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！

龙图腾网获悉中能瑞通(北京)科技有限公司申请的专利一种智能家电用电日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：CN115358453B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202210916598.3，技术领域涉及：G06Q10/04；该发明授权一种智能家电用电日负荷预测方法是由李艳;郑英刚;黄昌宝;王海生;余斌设计研发完成，并于2022-08-01向国家知识产权局提交的专利申请。

本一种智能家电用电日负荷预测方法在说明书摘要公布了：本发明公开了一种智能家电用电日负荷预测方法，包括：获取智能家电用电96点历史负荷数据、气象数据、日期数据，并进行预处理；根据季节、日期数据依次对预处理后的历史负荷数据聚类；采用Pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据；采用粒子群PSO算法对LSSVM模型的参数进行优化；采用BP神经网络对优化后的LSSVM模型进行残差修正；对需要预测的智能家电用电日负荷进行预测。该方法考虑多元影响元素，利用组合方式对选取方法取长补短，提高预测精度；能够精确地预测智能家电用电日负荷数据，为电网的安全运行及电力规划提供依据，同时可以为需求侧管理提供决策支持。

本发明授权一种智能家电用电日负荷预测方法在权利要求书中公布了：1.一种智能家电用电日负荷预测方法，其特征在于，包括以下步骤： S10、获取智能家电用电96点历史负荷数据、气象数据、日期数据，并进行预处理； S20、根据季节、日期数据依次对预处理后的历史负荷数据聚类； S30、基于聚类结果，采用Pearson相关分析法，定量地找出与智能家电用电日负荷相关性大的气象因子作为数据样本输入预测前置参考数据； S40、基于预处理后数据中部分数据作为第一训练数据，构建LSSVM模型进行训练，采用粒子群PSO算法对LSSVM模型的参数进行优化； S50、基于预处理后数据中部分数据作为第二训练数据，采用BP神经网络对优化后的LSSVM模型进行残差修正； S60、根据优化后的LSSVM模型及BP神经网络模型，对需要预测的智能家电用电日负荷进行预测； 其中，所述步骤S30中，选取所述历史负荷数据对应的气象数据中最高温度、最低温度及对应的湿度，作为数据样本输入预测前置参考数据； 所述步骤S40中，采用粒子群PSO算法对LSSVM模型的参数进行优化，包括： 1初始化粒子群PSO算法的各种参数，包括：群体规模、学习因子、迭代的最大次数、粒子的初始位置和速度； 2分别用每个粒子向量所对应的LSSVM模型对学习样本进行预测，得到各粒子当前位置值的预测误差，并将其作为各粒子的适应度值；再将各粒子的当前适应度值与该粒子自身的最优适应度值进行比较，如果后者更优，则将该粒子自身的最优适应度值对应的位置，作为该粒子的最优位置； 3将各粒子的自身最优位置适应度值与群体最优位置的适应度值比较，如果更优，则将该粒子的最优位置作为群体的最优位置； 4根据计算惯性权值，更新粒子的速度和位置； 5检查是否满足寻优结束条件，若满足则结束寻优，求出最优解；否则转至步骤2，继续新一轮搜索；所述寻优结束条件为：达到预先设定的最大迭代次数或预设精度； 所述步骤S50，包括： 基于预处理后数据中部分数据作为第二训练数据，将所述第二训练数据中的最高温度、最低温度及对应的湿度作为输入值； 以所述第二训练数据的历史负荷数据实测值与优化后的LSSVM模型预测值之间的偏差作为输出值； 以所述输入值、输出值组建训练样本，建立3层前馈行BP神经网络模型； 所述步骤S60包括： 将需要预测的智能家电用电历史数据带入PSO—LSSVM模型、BP神经网络残差模型；由PSO—LSSVM模型得到负荷预测值，由BP残差模型得到残差预测值； 将负荷预测值与残差预测值，二者相加，作为最终的负荷预测值。

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中能瑞通(北京)科技有限公司，其通讯地址为：102299 北京市昌平区科技园区超前路37号16号楼2层C2150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。