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！

龙图腾网恭喜南昌航空大学申请的专利融合分解重构技术与多任务学习的多元负荷联合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：CN119965861B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202510432615.X，技术领域涉及：H02J3/00；该发明授权融合分解重构技术与多任务学习的多元负荷联合预测方法是由毕瀚元;程若发设计研发完成，并于2025-04-08向国家知识产权局提交的专利申请。

本融合分解重构技术与多任务学习的多元负荷联合预测方法在说明书摘要公布了：本发明涉及融合分解重构技术与多任务学习的多元负荷联合预测方法，先获取电负荷、冷负荷、热负荷的历史负荷序列以及影响因素特征的数据序列，形成历史多元负荷序列库和影响因素特征库；通过变分模态分解方法对历史多元负荷序列库中的数据进行初步分解，并使用混合特性评估法进行重构，更新历史多元负荷序列库；将历史多元负荷序列库和影响因素特征库重塑为三维特征张量，构建CNN‑ECA‑MMoE多任务学习模型，用于输出特征共享与特征提取的结果；构建CNN‑ECA‑MMoE‑LSTM多任务学习模型并利用三维特征张量进行模型训练，通过训练好的模型输出电负荷、冷负荷、热负荷的预测结果。本发明方法提高了多元负荷的预测精度。

本发明授权融合分解重构技术与多任务学习的多元负荷联合预测方法在权利要求书中公布了：1.融合分解重构技术与多任务学习的多元负荷联合预测方法，其特征在于，包括如下步骤： 步骤S1，获取综合能源系统中电负荷、冷负荷、热负荷的历史负荷序列，组成历史多元负荷序列并形成历史多元负荷序列库；同时获取对电负荷、冷负荷、热负荷产生影响的影响因素特征的数据序列，形成影响因素特征库； 步骤S2，通过变分模态分解方法对历史多元负荷序列中电负荷、冷负荷、热负荷的历史负荷序列分别进行初步分解，每种负荷分别得到K个模态分量； 步骤S3，通过混合特性评估法对步骤S2中得到的每种负荷的K个模态分量进行多角度的重构，将每种负荷对应的K个模态分量转化为一组三类聚合序列；再将每种负荷对应的三类聚合序列更新到历史多元负荷序列库中，得到更新后的历史多元负荷序列库； 步骤S4，以时间步长M为序列长度对步骤S1中得到的影响因素特征库和步骤S3中得到的更新后的历史多元负荷序列库进行归一化后再进行合并，得到多组三维特征张量并组成三维特征张量库，并以8：2的比例划分为训练集和测试集； 步骤S5，构建CNN-ECA-MMoE多任务学习模型，用于输出特征共享与特征提取的结果； 所述CNN-ECA-MMoE多任务学习模型包括多个专家子网、多个门控网络，所述专家子网包括依次连接的二维CNN层、池化层、高效通道注意力机制ECA；专家子网用于学习输入数据的特定特征表示；门控网络用于根据输入数据动态调整各专家子网的输出权重，并组合每个专家子网的输出特征； 步骤S6，构建三个独立的长短期记忆网络LSTM，嵌入至CNN-ECA-MMoE多任务学习模型后端作为模型的任务专属子网络，并在每个长短期记忆网络LSTM后衔接两层全连接层，从而得到CNN-ECA-MMoE-LSTM多任务学习模型，并利用步骤S4中划分的训练集对模型进行训练； 所述长短期记忆网络LSTM用于对特征共享与特征提取的结果进行时序依赖关系的捕捉；全连接层用于对长短期记忆网络LSTM的输出进行特征变换，输出多元负荷的预测结果，并进行反归一化处理以获得与输入数据相同尺度的预测值； 步骤S7，根据步骤S1~步骤S4中的方法得到待预测时刻对应的三维特征张量；将待预测时刻对应的三维特征张量输入至训练好的CNN-ECA-MMoE-LSTM多任务学习模型中进行特征提取与时序依赖关系的捕捉，得到电负荷、冷负荷、热负荷的预测结果。

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昌航空大学，其通讯地址为：330000 江西省南昌市红谷滩区丰和南大道696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”。