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！

龙图腾网恭喜国网信通亿力科技有限责任公司申请的专利一种基于电量大数据的发行电量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：CN119579239B 。

龙图腾网通过国家知识产权局官网在2025-04-11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：202510138763.0，技术领域涉及：G06Q30/0202；该发明授权一种基于电量大数据的发行电量预测方法是由陈婧;林超;林笔星;战英明;叶坤荣;张立娜;施炜炜;张琬茹;吴建航;娄梦瑶设计研发完成，并于2025-02-08向国家知识产权局提交的专利申请。

本一种基于电量大数据的发行电量预测方法在说明书摘要公布了：本发明涉及一种基于电量大数据的发行电量预测方法，包括以下步骤：S1：获取收集台区所供负荷的用电性质和网络结构数据，并分析管控，提升同期线损基础数据质量；S2：构建售电量预测模型，预测未来的售电量；S3：搭建反馈回路，利用误差修正方法不断自校准售电量预测模型，并纳入事件、更新、误差修正手段进行未来售电量预测修正；S4：根据修正后的未来售电量，基于线变损电量预测模型预测线变损电量，并基于预测的线变损电量和未来售电量，计算发行电量；S5：通过图表形式展示历史售电量、历史供电量、预测未来售电量和预测发行电量。本发明能够捕捉复杂的时间依赖关系和非线性波动，提高发行电量预测的准确性和细粒度。

本发明授权一种基于电量大数据的发行电量预测方法在权利要求书中公布了：1.一种基于电量大数据的发行电量预测方法，其特征在于，包括以下步骤：S1：获取收集台区所供负荷的用电性质和网络结构数据，并通过地址校验分析、OP互联分析、营配贯通分析、基础档案稽查对基础数据加以分析管控，提升同期线损基础数据质量；S2：构建售电量预测模型，预测未来的售电量，具体如下：获取历史售电量数据，并按小时、日、月的分级数据；获取影响因素数据：包括天气情况、节假日效应、经济指标和用电政策；使用statsmodels库中的seasonal_decompose函数对时间序列数据进行分解，提取趋势、季节性和残差成分；Yt=Tt+St+et；其中，Yt是原始数据，Tt是趋势，St是季节性，et是残差；生成时间序列特征，包括周标签、月标签、小时标签，并使用scikit-learn的PCA模块进行特征降维，提取重要特征：对所有时间序列特征进行标准化处理，从标准化的特征中计算协方差矩阵C： ；其中，xi是标准化后的第i个数据向量，是均值向量，是数据点的数量；对协方差矩阵进行特征值分解，得到特征值和特征向量： ；其中，Λ是对角特征值矩阵，特征值表示数据在对应主成分方向上的方差大小；V是特征向量矩阵，每个特征向量代表一个主成分方向；根据特征值的大小选择大于阈值的主要特征向量Z；Z=X×Vm；其中，X是标准化后的特征向量矩阵；Vm是选择的前m个特征向量；Z是降维后的数据；结合时间序列模型和机器学习模型，利用加权平均或堆叠方法融合多个模型的预测结果；对历史与预测数据进行多层次对比，包括小时、日、月分级，探查不同时间尺度下的预测准确性，利用Python中的Matplotlib和Seaborn库可视化实际与预测数据差异；识别并分析季节性趋势，波动幅度和长期增长减少趋势，使用滚动平均和线性回归拟合趋势线；S3：搭建反馈回路，利用误差修正方法不断自校准售电量预测模型，并纳入事件、更新、误差修正手段进行未来售电量预测修正；S4：根据修正后的未来售电量，基于线变损电量预测模型预测线变损电量，并基于预测的线变损电量和未来售电量，计算发行电量；S4具体为：收集包括线损电量、售电量在内的历史数据，以及温度、湿度、负载变化、设备状态数据；基于LightGBM构建线损率预测模型，定义特征矩阵Q，包含所有影响线损电量的因素；定义目标变量y，即线损率；采用贝叶斯优化调优线损率预测模型参数： ；其中，θ表示需要优化的参数集；θnew表示经过贝叶斯优化选择出的最佳参数组合；为期望值运算符；为损失函数；为数据集，包括特征Q和目标变量y；将最佳参数下的LightGBM模型部署在生产环境，用于实时预测线损率βt根据修正后的未来售电量和动态线损率βt，预测线损电量； ；则发行电量： ；S5：通过图表形式展示历史售电量、历史供电量、预测未来售电量和预测发行电量。

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国网信通亿力科技有限责任公司，其通讯地址为：361008 福建省厦门市软件园二期观日路36号402室；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”。