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！

龙图腾网获悉福州大学申请的专利基于深度交叉时间卷积网络DTCN模型的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：CN115730703B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202211346648.5，技术领域涉及：G06Q10/04；该发明授权基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法是由黄若辰;林琼斌;杨于彬;蔡逢煌;王武;柴琴琴设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法在说明书摘要公布了：本发明提出基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，用于超短期电力负荷的预测，所述预测方法利用数据集中的连续型与离散型特征向量，通过用DCN进行自动特征工程提取数据特征，将整理后的稠密向量，按时间顺序堆叠起来输入到TCN中预测，分别通过使用sigmoid和tanh激活函数和扩大因果卷积，拟合参数，建立模型，最终解码获取负荷的超短期预测结果；本发明，对数据容量要求低，预测速度快，精度高。

本发明授权基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法在权利要求书中公布了：1.基于深度交叉时间卷积网络DTCN模型的电力负荷预测方法，用于超短期电力负荷的预测，其特征在于：所述预测方法利用数据集中的连续型与离散型特征向量，通过用DCN进行自动特征工程提取数据特征，将整理后的稠密向量，按时间顺序堆叠起来输入到TCN中预测，分别通过使用sigmoid和tanh激活函数和扩大因果卷积，拟合参数，建立模型，最终解码获取负荷的超短期预测结果； 所述预测方法包括以下步骤； 步骤一、数据特征选择与提取，即通过负荷监测系统提取影响短期负荷的主要因素相关数据，形成用于输入DTCN模型的输入数据； 步骤二、以DCN模型模块对数据处理，整理得到稠密向量，生成连接向量； 步骤三、把连接向量送入TCN模型模块进行时序特征的提取与预测； 步骤四、以基于步骤二的DCN模型、步骤三的TCN模型，通过步骤一的输入数据来进行超短期预测； 步骤二中，DCN模型以嵌入层和堆积层为开始，随后是交叉网络和与之平行的深度网络，然后是组合层； 步骤二包括以下步骤； 步骤S1、通过DCN模型的嵌入层，对输入数据进行处理，将输入数据中的高维单一热点向量转换为嵌入向量，以此降低维数，公式为； 步骤S2、将交叉网络和深度网络处理后的数据拼接，其中交叉网络应用显式特征交叉，交叉网络由交叉层组成，每层可用如下公式表达： ； 在组合层将交叉网络及深度网络的输出进行拼接，生成连接向量，再将按时间顺序堆叠后送入TCN继续进行时序特征的提取与预测； 步骤三中的TCN模型由具有相同输入和输出长度的扩张的、因果的1D卷积层组成； 步骤三包括以下步骤； 步骤A1、使用扩大因果卷积的方法对TCN模型组合层中的数据进行处理，使模； 其中*为卷积，为点乘，为sigmoid函数，k为层指标，f和g分别为滤波器和门，W为可学习卷积滤波器； 步骤A3、使用残差和参数化跳步来加快收敛；方法为：层中每一层的节点均把原来的值和通过激活函数的值相加后传递给下一层，其中1x1的卷积核用来实现降通道数的操作；然后每一个隐层的过激活函数后的结果相加做一系列操作后传给输出层； 步骤A4、在TCN模型Softmax层输出下一个输出预测，并进行优化，以最大限度地提高数据随参数变化的可能性；通过调整超参数来测量模型是过拟合还是欠拟合，完成模型搭建； 步骤一中，所述影响短期负荷的主要因素相关数据，为历史负荷数据、温度数据和湿度数据，对读取得到的数据进行整理，形成用于输入DTCN模型的输入数据，以拟合优化数学模型。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。