预测结果。本发明所提模型结合了循环神经网络和卷积神经网络的优势，具有精度高、计算效率高、可并行加速优化的特点，满足了实时、海量数据下配电台区基线负荷预测的需求场景。

本发明授权一种基于QRNN的配电台区基线负荷预测方法及装置在权利要求书中公布了：1.一种基于QRNN的配电台区基线负荷预测方法，其特征在于，包括以下步骤： 构建基于QRNN网络的基线负荷预测模型，并选取若干负荷影响因素作为所述基线负荷预测模型的输入特征向量，以待预测日负荷预测值作为所述基线负荷预测模型的输出特征向量； 在所述基线负荷预测模型中，对所述输入特征向量进行数据预处理并将得到的数据集划分为训练集、验证集和测试集，基于预设的预测效果评价指标和预设的超参数对所述训练集、所述验证集和所述测试集进行计算，得到预测结果； 其中，所述基于QRNN网络的基线负荷预测模型的QRNN网络具体为： QRNN网络的卷积部分： ft＝σWf*Xt ot＝σWo*Xt QRNN网络的池化部分： ht＝ot⊙tanhct 其中，ft,ot表示m维时间序列卷积得数，符号*表示沿时间步长维度的掩码卷积，符号⊙表示按元素进行乘法运算；为卷积滤波器，k为卷积滤波器的宽度，表示由个维的输入特征向量组成，ct为输入特征向量的乘法运算值，ht为运算输出值； 其中，所述选取若干负荷影响因素作为所述基线负荷预测模型的输入特征向量，具体为： 选取历史负荷参数、平均温度参数、相对湿度参数、日期类型参数、时刻值参数共同作为所述基线负荷预测模型的输入特征向量； 其中，所述对所述输入特征向量进行数据预处理并将得到的数据集划分为训练集、验证集和测试集，具体为： 在对输入所述基线负荷预测模型中的原始特征数据xi进行数据预处理时，对所述原始特征数据xi进行归一化处理，使输入均限制在[0,1]范围内，归一化后的输入数据x1i为: 式中，xmax、xmin分别为原始输入数据最大值和最小值； 将不超过原始特征数据的数据量15％的空缺值和“NAN”异常值，采用与其相邻负荷数据的均值进行填充；若出现连续异常数据，则继续向两端查找直至非空值； 并将得到的数据集以70％:15％:15％的比例划分训练集、验证集和测试集； 其中，所述预设的预测效果评价指标包括： 平均绝对百分比误差: 均方根误差： 其中，n为预测点数量，yi、di分别为预测点i负荷真实值和预测值。

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方电网科学研究院有限责任公司，其通讯地址为：510000 广东省广州市萝岗区科学城科翔路11号J1栋3、4、5楼及J3栋3楼；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”。