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！

龙图腾网获悉南京鼎研电力科技有限公司;南京邮电大学申请的专利基于注意力机制的CNN-XGBoost的电力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：CN119577598B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202411625315.5，技术领域涉及：G06F18/243；该发明授权基于注意力机制的CNN-XGBoost的电力负荷预测方法是由江涛;郭永祥;徐立平;杨兴留;李晨旭;杨超;洪欢;徐鹤;季一木;刘尚东设计研发完成，并于2024-11-14向国家知识产权局提交的专利申请。

本基于注意力机制的CNN-XGBoost的电力负荷预测方法在说明书摘要公布了：基于注意力机制的CNN‑XGBoost的电力负荷预测方法，获取相关历史负荷数据和特征数据，并进行数据相关性分析，在此基础上利用CNN在特征提取上的优势，使用CNN构造特征提取模块，并针对传统的卷积神经网络无法区分提取出来的特征是否对预测有效的问题，引入Attention注意力机制，赋予特征不同的权重，区分对输出贡献程度不同的特征，对提取出的特征进行有意识的侧重，发掘提取出的特征与标签的关系，再结合XGBoost算法，将提取的特征输入XGBoost结构中进行短期负荷预测，本方法能够综合CNN算法在特征提取方面的优势和XGBoost算法针对非线性负荷预测精度高，预测收敛速度快的优点，提高全网用电短期负荷预测的准确率和稳定性。

本发明授权基于注意力机制的CNN-XGBoost的电力负荷预测方法在权利要求书中公布了：1.基于注意力机制的CNN-XGBoost的电力负荷预测方法，其特征在于：包括以下步骤： S1、基于电网历史运行信息与负荷信息，利用相关性分析方法，建立历史样本数据库； S2、基于历史样本数据库，采用CNN算法结合注意力机制，建立地区全网用电的特征提取模块，提取出影响负荷数据的关键特征； 步骤S2具体为， S21、CNN卷积层通过卷积核实现对输入信息的特征提取，CNN卷积层中的卷积核按照预设的滑动步长从左到右，再从上到下进行移动扫描，直到完整输入整个特征图，每一个卷积层含有多个卷积核共同对输入信息进行运算，提取关键特征；卷积核的运算公式为： 其中，为第l层卷积层的第j个输出特征图，f为激活函数，为第l-1层的第i个输入特征图，为第l层卷积核对应的权重，*为点乘，，为第l层卷积层输出的第j个特征图对应的偏置，l表示网络的层数索引，表示当前的卷积是第l层，i表示输入特征图的索引，j表示输出特征图的索引； S22、CNN池化层的作用是对卷积层中提取的特征进行二次选择，对特征进行降维，保留最显著的特征，从而丢弃冗余或无关信息，增强鲁棒性，CNN全连接层的作用是将卷积层或池化层输出的多维特征图展平为一维向量，进一步提取全局信息； S23、引入注意力机制，将CNN卷积层输出的特征图输入到注意力机制中，增强特征的权重，使用通道注意力网络SENet，通过学习的方式来自动获取每个通道的重要程度，然后依照该重要程度去提升有用的特征并抑制对当前任务用处不大的特征提高模型预测的精度，首先SENet对CNN卷积层的输出特征图进行全局平均池化，计算出每个通道的全局统计特征，通道经过池化后变成一个单一的标量，这些标量经过两级全连接，先将特征压缩，在进行扩展，用sigmoid函数计算出每个通道的权重，并将权重限制在[0,1]之间，用来表示通道的重要性，把这个权重乘到CNN卷积结果的通道上，作为下一级的输入，通过控制权重的大小，把重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强，sigmoid函数如下： 其中x表示通过全局平均池化和两级全连接后生产成的通道特征值，代表通道的重要性分数，他是全连接层输出的中间变量，通过sigmoid函数对其进行压缩；当值接近1时，表示该通道的重要性较高，当值接近0时表示该通道的重要性较低； S3、基于步骤S2提取出的关键特征与历史样本数据库中的电网历史负荷信息，采用XGBoost的方法进行训练，生成全网用电的人工智能预测模型； 步骤S3具体为， S31、将特征数据以及负荷信息，形成测试集与训练集，采用XGBoost的方法进行训练，为评估模型的预测的精度，选取平均绝对百分误差和均方根误差作为评价标准，其表达式分别为： *100% 式中，n表示为预测结果的总个数；和分别为预测第i个采样点的实际负荷值和预测负荷值；衡量模型预测结果的好坏，评价预测的精度，对结果中极大或极小的误差反映敏感；电力负荷预测中，和的值越小，负荷预测结果越准确； S32、XGBoost的超参数进行调整，采用网格搜索或手动调参的方法，使得XGBoost的模型训练集上得到最优的树的深度、最优迭代次数以及收缩步长； S4、基于步骤S2提取出的关键特征，以15min为时间间隔，获取全网用电未来一天以及三天的关键特征预报数据，以其为输入特征，利用步骤S3生成的人工智能模型，预测全网用电未来一天以及三天的负荷曲线。

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南京鼎研电力科技有限公司;南京邮电大学，其通讯地址为：210019 江苏省南京市建邺区应天大街888号金鹰世界B座22F；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。