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猎人猎物优化XGBoost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：CN116187582B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310276907.X，技术领域涉及：G06Q10/04；该发明授权一种基于猎人猎物优化XGBoost的短期电力负荷预测方法是由汪锟;周孟然;刘宇;朱梓伟设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本一种基于猎人猎物优化XGBoost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猎人猎物优化XGBoost的短期电力负荷预测方法，包括：1对获取的影响负荷预测因素的数据和负荷数据进行预处理，并划分训练集和预测集；2利用KPCA对训练集数据进行特征降维解耦；3将特征降维后的训练集，作为猎人猎物优化XGBoost模型的输入并进行训练得到预测模型；4将预测集经过降维解耦后输入S3训练好的预测模型中，并对预测模型的输出值进行修正，输出短期负荷预测值。本发明将影响负荷预测的因素和负荷数据通过KPCA降维构建模型输入矩阵，采用猎人猎物优化算法HPO对XGBoost的5个超参数进行寻优，构建HPO‑XGBoost短期负荷预测模型，鲁棒性强，具有较好的预测性能。

本发明授权一种基于猎人猎物优化XGBoost的短期电力负荷预测方法在权利要求书中公布了：1.一种基于猎人猎物优化XGBoost的短期电力负荷预测方法，其特征在于，包括以下步骤： S1、获取预测地区影响负荷预测因素的数据和负荷数据，对所述数据进行预处理，并将预处理后的数据按照一定比例顺序划分为训练集和预测集； S2、利用KPCA对训练集数据进行特征降维解耦； S3、将特征降维后的训练集，作为猎人猎物优化算法HPO优化XGBoost模型的输入并进行训练得到预测模型； S4、将预测集经过降维解耦后输入S3训练好的预测模型中，并对预测模型的输出值进行修正，输出短期负荷预测值； 所述S3中，采用XGBoost对负荷进行预测，并采用猎人猎物优化算法对XGBoost的5个超参数进行优化，训练得到预测模型，包括以下步骤： S31、初始化参数，设定种群数目、最大迭代次数代和调节参数，且为0到1之间的任意值，在搜索空间随机生成初始种群每个成员的位置，公式如下： 式中，表示猎人或者猎物的位置，分别为XGBoost的学习率、节点分裂所需的最小损失函数下降值、树的最大深度、最小叶子节点样本权重和正则化项的权重，，和分别表示待优化超参数的上界和下界； 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，为第个解的适应度，为解的数量，为实际值，为预测值，当达到最小值时得到最优解； S33、通过对适应度函数结果进行排序后得到均方误差最小值，它对应的位置为最优位置，设当前迭代次数，引入平衡参数C和自适应参数Z，并且C值在迭代过程中从1减少到0.02，公式如下： ； S34、若，当前被视为猎人，猎人向猎物移动寻找离群的猎物，包括以下步骤： S341、计算种群内个体的平均位置； S342、计算所有个体到平均位置的欧氏距离排序得到，选择距离最远的个体作为猎物，且，其中，因此猎人更新位置，公式入下： ； S35、若，当前被视为猎物，猎物也动态调整位置，趋向于更为安全的地带，因此猎物更新位置，公式如下： ， 式中为[-1,1]范围内的随机数； S36、若优于，则更新，然后不断迭代直至达到最大迭代次数，输出最优的XGBoost超参数； S37、以S36的输出替换XGBoost原参数，利用训练集数据训练优化后的XGBoost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安徽理工大学，其通讯地址为：232001 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。