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！

龙图腾网获悉无锡学院申请的专利基于LoRA与GPT模型的电力负荷预测方法及设备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：CN121327623B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202511862290.5，技术领域涉及：G06F18/241；该发明授权基于LoRA与GPT模型的电力负荷预测方法及设备是由盛丽娜;朱雪金;徐耀;牟俊涛;石美奕设计研发完成，并于2025-12-11向国家知识产权局提交的专利申请。

本基于LoRA与GPT模型的电力负荷预测方法及设备在说明书摘要公布了：本发明提供了一种基于LoRA与GPT模型的电力负荷预测方法及设备，包括如下步骤：步骤一、将原始的电网负荷时间序列数据转化为模型可训练的样本格式；步骤二、配置模型架构，以GPT模型作为骨干网络；步骤三、配置参数微调策略，参数微调策略包括部分解冻策略和低秩适配策略；步骤四、训练及优化模型；步骤五、实施预测，将归一化后的输入序列输入至所述训练好的预测模型；获取模型输出的未来指定时段的负荷预测结果。本发明采用在大规模语料上预训练的Transformer时序基础模型作为骨干网络，引入局部解冻机制与低秩自适应技术构建参数高效微调策略，本发明提升了负荷预测精度，促进了配电网对分布式光伏发电的消纳能力。

本发明授权基于LoRA与GPT模型的电力负荷预测方法及设备在权利要求书中公布了：1.一种基于LoRA与GPT模型的电力负荷预测方法，其特征在于，其包括如下步骤： 步骤一、将原始的电网负荷时间序列数据转化为模型可训练的样本格式，包括： 建立从历史负荷序列到未来负荷序列的映射函数； 采用滑动窗口对历史负荷序列实施采样以生成训练集、验证集和测试集，并实施可逆实例归一化处理，以获得归一化后的样本集； 步骤二、配置模型架构，包括： 加载预训练的GPT模型作为骨干网络； 将步骤一获得的归一化处理后的样本集中的时间序列分割为不重叠的块； 通过线性投影层将每个块映射到模型的隐藏维度，得到块嵌入； 为所述块嵌入添加可学习的位置嵌入，形成初始输入序列； 步骤三、配置参数微调策略，包括：采用参数微调策略对所述骨干网络进行训练适配，所述参数微调策略包括部分解冻策略和低秩适配策略，其中： 所述部分解冻策略仅解冻模型顶部的k个Transformer块，允许其参数更新，底层Transformer块保持冻结； 所述低秩适配策略在所述Transformer块的线性层中引入低秩适配器，在不更新原始预训练权重的情况下，通过训练低秩矩阵来模拟参数更新； 步骤四、训练及优化模型，包括： 将Transformer块的输出通过一个投影头映射至预测维度； 构建包含均方误差损失和LoRA参数正则化项的总损失函数； 使用AdamW优化器，并采用差异化的学习率策略对模型进行训练，得到训练好的预测模型； 步骤五、实施预测，包括： 获取待预测的原始电网负荷历史序列，对待预测的原始电网负荷历史序列进行与步骤一中一致的采样和可逆实例归一化，得到归一化后的输入序列； 将所述归一化后的输入序列输入至所述训练好的预测模型； 获取模型输出的未来指定时段的负荷预测结果； 步骤三中，所述部分解冻策略，具体为： ； 其中，表示Transformer的总块数，为设定的解冻层数，为解冻参数，其在训练过程中通过梯度下降算法进行更新，为冻结参数，其在训练过程中被固定，表示Transformer的第层，为当前Transformer块的索引； 步骤三中，所述低秩适配策略包括LoRA-2适配和LoRA-4适配，其中：LoRA-2适配仅将低秩适配器注入到Transformer块的注意力子层的查询、键、值投影矩阵中；LoRA-4将低秩适配器同时注入到Transformer块的注意力子层和前馈网络子层的线性层中。

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无锡学院，其通讯地址为：214000 江苏省无锡市锡山区锡山大道333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。