本发明属于空调负荷预测技术领域，本发明公开了一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，该方法使用TRNSYS建立建筑负荷计算模型，结合气象参数与建筑模型，计算建筑负荷；结合家庭空调负荷，建立建筑负荷匹配家庭空调负荷的空调负荷匹配函数；将气象参数作为输入，建筑负荷作为输出，建立建筑负荷反向传播神经网络预测模型，将反向传播神经网络负荷预测模型计算的建筑负荷通过空调负荷匹配函数匹配家庭空调负荷，实现家用空调的负荷预测。本发明适用于家庭用电行为分析，作为家庭用电智能管理策略的基础，具有较好的应用前景。
📄 2024105022903
📂 F24F11_30
👤 浙江工业大学
📅 2024-04-25
本发明属于空调负荷预测技术领域，本发明公开了一种基于建筑负荷预测与匹配的家庭空调负荷预测方法，该方法使用TRNSYS建立建筑负荷计算模型，结合气象参数与建筑模型，计算建筑负荷；结合家庭空调负荷，建立建筑负荷匹配家庭空调负荷的空调负荷匹配函数；将气象参数作为输入，建筑负荷作为输出，建立建筑负荷反向传播神经网络预测模型，将反向传播神经网络负荷预测模型计算的建筑负荷通过空调负荷匹配函数匹配家庭空调负荷，实现家用空调的负荷预测。本发明适用于家庭用电行为分析，作为家庭用电智能管理策略的基础，具有较好的应用前景。
📄 2024105022903
📂 F24F11_30
👤 浙江工业大学
📅 2024-04-25
本发明涉及一种基于模态傅里叶分解及改进Autoformer的短期电力负荷预测方法，属于电力技术领域。本发明方法包括影响因素相关性分析模块、模态傅里叶联合分解模块与改进Autoformer的集成模块三个部分。本发明提出的短期电力负荷预测方法，在负荷呈现出复杂的非线性特征、噪声干扰以及明显的季节性波动的情况下，具有较高的预测精度与较强的鲁棒性。进行负荷分解测试、鲁棒性测试、一周测试及一天测试，实验结果表明，模态傅里叶联合分解模块显著降低负荷分量的复杂度，本发明所提方法较传统模型有更好的鲁棒性，在一周和一天的测试中具有较高的稳定性，并有最高预测精度。
📄 2025100553760
📂 H02J3_00
👤 重庆邮电大学
📅 2025-01-14
本发明涉及电力负荷预测技术领域，具体为一种智能电网负荷预测系统及方法，系统包括：电网负荷耦合关系计算模块、电网负荷动态调整模块、气象影响电网负荷修正模块、负荷预测模型输入优化模块、电网负荷预测误差评估模块。本发明中，提取负荷变化速率，计算负荷增量及潮流比例，刻画负荷动态耦合关系，结合电网拓扑计算电压相角偏移，增强负荷预测区域联动性，基于往期负荷传播时延调整参数，提高模型对突发波动响应能力，结合气象数据分析负荷斜率，设定温湿度敏感区间，增强极端天气适应性，利用负荷耦合修正值优化输入参数，减少数据失真，提高长期预测稳定性，提升负荷动态调整、气象影响建模及输入优化精度，为电网调度提供精准支撑。
📄 2025104876200
📂 G06Q10_04
👤 深圳凯升联合科技有限公司
📅 2025-04-18
本发明公开了一种电力负荷预测方法、装置及介质，所述方法包括：首先对获取原始的电力负荷数据进行预处理；利用InfoGAN方法对电力负荷中缺失的数据进行重构；采用图卷积神经网络算法对电力负荷数据进行特征提取，进而把提取的有效数据构成邻接矩阵；采用随机对立学习策略、饥饿搜索策略和准反向学习策略对DBO算法进行改进，得到IDBO算法；之后把邻接矩阵输入周期性解耦神经网络模型中进行训练，同时利用IDBO算法优化周期性解耦神经网络模型参数，利用训练优化后的周期性解耦神经网络模型对电力负荷进行预测。本发明能对电力负荷进行准确预测，确保电力系统的稳定、高效运行以及对合理规划未来能源供需起着关键的作用。
📄 2024104895442
📂 H02J3_00
👤 淮阴工学院
📅 2024-04-23
本发明公开了一种基于代表数据重构的增量SVR负荷预测方法，包括：获取电力负荷数据；利用相空间重构原理得到多输入‑单输出模式数据；利用所得模式数据和粒子群算法建立支持向量回归模型；实时获取新增的电力负荷预测数据；利用增量学习算法更新最优代表数据子集；利用嵌套粒子群方法更新模型参数；利用更新后的模型参数和最优代表数据子集建立支持向量回归模型；确定增量负荷预测并输出增量负荷预测值。本发明将支持向量回归的支持向量应用于海量数据的知识理解研究，提出的方法能够实现新增数据引起的代表数据重构，有效解决了海量数据计算复杂性高、难以提取知识的问题，嵌套地实现了模型参数的更新，为电力系统规划与运行提供参考依据。
📄 2016101326125
📂 G06Q10_04
👤 南昌工程学院
📅 2016-03-08
本发明提供一种基于Transformer的综合负荷预测方法及系统，包括将获取的检测日历数据、负荷检测数据和气象检测数据作为输入数据，并输入至预训练的综合负荷预测模型；利用相关性分析、多尺度分解、序列划分分别对输入数据进行季节特征提取和趋势性特征提取获得季节性预测值和趋势性预测值，并将季节性预测值和趋势性预测值分别对应相加，获得实时热能预测值、实时冷能预测值和实时电能预测值；本发明针对数据的趋势性、季节性、长时依赖关系以及不同负荷的耦合特性，提高了区域综合资源系统多负荷预测精度；使用基于线性方法的回归预测在不影响预测精度的情况下，大大减少综合负荷预测模型复杂度，减少了训练资源开销。
📄 2024106099654
📂 G06Q10_04
👤 南京信息工程大学
📅 2024-05-16
本发明提供了一种基于时空图神经网络的多能源负荷预测方法，包括如下步骤：选出日历特征，并获取综合能源系统中对应时间的电、热、冷负荷、气象特征数据；对各特征数据进行异常数据检测、线性插值、归一化处理，得到时间序列数据集；使用灰色关联度分析方法选择与电、热、冷负荷相关性较强的气象、日历特征，得到多能源负荷预测数据集；将多能源负荷预测数据集分为训练集、验证集和测试集，利用训练集和验证集中的数据对时空图神经网络进行训练，得到最优负荷预测模型；将测试集中的数据输入最优负荷预测模型，得到电、热、冷负荷预测结果。本发明利用时空图神经网络使多能源负荷预测模型的通用性更强，预测性能更高。
📄 2022116092402
📂 G06Q10_04
👤 南京信息工程大学
📅 2022-12-14
柿子坊 · 知识产权运营
柿子坊知识产权运营平台