買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜南昌航空大學申請的專利融合分解重構技術與多任務學習的多元負荷聯合預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119965861B 。

龍圖騰網通過國家知識產權局官網在2025-06-13發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510432615.X，技術領域涉及：H02J3/00；該發明授權融合分解重構技術與多任務學習的多元負荷聯合預測方法是由畢瀚元;程若發設計研發完成，并于2025-04-08向國家知識產權局提交的專利申請。

本融合分解重構技術與多任務學習的多元負荷聯合預測方法在說明書摘要公布了：本發明涉及融合分解重構技術與多任務學習的多元負荷聯合預測方法，先獲取電負荷、冷負荷、熱負荷的歷史負荷序列以及影響因素特征的數據序列，形成歷史多元負荷序列庫和影響因素特征庫；通過變分模態分解方法對歷史多元負荷序列庫中的數據進行初步分解，并使用混合特性評估法進行重構，更新歷史多元負荷序列庫；將歷史多元負荷序列庫和影響因素特征庫重塑為三維特征張量，構建CNN?ECA?MMoE多任務學習模型，用于輸出特征共享與特征提取的結果；構建CNN?ECA?MMoE?LSTM多任務學習模型并利用三維特征張量進行模型訓練，通過訓練好的模型輸出電負荷、冷負荷、熱負荷的預測結果。本發明方法提高了多元負荷的預測精度。

本發明授權融合分解重構技術與多任務學習的多元負荷聯合預測方法在權利要求書中公布了：1.融合分解重構技術與多任務學習的多元負荷聯合預測方法，其特征在于，包括如下步驟： 步驟S1，獲取綜合能源系統中電負荷、冷負荷、熱負荷的歷史負荷序列，組成歷史多元負荷序列并形成歷史多元負荷序列庫；同時獲取對電負荷、冷負荷、熱負荷產生影響的影響因素特征的數據序列，形成影響因素特征庫； 步驟S2，通過變分模態分解方法對歷史多元負荷序列中電負荷、冷負荷、熱負荷的歷史負荷序列分別進行初步分解，每種負荷分別得到K個模態分量； 步驟S3，通過混合特性評估法對步驟S2中得到的每種負荷的K個模態分量進行多角度的重構，將每種負荷對應的K個模態分量轉化為一組三類聚合序列；再將每種負荷對應的三類聚合序列更新到歷史多元負荷序列庫中，得到更新后的歷史多元負荷序列庫； 步驟S4，以時間步長M為序列長度對步驟S1中得到的影響因素特征庫和步驟S3中得到的更新后的歷史多元負荷序列庫進行歸一化后再進行合并，得到多組三維特征張量并組成三維特征張量庫，并以8：2的比例劃分為訓練集和測試集； 步驟S5，構建CNN-ECA-MMoE多任務學習模型，用于輸出特征共享與特征提取的結果； 所述CNN-ECA-MMoE多任務學習模型包括多個專家子網、多個門控網絡，所述專家子網包括依次連接的二維CNN層、池化層、高效通道注意力機制ECA；專家子網用于學習輸入數據的特定特征表示；門控網絡用于根據輸入數據動態調整各專家子網的輸出權重，并組合每個專家子網的輸出特征； 步驟S6，構建三個獨立的長短期記憶網絡LSTM，嵌入至CNN-ECA-MMoE多任務學習模型后端作為模型的任務專屬子網絡，并在每個長短期記憶網絡LSTM后銜接兩層全連接層，從而得到CNN-ECA-MMoE-LSTM多任務學習模型，并利用步驟S4中劃分的訓練集對模型進行訓練； 所述長短期記憶網絡LSTM用于對特征共享與特征提取的結果進行時序依賴關系的捕捉；全連接層用于對長短期記憶網絡LSTM的輸出進行特征變換，輸出多元負荷的預測結果，并進行反歸一化處理以獲得與輸入數據相同尺度的預測值； 步驟S7，根據步驟S1~步驟S4中的方法得到待預測時刻對應的三維特征張量；將待預測時刻對應的三維特征張量輸入至訓練好的CNN-ECA-MMoE-LSTM多任務學習模型中進行特征提取與時序依賴關系的捕捉，得到電負荷、冷負荷、熱負荷的預測結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南昌航空大學，其通訊地址為：330000 江西省南昌市紅谷灘區豐和南大道696號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。