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！

龙图腾网获悉合肥工业大学;国网安徽省电力有限公司电力科学研究院申请的专利基于耦合特征矩阵时序片段分析的综合负荷短期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：CN115907118B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202211409152.8，技术领域涉及：G06Q10/04；该发明授权基于耦合特征矩阵时序片段分析的综合负荷短期预测方法是由张磊;仇茹嘉;王小明;吴红斌;徐斌;谢毓广;滕越;彭勃;毕锐设计研发完成，并于2022-11-11向国家知识产权局提交的专利申请。

本基于耦合特征矩阵时序片段分析的综合负荷短期预测方法在说明书摘要公布了：本发明公开了一种基于耦合特征矩阵时序片段分析的综合负荷短期预测方法，包括：1、采集原始数据并归一化，将负荷数据整理为负荷耦合特征矩阵的形式，通过滑动时窗重组构建负荷耦合特征矩阵和外部参数的时序片段样本；2、通过3DCNN网络同时提取样本时序特征和负荷形式耦合特征，利用FCM聚类进行聚类分析；3、基于多任务学习框架结合LSTM网络，构建LSTM‑MTL模型实现综合负荷预测，利用隶属度搜索的机制迭代重构训练集和验证集，提高最终预测性能。本发明针对能源耦合形式复杂影响综合负荷预测性能的问题，通过对耦合特征矩阵的时序片段样本进行聚类分析，增强了负荷波动特征提取能力，从而有效提高综合负荷的预测精度。

本发明授权基于耦合特征矩阵时序片段分析的综合负荷短期预测方法在权利要求书中公布了：1.一种基于耦合特征矩阵时序片段分析的综合负荷短期预测方法，其特征在于，是按如下步骤进行： 步骤一、基于滑动时窗构建历史耦合特征矩阵和外部参数的时序片段数据； 步骤1.1、从综合能源系统中获取综合负荷的历史数据序列和相关外部影响因素的历史数据序列，并分别进行归一化处理，相应得到历史耦合特征矩阵和历史相关外部影响因素矩阵，其中，采样时刻t的历史耦合特征矩阵记为，且；采样时刻t的相关外部影响因素矩阵记为，且，其中，和分别取值1、2、3，相应代表三种负荷形式，即电负荷、热负荷和天然气负荷；表示在采样时刻t由第种负荷形式向第种负荷形式转化的负荷量；当时，表示采样时刻t第种负荷形式未经转换直接在用户侧消耗的功率；表示采样时刻t的第种外部影响因素；表示所考虑的外部影响因素种类数； 步骤1.2、设置时间长度作为时窗长度，将时窗在历史耦合特征矩阵上进行滑动；每滑动一个采样步长，获得一个采样时刻t的耦合特征时序片段数据；其中，表示当前时窗下的采样时刻，表示时序片段数据中的采样点数目；表示当前时窗下的采样时刻的耦合特征； 步骤1.3、将时窗在历史相关外部影响因素矩阵上进行滑动，每滑动一个采样步长，获得一个采样时刻t的外部影响因素时序片段数据；表示当前时窗下的采样时刻的外部影响因素； 步骤1.4、对历史耦合特征矩阵和历史相关外部影响因素矩阵进行重构后，得到时序片段样本数据集，其中，表示采样时刻t的时序片段样本，为历史数据的采样时刻总数，令表示时序片段样本的总数，且； 步骤二、基于3D-CNN网络和FCM方法进行聚类分析； 步骤2.1、构建3D-CNN网络，并包括数据输入层、卷积层、池化层和输出层；并采用3D-CNN网络对采样时刻t的耦合特征时序片段数据进行特征提取： 步骤2.2、所述卷积层通过所述输入层接收维度为3×3×的，并利用式1对进行处理，得到维度为2×2×的相邻时刻耦合特征； 1 式1中：为相邻时刻耦合特征中宽为i高为j深为k位置的耦合特征；为所述卷积层中形式为2×2×3的卷积核在宽为I高为J深为K位置的权重；为中宽为I+i-1高为J+j-1深为K+k-1位置的数据；为待训练的网络偏置；ReLU为激活函数； 步骤2.3、所述池化层利用式2对邻时刻耦合特征沿深度K进行处理，得到维度为的一维耦合特征数组，并作为采样时刻t的时序片段样本对应的时序片段特征，从而由输出层输出； 2 式2中：为所述池化层利用维度为2×2的平均池化方式得到在深度k上输出的耦合特征； 步骤2.4、基于FCM方法对时序片段特征进行聚类分析： 步骤2.4.1、采用欧式距离公式计算时序片段样本数据集中个时序片段样本与个聚类核心之间的距离，其中，表示第m个时序片段样本与第c个聚类核心之间的距离，为总聚类数； 步骤2.4.2、利用式3计算第m个时序片段样本对于第c个聚类核心的隶属度； 3 式3中：为隶属度加权系数；表示第m个时序片段样本与第n个聚类核心之间的距离； 步骤2.4.3、将每个时序片段样本按隶属度划分为对应的个类中，计算每个类中所有样本的特征均值，从而更新每个类的聚类核心； 步骤2.5、按照2.4的过程进行迭代计算，直至式4所示的目标函数达到最小值，或总迭代次数达到设定的阈值，从而得到最终的第m个隶属度矩阵；其中，表示第m个时序片段样本对于第c个聚类核心的最终隶属度； 4 步骤2.6、将所有隶属度矩阵融入时序片段样本数据集中，从而得到更新后的时序片段样本数据集；其中，表示第m个时序片段样本的历史耦合特征矩阵，表示第m个时序片段样本的外部影响因素矩阵； 步骤三、基于隶属度搜索的LSTM-MTL短期预测模型； 步骤3.1、将更新后的时序片段样本数据集划分为训练集和验证集；其中，表示训练集的样本数； 步骤3.2、对训练集按照FCM聚类结果再次分别进行划分： 步骤3.2.1、初始化第c个聚类中心的隶属度阈值、误差阈值RMSET，c； 步骤3.2.2、将训练集中的每个样本与第c个聚类中心的隶属度分别与进行比较，并将大于的样本划分入第c个聚类中心对应的数据集中； 步骤3.2.3、按照步骤3.2.1-3.2.2的过程，将训练集中的每个样本都划分到对应聚类中心所在的数据集中，从而由训练集得到个训练数据集； 步骤3.3、对验证集按照步骤3.2的过程进行划分，从而得到个验证数据集； 步骤3.4、建立MTL短期预测模型，并将分类后的第c个训练数据集中的外部影响因素矩阵作为输入，将分类后的第c个训练数据集中的三种负荷形式及其互转换后形成的9种负荷功率作为输出，从而对MTL短期预测模型进行训练，得到第c个类的网络模型； 步骤3.5、将第c个验证数据集输入第c个类的网络模型中进行处理，得到的预测结果用于计算第c个类的均方根误差值RMSEc； 步骤3.6、按照步骤3.2-3.5的过程进行迭代，比较RMSEc与RMSET，c，并保留较优均方根误差值后，更新隶属度阈值，直到达到最大迭代次数为止，从而得到全局最优均方根误差值所对应的第c个类的最优网络模型；进而得到个类的最优网络模型并作为全类型综合负荷短期预测模型。

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合肥工业大学;国网安徽省电力有限公司电力科学研究院，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。