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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京理工大學申請的專利基于改進鯨魚算法與神經(jīng)網(wǎng)絡的負荷預測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN115271150B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202210545126.1，技術領域涉及：H02J3/00；該發(fā)明授權基于改進鯨魚算法與神經(jīng)網(wǎng)絡的負荷預測方法是由吳優(yōu);馬澤龍;呂廣強;王寶華;蔣海峰設計研發(fā)完成，并于2022-05-19向國家知識產(chǎn)權局提交的專利申請。

本基于改進鯨魚算法與神經(jīng)網(wǎng)絡的負荷預測方法在說明書摘要公布了：本發(fā)明公開了一種基于改進鯨魚算法與神經(jīng)網(wǎng)絡的負荷預測方法，其包括：將神經(jīng)網(wǎng)絡損失函數(shù)作為改進鯨魚算法的目標函數(shù)，將超參數(shù)記為改進鯨魚算法的種群特征，建立超參數(shù)選取模型；使用非線性收斂因子平衡鯨魚優(yōu)化算法的全局搜索和局部開發(fā)；為包圍獵物和螺旋運動的更新公式添加自適應權重和為種群更新添加隨機差分變異來提高鯨魚優(yōu)化算法后期開發(fā)能力；為領導者添加隨機擾動來提高算法精度；使用反向學習和準反向學習增加種群多樣性；使用最優(yōu)超參數(shù)建立預測模型，進行負荷預測。本發(fā)明可以簡化超參數(shù)選取方法，提高鯨魚優(yōu)化算法的性能，增加神經(jīng)網(wǎng)絡所建負荷預測模型的精度和泛化能力，進一步提高負荷預測精度，幫助發(fā)電廠更好地制定發(fā)電計劃和調度中心更合理地安排調度。

本發(fā)明授權基于改進鯨魚算法與神經(jīng)網(wǎng)絡的負荷預測方法在權利要求書中公布了：1.一種基于改進鯨魚算法與神經(jīng)網(wǎng)絡的負荷預測方法，其特征在于，包括以下步驟：步驟1、確定目標函數(shù)和種群特征，將負荷的均方誤差作為改進鯨魚算法目標函數(shù)，將超參數(shù)作為種群特征，具體為：負荷的均方誤差作為改進鯨魚算法的目標函數(shù)： 式中：F表示負荷的均方誤差；n表示負荷采樣點數(shù)；yi分別表示負荷在時刻i的預測值和真實值；將超參數(shù)作為種群特征，對超參數(shù)的約束范圍如下： 式中：Bi和Ei表示超參數(shù)的下界和上界，i＝1,2,3,4；l表示學習率；iter表示神經(jīng)網(wǎng)絡迭代次數(shù)；h1,h2分別表示神經(jīng)網(wǎng)絡第一個和第二個隱藏層神經(jīng)元個數(shù)；步驟2、使用反向學習和準反向學習初始化種群，具體為：1反向學習 式中：和表示超參數(shù)的下界和上界；表示第i組超參數(shù)；表示的反向解；2準反向學習 式中：Avg表示中值；rand表示對兩向量特征間的隨機取值；表示的準反向解；步驟3、更新領導者，將負荷的均方誤差記為適應度，種群中適應度最小的超參數(shù)記為領導者，并為其添加隨機擾動，生成偽領導者，對比偽領導者和領導者適應度，取較小者為領導者；所述的更新領導者，具體包括：將種群中使負荷均方誤差最小的超參數(shù)作為領導者，為領導者添加隨機擾動： 式中：和表示擾動后和擾動前的領導者；ε表示擾動系數(shù)，用于調節(jié)擾動空間；r和p表示區(qū)間為[0,1]的隨機數(shù)；步驟4、為包圍獵物和螺旋運動添加隨機擾動，判斷更新方式，根據(jù)負荷的均方誤差更新超參數(shù)，為種群添加隨機差分變異，更新種群；具體為：1使用非線性收斂因子平衡鯨魚優(yōu)化算法全局搜索和局部開發(fā)： 式中：v表示調節(jié)系數(shù)，用于調節(jié)曲線形狀；T表示改進鯨魚算法最大迭代次數(shù)；t表示改進鯨魚算法迭代次數(shù)；Tc表示分段點；2使用自適應權重加強后期局部開發(fā) 式中：ws和we分別表示初始權重和最終權重；k表示控制因子，控制曲線平滑度；3改進更新公式 式中：w表示自適應權重；和表示包圍獵物和螺旋運動的更新步長；A是收斂因子a的函數(shù)，其值域為[-a,a]；b表示螺旋線形狀常數(shù)；l表示[-1,1]的隨機數(shù)；在選取更新方式時，有50％的概率使用螺旋運動更新超參數(shù)；若未選取螺旋運動，根據(jù)|A|選擇包圍獵物或搜尋獵物，當|A|＜1時，包圍獵物；當|A|≥1時，搜尋獵物；4隨機差分變異 式中：表示隨機超參數(shù)；步驟5、重復步驟3和步驟4至迭代結束，將最后一次迭代的領導者視為最優(yōu)超參數(shù)；步驟6、使用最優(yōu)超參數(shù)建立負荷預測模型，進行負荷預測，具體為：使用最優(yōu)超參數(shù)建立負荷預測模型，模型輸入為預測前一天的負荷與預測當天的氣溫、天氣，輸出為預測當天的負荷。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人南京理工大學，其通訊地址為：210094 江蘇省南京市孝陵衛(wèi)200號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。