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！

龙图腾网获悉山东大学申请的专利基于类型分析和特征重构的分行业负荷预测方法及系统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：CN119209529B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202411696989.4，技术领域涉及：H02J3/00；该发明授权基于类型分析和特征重构的分行业负荷预测方法及系统是由杨明;周皓阳;刘昊;焦敏;王飞;于一潇;李梦林;郑旭东;王传琦;李鹏设计研发完成，并于2024-11-26向国家知识产权局提交的专利申请。

本基于类型分析和特征重构的分行业负荷预测方法及系统在说明书摘要公布了：本发明属于分行业负荷预测技术领域，本发明提供了一种基于类型分析和特征重构的分行业负荷预测方法及系统，获取各行业的用电负荷数据及气象特征数据，进行预处理；对不同行业的用电负荷进行分类；计算各气象特征变量与不同类别用电负荷之间的最大信息系数，根据最大信息系数的值进行特征选择，并重构气象特征矩阵；将距离待预测日设定时间段内的历史负荷数据作为模型输入特征，合并至特征矩阵中；以合并后的特征矩阵为输入，负荷值为输出，对深度学习模型进行训练；根据预测目标的用电类型选择对应的特征矩阵，利用训练后的深度学习模型进行日前负荷预测。本发明能够实现不同行业的日前负荷预测。

本发明授权基于类型分析和特征重构的分行业负荷预测方法及系统在权利要求书中公布了：1.一种基于类型分析和特征重构的分行业负荷预测方法，其特征是，包括以下步骤： 获取各行业的用电负荷数据及气象特征数据，并进行归一化处理； 对不同行业的用电负荷进行分类； 对不同行业的用电负荷进行分类的过程包括，按照用电特性，将不同行业的用电负荷分为以下几类： 双峰型：在预定时间内，具有两个超过设定值的用电高峰； 连续用电型：连续时段用电负荷平均值与全天负荷平均值的比值超过设定值； 午间用电型：设定时间的午间负荷平均值与全天负荷平均值的比值超过设定阈值； 计算各气象特征变量与不同类别用电负荷之间的最大信息系数，根据最大信息系数的值进行特征选择，并重构气象特征矩阵； 计算各气象特征变量与不同类别负荷之间的最大信息系数的过程包括以负荷值y 为目标变量，x 为待筛选的气象特征变量，通过计算各气象特征变量与负荷数据之间的最大信息系数，以反映输入变量x 对目标变量y 的影响程度； 重构气象特征矩阵的过程包括： 构建不同用电类型下的负荷序列和气象特征序列； 进行气象特征变量选择，选择最大信息系数的值大于预定值的气象特征变量，确定初始气象特征矩阵，选择最大信息系数的值大于预定值的气象特征变量的过程中，通过对设定时间段内多个采样点的数据进行计算，得到不同气象特征与负荷数据之间的最大信息系数值，接着计算各气象特征在设定时间段内的平均最大信息系数值，并按平均最大信息系数值对不同特征进行排序，选取平均最大信息系数值大于设定值的特征变量构成预测模型的初始气象特征矩阵； 以不同气象特征变量在每个采样点的最大信息系数的值作为衡量各气象特征影响程度的权重，构建权重矩阵； 将初始气象特征矩阵和权重矩阵的对应位置元素相乘，得到最终的气象特征矩阵； 将距离待预测日设定时间段内的历史负荷数据作为模型输入特征，合并至特征矩阵中； 以合并后的特征矩阵为输入，负荷值为输出，对深度学习模型进行训练； 根据预测目标的用电类型选择对应的特征矩阵，利用训练后的深度学习模型得到用电负荷的日前预测结果； 所述深度学习模型为双向长短期记忆网络模型，在所述双向长短期记忆网络模型的训练过程中，每次训练所述双向长短期记忆网络模型利用遗忘门、输入门和输出门，更新记忆单元以及隐含层； 所述双向长短期记忆网络模型的计算公式具体为： ； ； ； 其中，和分别为在t 时刻前向和后向长短期记忆网络的负荷预测值；为时刻的负荷预测值；和分别表示长短期记忆网络前向和后向计算过程； 为t 时刻的输人特征；和分别为t 时刻前向和后向输出权值；为t 时刻的记忆单元；为t 时刻双向长短期记忆网络模型最终输出的负荷预测值。

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山东大学，其通讯地址为：250000 山东省济南市历下区经十路17923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。