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！

龙图腾网获悉国网四川省电力公司营销服务中心申请的专利一种基于时间序列核心融合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：CN119448273B 。

龙图腾网通过国家知识产权局官网在2026-04-17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：202411630075.8，技术领域涉及：H02J3/00；该发明授权一种基于时间序列核心融合的电力负荷预测方法是由贺辉;方建全;廖开吉;刘晨;王竣平;庄哲;李福超;史强;李春敏;朱鸿嘉;刘洋设计研发完成，并于2024-11-15向国家知识产权局提交的专利申请。

本一种基于时间序列核心融合的电力负荷预测方法在说明书摘要公布了：本发明提供一种基于时间序列核心融合的电力负荷预测方法，涉及人工智能技术领域，该方法为通过对可调节负荷数据进行归一化处理，得到可调节负荷数据特征向量；利用多层感知层、随机池化层和融合层，构建可调节电力负荷预测模型；将可调节负荷数据特征向量输入可调节电力负荷预测模型，基于准确性指标对可调节电力负荷预测模型进行训练，得到训练好的可调节电力负荷预测模型；通过对包含预测组的特征序列进行反归一化计算，得到可调节电力负荷预测结果，完成对可调节电力负荷的预测。本发明解决了可调节电力负荷预测结果精确度不高的问题。

本发明授权一种基于时间序列核心融合的电力负荷预测方法在权利要求书中公布了：1.一种基于时间序列核心融合的可调节电力负荷预测方法，其特征在于，包括： S1：通过对可调节负荷数据进行归一化处理，得到可调节负荷数据特征向量；其中，所述可调节负荷数据特征向量为包括低频分量和高频分量的时间序列特征向量； S2：利用多层感知层、随机池化层、卡尔曼预测层和融合层，构建可调节电力负荷预测模型； 所述可调节电力负荷预测模型包括： 多层感知层，用于对所述可调节负荷数据特征向量进行线性与维度转换，得到转换后的预测序列； 随机池化层，用于基于所述预测序列学习可调节负荷数据的特征，生成特征过渡矩阵； 卡尔曼预测层，用于对特征过渡矩阵进行高低频序列融合，得到特征核心矩阵； 融合层，包括特征核心矩阵，用于将所述特征核心矩阵与所述可调节负荷数据特征向量进行融合，得到包含预测组的特征序列； S3：将所述可调节负荷数据特征向量输入所述可调节电力负荷预测模型，基于准确性指标对可调节电力负荷预测模型进行训练，得到训练好的可调节电力负荷预测模型；其中，所述训练好的可调节电力负荷预测模型用于对可调节负荷数据特征向量进行分析，得到包含预测组的特征序列；包括： 将所述可调节负荷数据特征向量作为所述可调节电力负荷预测模型的初始变量： ； 利用所述初始变量，通过多层感知层与随机池化层得到特征核心矩阵： ； 将所述特征核心矩阵与所述可调节负荷数据特征向量进行融合，得到包含预测组的特征序列： ； 将真实特征序列与所述包含预测组的特征序列进行误差计算，得到准确性指标，对可调节电力负荷预测模型进行训练，得到训练好的可调节电力负荷预测模型： ； ； 其中，表示可调节电力负荷预测模型的初始变量，表示可调节负荷数据特征向量，表示特征核心矩阵，表示轮特征过渡矩阵，和均表示离散时间点，表示低频分量提取函数，表示轮特征过渡矩阵，表示高频分量提取函数，表示迭代次数，表示总时长，表示额外时间长度，表示包含预测组的特征序列，表示第i-1轮的包含预测组的特征序列，表示计算特征核心矩阵的中间参数，表示包含预测组的特征序列，表示时刻特征核心矩阵，表示均方误差，表示特征序列数量，表示真实特征序列，表示平均绝对误差，表示迭代轮次； S4：通过对所述包含预测组的特征序列进行反归一化计算，得到可调节电力负荷预测结果，完成对可调节电力负荷的预测。

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国网四川省电力公司营销服务中心，其通讯地址为：610072 四川省成都市高新区(西区)西源大道2006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。