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！

龙图腾网获悉银河电力集团股份有限公司;银河电力集团成都有限公司申请的专利电能表数据系统的电力负荷预测方法及介质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：CN120806279B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202511241530.X，技术领域涉及：G06Q10/04；该发明授权电能表数据系统的电力负荷预测方法及介质是由史宣胤;曹剑南设计研发完成，并于2025-09-02向国家知识产权局提交的专利申请。

本电能表数据系统的电力负荷预测方法及介质在说明书摘要公布了：本发明提供电能表数据系统的电力负荷预测方法及介质，方法包括：采用多策略对负荷数据进行处理；依据改进PSO优化算法对归一化处理后数据进行自变量X和因变量Y的划分，再划分得到训练集和测试集；改进PSO优化算法依据动态的惯性权重和学习因子更新最优粒子，且动态的惯性权重和学习因子是依据莱维飞行机制和高斯扰动机制进行动态变化；创建CNN‑LSTM‑Transformer模型；依据改进PSO优化算法，使用训练集对模型进行训练，获取预测模型；每一次训练都会以上一次训练中通过改进PSO优化算法更新的粒子信息对模型的超参数进行更新。本发明能够显著提升短期电力负荷数据的预测精度。

本发明授权电能表数据系统的电力负荷预测方法及介质在权利要求书中公布了：1.电能表数据系统的电力负荷预测方法，其特征在于，包括： S1：按照区域ID对历史电力负荷数据进行分组，获取各组数据集； S2：分别对各组数据集进行季节性分解，获取各组数据集对应的特征项； S3：依据各组数据集对应的特征项，判断各组数据集属于加法模型还是乘法模型，使用与所属模型相对应的去趋势算法对各组数据集中的负荷数据进行去季节化处理，获取各组数据集的去季节化后负荷数据，并将其作为对应的特征项； S4：增加各组数据集包括负荷数据的滞后值以及日期属性的特征项； S5：对各组数据集对应的所有特征项进行归一化处理； S6：依据改进PSO优化算法对归一化处理后数据进行自变量X和因变量Y的划分，再划分得到训练集和测试集；其中，所述改进PSO优化算法依据动态的惯性权重和动态的学习因子更新最优粒子，且所述动态的惯性权重和动态的学习因子是依据莱维飞行机制和高斯扰动机制进行动态变化； S7：创建初始的CNN-LSTM-Transformer神经网络模型； S8：依据所述改进PSO优化算法，使用所述训练集对所述初始的CNN-LSTM-Transformer神经网络模型进行训练，直至确定最终的最优粒子，获取CNN-LSTM-Transformer神经网络模型；其中，每一次训练都会以上一次训练中通过所述改进PSO优化算法更新的粒子信息对模型的超参数进行更新； S9：将通过所述S1至所述S5处理得到的目标测试集输入到所述CNN-LSTM-Transformer神经网络模型中，获取短期电力负荷预测结果； 所述改进PSO优化算法，具体包括： 1随机初始化每一个粒子； 2评估每个粒子得到最优粒子； 3判断最优粒子是否满足结束条件；若满足，则结束流程，输出最优粒子；若不满足，则执行4； 4通过莱维飞行机制和高斯扰动机制使惯性权重和学习因子进行动态变化，使用动态的惯性权重和动态的学习因子对粒子信息以及每个粒子的速度和位置进行更新； 5重新评估更新后的每个粒子的适应值； 6依据每个粒子的适应值，确定最优粒子，并返回执行3； 所述4中，莱维飞行机制使用到的莱维步长生成算法，以及高斯扰动机制使用到的高斯扰动算法分别为： 高斯扰动算法中的位置扰动计算公式为：， 其中，为粒子i在t+1的位置，为粒子i在t的位置，为粒子i在t+1的速度，为扰动强度系数，为高斯分布噪声，为扰动强度，其按照迭代次数衰减，衰减公式为； 高斯扰动算法中的速度扰动计算公式为：， 其中，为惯性权重，为粒子i在t的速度，为学习因子，为均匀分布随机数，为粒子i的个体历史最优位置，为粒子群全局最优位置； 莱维步长生成算法为：其中，为稳定性系数，u为符合正态分布的随机数。

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银河电力集团股份有限公司;银河电力集团成都有限公司，其通讯地址为：518000 广东省深圳市南山区高新南区软件基地1栋A座8、9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”。

以上内容由龙图腾AI智能生成。