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！

龙图腾网获悉安徽理工大学申请的专利一种基于峰谷值特征下TSA-LSTM模型的短期电力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：CN114970961B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202210435958.8，技术领域涉及：G06Q10/04；该发明授权一种基于峰谷值特征下TSA-LSTM模型的短期电力负荷预测方法是由朱梓伟;周孟然;胡锋;刘宇;汪锟;姚小康设计研发完成，并于2022-04-24向国家知识产权局提交的专利申请。

本一种基于峰谷值特征下TSA-LSTM模型的短期电力负荷预测方法在说明书摘要公布了：本发明公开了一种基于峰谷值特征下TSA‑LSTM模型的短期电力负荷预测方法。该方法包括：对收集到的原始负荷数据进行预处理，并划分训练集和测试集；然后根据训练集日负荷特性将一天24小时划分为k个时间段，得出各时间段内的峰谷值，并归一化；利用TSA优化算法对LSTM的参数进行寻优，构建TSA‑LSTM模型对目标日进行峰谷值预测；计算出训练集前一周168h实际负荷，峰值和谷值的滞后负荷，计算MIC值，筛选出MIC＞0.6的特征向量；将MIC＞0.6的特征、小时1‑24和星期类型1‑7作为预测模型的输入，并归一化，再次构建TSA‑LSTM模型，实现短期电力负荷预测。

本发明授权一种基于峰谷值特征下TSA-LSTM模型的短期电力负荷预测方法在权利要求书中公布了：1.一种基于峰谷值特征下TSA-LSTM模型的短期电力负荷预测方法，其特征在于，该方法包括以下步骤： S1、收集电力系统的原始负荷数据，对负荷数据进行预处理，并将数据集划分为训练集和测试集； S2、根据训练集日负荷特性曲线，将一天24小时划分为k个时间段，计算出各时间段内峰值和谷值，并归一化； S3、构建TSA-LSTM模型，使用TSA算法对长短期记忆神经网络预测模型超参数进行寻优，实现对测试集峰值和谷值的预测； S4、计算出训练集前一周实际负荷，峰值和谷值的滞后负荷，计算MIC值，并筛选出MIC0.6的特征向量； S5、将MIC0.6的特征、小时和星期类型作为预测模型的输入，并归一化；利用步骤S2中的TSA-LSTM模型，实现电力负荷预测； 步骤S3中，构建TSA-LSTM模型，使用被囊体种群优化算法TSA对长短期记忆神经网络预测模型超参数进行寻优，包括以下步骤： S31、初始化参数，被囊体种群的个数和迭代次数，同时设置长短期记忆网络的隐藏层神经元数m和学习率s的寻优范围； S32、确定适应度函数，取预测模型的均方误差作为评价函数，公式如下： ； 式中，n为预测点个数；和分别代表负荷的真实值和预测值； S33、计算被囊体的喷射推进和群体行为，根据最佳适应度更新位置，选取最小适应度值作为最优值，保存寻找到最优值时所对应的隐含层神经元数和学习率； S34、判断是否满足迭代条件，若达到最大迭代次数，则将最优参数赋予LSTM并进行负荷预测，否则返回S33继续执行，直至满足终止条件； 步骤S3中，使用TSA-LSTM模型，以归一化后的前1天，前2天和前7天的历史峰值和谷值为输入，分别实现对测试集峰值和谷值的预测 步骤S4中，计算出训练集前一周实际负荷，峰值和谷值的MIC值，最大信息系数计算公式为： ； 其中，MICl;e为实际负荷1和前168h负荷e之间的最大信息系数，前168h负荷e包括负荷、峰值和谷值，pl,e为实际负荷1和前168h负荷e之间的联合概率，a,b是在x，v轴方向上划分网格的数目，B为划分网格数目上限值，MIC取值范围为[0,1],值越大，代表实际负荷与历史负荷间的相关程度就越高，MIC1:e0.6的历史负荷计入输入数据维度。

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安徽理工大学，其通讯地址为：232000 安徽省淮南市山南新区泰丰大街168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。