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！

龙图腾网获悉长春工业大学申请的专利一种基于小样本数据的电量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：CN120031264B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202510507085.0，技术领域涉及：G06Q10/063；该发明授权一种基于小样本数据的电量预测方法是由董吉哲;高洪尧;陈沛光;王梓蘅;许崇珊;肖骏达设计研发完成，并于2025-04-22向国家知识产权局提交的专利申请。

本一种基于小样本数据的电量预测方法在说明书摘要公布了：一种基于小样本数据的电量预测方法，该方法中，首先对历史电量数据进行预处理，并采用四区间动态离散化分箱优化数据特征表征能力。随后，基于岭回归构建个具有差异化超参数配置的子模型，并针对各个子模型求解权重。在权重求解过程中，若不满足边界约束条件，则重新调整权重。对于滚动窗口，先设定初始值，并计算窗口内数据的均值与方差。若均值或方差出现异常，则调整窗口长度。经过上述处理后，将数据输入模型，按照初始正则化参数进行预测，并依据平均绝对百分比误差（）与设定阈值的反馈关系调整正则化参数。若超出阈值3次，则触发反馈调整机制，对权重、窗口长度和正则化参数进行优化，直至满足条件并输出最终预测结果。

本发明授权一种基于小样本数据的电量预测方法在权利要求书中公布了：1.一种基于小样本数据的电量预测方法，其特征在于，包括如下步骤： 首先对历史电量数据进行预处理，对预处理后的数据进行四区间动态离散化分箱处理，结合电量数据的周期性与波动性，自适应调整数据特征表征方式，提高预测模型的学习能力，原始数据按照上述规则映射至离散化区间，经过四区间动态离散化分箱后，生成带有时间戳的离散化标签的类别性特征，作为模型训练的输入特征； 其次，在岭回归基础模型的基础上，构建K个具有差异化超参数配置的岭回归预测子模型，采用带约束条件的凸优化算法对K个子模型的权重系数进行优化求解，并重新设定多岭回归模型的损失函数，将优化求解过后的权重系数放入到模型中作为初步的预测模型，并针对K个子模型重新设定最小化预测均方误差； 最后，在模型中增加动态参数调整机制：基于平均绝对百分比误差MAPE与设定阈值之间的反馈关系，来动态调整模型的超参数，提高模型的泛化性以及鲁棒性，实现预测误差满足精度要求；通过最优权重条件下的岭回归模型，输出未来MM≥3个月份的预测值，得到用电量预测的结果； 所述动态调整模型的超参数主要包括： 设置误差阈值为θ，当MAPE＞θ时，触发参数调整；所述的参数调整规则为：当误差超过阈值时，按比例衰减正则化参数，衰减比例范围为0.8至0.95；正则化衰减规则为：αnew＝γ·αold，γ∈[0.8，0.95]；式中：γ是衰减比例，当且仅当MAPE＞θ时，触发效果；αnew是求解后的新正则化参数；αold是原始的初始正则化参数；根据误差超限幅度动态调整γ，具体调整公式为：增设边界保护机制，若αnew超出预设范围，则重置区间的边界； 动态窗口调整机制包括： 在训练集中进一步生成滚动统计特征，包括窗口期内数据的均值和标准差，基于滚动均值与标准差是否发生突变，来动态调整窗口的长度，窗口长度与电量数据的季节性周期匹配，强化时间序列与电量数据之间的嵌入关系；滚动均值与标准差计算公式为： 式中：W为窗口长度；μt为训练集中W窗口内第t个月的滚动均值；σt为训练集中W窗口内第t个月的滚动标准差；yi为训练集的第i个数据的真实值； 所述参数调整机制包括： 预设阈值为θ，且未来M个数据点的预测误差通过平均绝对百分比评估；当模型预测结果超过3次MAPE均大于预定阈值θ时，同时触发正则化调整机制、权重调整机制和动态窗口调整机制，三者协同调整模型参数，直至满足条件。

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长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055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”。