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！

龙图腾网获悉清华大学深圳国际研究生院申请的专利一种基于预测优化融合学习的配电网日前低碳调度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：CN120016473B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202510471340.0，技术领域涉及：H02J3/00；该发明授权一种基于预测优化融合学习的配电网日前低碳调度方法是由许银亮;陈昊煊设计研发完成，并于2025-04-15向国家知识产权局提交的专利申请。

本一种基于预测优化融合学习的配电网日前低碳调度方法在说明书摘要公布了：一种基于预测优化融合学习的配电网日前低碳调度方法，包括：通过数据采集与预处理步骤收集并清洗多源数据，形成训练数据集；利用序列神经网络模型预测节点碳势，该模型采用Seq2Seq结构和GRU单元处理时间序列数据；构建可调负荷低碳调度模型，以最小化碳排放并满足电网运行约束；预测优化融合学习与模型训练，通过构造混合决策损失函数并利用反向传播算法进行优化，实现预测与调度决策的协同优化；生成可调负荷优化调度策略，并通过参数调优确保满足实际需求，从而实现配电网的低碳、高效调度。该方法基于预测优化融合学习，实现低碳排放和电力系统的高效运行。

本发明授权一种基于预测优化融合学习的配电网日前低碳调度方法在权利要求书中公布了：1.一种基于预测优化融合学习的配电网日前低碳调度方法，其特征在于，包括以下步骤： S1. 数据采集与预处理：采集电力系统多源数据，包括历史负荷数据、可再生能源出力数据、气象数据及碳排放数据，并对所述数据进行预处理以形成高质量的训练数据集； S2. 序列神经网络节点碳势预测：利用基于序列到序列Seq2Seq模型的节点碳势预测方法，通过编码器‑解码器结构处理多源数据，管理复杂的时间依赖性，使用门控循环单元GRU作为计算单元，以实现对节点未来碳排放强度的准确预测； S3. 可调负荷低碳调度模型构建：构建可调负荷低碳调度模型，以最小化系统运行碳排放量为目标，同时满足电网的功率平衡、设备运行限制以及阻塞约束条件； S4. 预测优化融合学习与模型训练：结合预测误差与决策误差，构造混合决策损失函数，通过神经网络训练方式实现对低碳调度策略的整体优化，利用反向传播算法对混合决策损失函数进行梯度下降优化，以降低预测与决策两方面的误差，并根据实际系统需求动态调整权重系数，以提高预测精度与决策效果； S5. 可调负荷优化调度策略生成：根据预测节点碳势和可调负荷低碳调度模型，生成可调负荷优化调度策略，并检查调度决策是否满足要求，进行参数调优直至满足； S6.结果获取：获取可调负荷优化调度策略和预测节点碳势，以实现配电网日前低碳调度； 步骤S4中，通过构造混合决策损失函数对预测误差与决策误差进行加权融合，所述混合决策损失函数包括预测误差项和决策误差项，并通过反向传播算法对所述损失函数进行梯度下降优化，以降低预测与决策两方面的误差，所述权重系数根据实际系统需求动态调整，以提高预测精度与决策效果； 步骤S4中，通过以下机制实现预测与调度决策的协同优化： a 构造混合决策损失函数，将预测误差项与决策误差项按动态权重系数进行加权融合，所述预测误差项表征节点碳势预测值与实际值的偏差，所述决策误差项表征基于预测值的调度决策与基于实际值的最优决策之间的偏差； b 利用反向传播算法对所述混合决策损失函数进行梯度下降优化，同步更新预测模型与调度决策模型的参数，逐步降低预测误差与决策误差； c 根据系统需求动态调整所述权重系数，以平衡预测精度与决策效果的优化目标； 所述决策误差项通过构建替代函数实现梯度可解性，所述替代函数基于最优决策与实际决策的差值构造，并通过最大化操作将非线性决策误差转化为可导形式，即类决策误差损失函数，以支持神经网络的反向传播训练； 其中，所述混合决策损失函数的表达式如下： ; 其中，为类决策误差损失函数，为均方差损失函数，即预测误差项，为决策混合系数。

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清华大学深圳国际研究生院，其通讯地址为：518071 广东省深圳市南山区桃源街道丽水路2279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”。