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！

龙图腾网获悉长春工业大学申请的专利一种特征融合图神经网络的短期住宅用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：CN119476652B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202510054369.9，技术领域涉及：G06Q10/04；该发明授权一种特征融合图神经网络的短期住宅用电量预测方法是由董吉哲;李九龙;孙洋;高洪尧;王鹏皓设计研发完成，并于2025-01-14向国家知识产权局提交的专利申请。

本一种特征融合图神经网络的短期住宅用电量预测方法在说明书摘要公布了：本发明为一种特征融合图神经网络的短期住宅用电量预测方法，属于电力系统短期用电量预测技术领域。其解决了传统方法在捕捉时空依赖关系和特征融合方面的不足，主要技术要点包括：采集并预处理真实世界公开的住宅历史用电量数据及辅助特征数据，通过输入模型分别进行处理；搭建并行时间卷积结构；通过逆向三模态因子分析法构建三维动态邻接矩阵；设计多特征融合模块，将辅助特征的时空关系动态引入到主特征预测中；引入残差连接与跳跃连接结构，最终构建多特征融合时空图神经网络模型，并通过评价指标验证模型的有效性。结果表明，本发明可以提升电力调度与能耗管理的精准性，为智能电网和可再生能源管理提供技术支撑。

本发明授权一种特征融合图神经网络的短期住宅用电量预测方法在权利要求书中公布了：1.一种特征融合图神经网络的短期住宅用电量预测方法，其特征在于，所述方法包括以下操作： 首先，使用OpenEI官网提供的公开数据集，选取美国路易斯安州的15个住宅的历史用电量数据以及住宅的2个辅助特征历史数据，其中这15个住宅的历史用电量数据包含2012年每小时历史用电量数据，每户住宅记录每小时的各种用电设备的用电量，共记录了8760个数据点，2个辅助特征是Electricity:Facility和Electricity:HVAC，主特征为总用电量，也就是预测对象； 其次，将住宅用电量数据集与2个辅助特征数据集分别通过输入模块进行处理，并编为一组数据集，现有住宅用电量数据集与2个辅助特征数据集为和合称为X1:T，其中1:T代表历史时间步长为T，在下面的分析中将只使用来代表2个辅助特征，输入模块是通过一个二维卷积层，该过程如下：式中，和是经过2DCNN后主特征与辅助特征的输出，他们将作为时间模块的输入，W·和b·均为可学习的参数； 再者，搭建并行时间卷积结构表示用电量之间的时间关系，在搭建并行时间卷积结构过程中采用膨胀因果卷积结构，并通过门控机制控制两个并行的膨胀因果卷积层所形成门控膨胀因果卷积层，再分别经过Tanh·和σ·两种激活函数的处理，最后进行逐元素积操作，整个过程如下： 式中，是lth时间模块时间卷积层的主特征的输出，lth时间模块时间卷积层的辅助特征的输出为Wf,l和Wg,l是卷积滤波器可学习的参数，σ·是Sigmoid激活函数； 利用逆向三模态因子分析法，通过构造3个因子载荷矩阵和1个核心矩阵来重构原始邻接矩阵该过程具体包括： 步骤1利用相邻时间段的住宅用电量的时序关联性，将所有时间步长按照24小时为周期进行分割，这里Nt＝24，从而将原始邻接矩阵的复杂度降低为步骤2使用逆向三模态因子分析法通过构造核心矩阵Gm,p,q和因子载荷矩阵At,m,Bi,p,Cj,q来重构原始邻接矩阵公式如下： 式中，是时隙因子载荷矩阵，是输入节点因子载荷矩阵，是输出节点因子载荷矩阵，是核心矩阵，其中Ni为输入节点数量，No为输出节点数量，d为嵌入维度，因子载荷矩阵At,m,Bi,p,Cj,q为二维矩阵，Gm，p，q为三维矩阵， 上述这两个公式分别为所造出来的邻接矩阵的非负化处理和行归一化处理，得到最终使用的三维邻接矩阵； 步骤3是根据步骤2的三维邻接矩阵构建方法，分别构建出满足模型使用的三种三维邻接矩阵，分别是主特征三维邻接矩阵辅助特征三维邻接矩阵在多特征融合模块中使用的三维邻接矩阵在多特征融合模块中通过构造来动态模拟主特征与辅助特征之间的时空关系，Nm代表主特征节点数量，Nc代表辅助特征节点数量； 步骤4根据步骤3得到的三种三维邻接矩阵产生图结构，一个图由一组节点集v和一组边集e组成，其中vi，vj∈v表示节点，εij∈e表示vi和vj之间的边，而这三种图结构是多户住宅用电量及其辅助特征之间联系，并使用扩散图卷积网络通过聚合相邻住宅的隐藏状态来处理住宅间的空间依赖性，公式为： 式中，是lth动态图卷积层的输入，Ol为经过动态图卷积层更新后的输出，主特征输出为辅助特征输出为Wk为kth扩散的可学习的参数，K为扩散总步数； 然后，设计多特征融合模块，该模块考虑了辅助特征的节点之间也存在的时空依赖关系，在经过聚合过程得到融合后的输出，公式为： 式中，DGC·是动态图卷积层，为多特征融合后的输出，Agg·代表两个结果的聚合过程，时隙t的邻接矩阵表示为其中ωt是获取一个周期中时隙数量的函数，W代表可学习的参数，代表经过多特征融合模块后的输出结果； 最后，形成整个多特征融合时空图神经网络，在整个网络中为了提高模型的性能和训练效率，还添加了残差连接与跳跃连接结构，跳跃连接结构将不同的时间依赖关系集成在一起，公式为： 式中，concat·是拼接操作，是每一层中时间模块的主特征的输出结果，L是时空层数，最终得到的输出结果如下： 式中，Om为模型经过跳跃连接后的输出，是未来Q时间步长的住宅用电量预测值；利用公开数据集对模型进行验证，通过评价指标来判断模型的有效性。

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长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055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”。