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！

龙图腾网获悉福州大学申请的专利多头自注意力的深度卷积嵌入聚类风光荷联合场景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：CN115496153B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202211176681.8，技术领域涉及：G06F18/23213；该发明授权多头自注意力的深度卷积嵌入聚类风光荷联合场景方法是由刘丽军;胡鑫;陈俊生;徐韩伟设计研发完成，并于2022-09-26向国家知识产权局提交的专利申请。

本多头自注意力的深度卷积嵌入聚类风光荷联合场景方法在说明书摘要公布了：本发明提出多头自注意力的深度卷积嵌入聚类风光荷联合场景方法，包括以下步骤；步骤一、以多策略融合改进黏菌算法优化VMD模型参数组合，并基于最优参数组合，清洗风光荷时序数据；步骤二、建立基于多头自注意力的卷积自编码器，利用卷积解码器重构原始时序信号；步骤三、基于手肘法得出合适的聚类簇数，并针对特征利用Kmeans初始聚类中心；调整网络结构参数与更新聚类结果，基于均值法求取各类场景的聚类中心作为该类的典型场景，为电力系统的优化运行和规划提供基础；本发明能精准捕捉风光荷数据间耦合特征信息，将特征提取过程与聚类过程相结合，保障嵌入空间特征的代表性，可以生成风光荷联合场景并精确捕捉风光荷数据间耦合特征信息。

本发明授权多头自注意力的深度卷积嵌入聚类风光荷联合场景方法在权利要求书中公布了：1.多头自注意力的深度卷积嵌入聚类风光荷联合场景方法，用于生成风光荷耦合场景，其特征在于：所述方法通过精准捕捉风光荷数据间耦合特征信息，将特征提取过程与聚类过程相结合，以保障嵌入空间特征的代表性，包括以下步骤； 步骤一、以多策略融合改进黏菌算法优化VMD模型参数组合，并基于最优参数组合，清洗风光荷时序数据，削弱噪声信号对数据特征提取过程的影响； 步骤二、建立基于多头自注意力的卷积自编码器，提取处理后的风光荷数据的深层特征信息，同时，利用卷积解码器重构原始时序信号； 步骤三、基于手肘法得出合适的聚类簇数，并针对特征利用Kmeans初始聚类中心；然后基于编码器重构损失与聚类损失之和构成的联合损失函数，调整网络结构参数与更新聚类结果，基于均值法求取各类场景的聚类中心作为该类的典型场景，为电力系统的优化运行和规划提供基础； 步骤一中，对历史风光荷数据进行异常数据检测及清洗，数据为一年内的风光荷时序数据ft，以天为单位，每个样本包含24个时刻的风电、光伏出力及负荷数据；方法具体为： 步骤S1、采用非线性的时域分解方法—VMD模型，将原始风光荷数据ft分解成K个具有中心频率的IMF本征模态分量ukt，同时求取K个ukt的有限带宽之和，并使其最小，从而得到VMD模型表达式为： 式中：ωk为第k个ukt的中心频率；δt为单位脉冲函数；为偏导数运算符；引入Lagrange算子λ和二次项惩罚因子α，以精简式公式一的求解过程，运算后模型表达式为： 基于交替方向乘数法，对式5.2进行求解，不断寻优迭代和λ，迭代表达式为： 式中：n为迭代次数；和分别为ut、λt和ft的傅里叶变换； 步骤S2、所述VMD模型确定参数K和α的预设值时，若参数K取值过大，则出现过分解，导致模态重叠；若参数α取值过大，则导致中心频率的丢失，本步骤基于KL散度的多策略融合改进黏菌算法搜寻VMD的最优参数组合，KL散度用于度量本征模态分量ukt与原始风光荷数据ft之间的相似性，数学表达式为： 式中：R越接近0，则说明本征模态分量ukt与原始风光荷数据ft相似度越高；作为目标函数适应值，当R最小时，说明此时参数K与a为最优参数组合； 步骤S3、所述黏菌算法通过建立模型来模拟黏菌分散觅食行为，即黏菌最初接近食物时依据食物浓度的高低来选择是否要接近该食物，位置更新的数学表达式为： 式中：XT为第T次迭代中黏菌的位置；XbT为当前发现的最佳位置；W为权重系数；XAT和XBT分别为第T次迭代中随机选择的黏菌个体；r为[0，1]中的随机数；vc为反馈因子，其值从1线性递减至0；vb为控制参数，取值范围为[-a，a]；p为位置更新控制参数； 其中：p、a及W数学模型为： p＝tanh|Si-DF|公式八； 式中：Si为第i个黏菌个体的适应值；DF为全部迭代中最优适应值；Tmax为最大迭代次数；bF和wF分别为第T次迭代中最优适应值和最差适应值；condition为适应值排序在前一半的个体； 黏菌算法中，基于搜寻高质量食物的目的，黏菌会分割出部分个体用于探索剩余区域，位置更新的数学式为： 式中：rand为随机数；ub和lb分别为黏菌探索区域的上、下界；z为探索剩余区域的黏菌个体比例参数； 步骤S4、为防止黏菌算法因vc采用线性递减的方式无法精准及时反馈食物的浓度和品质，造成前期收敛速度变慢，引入自适应可调节的vc，加快前期vc的下降速度，提升搜索全局最优值的能力；且迭代计算后期的vc较为稳定，避免陷入局部最优；自适应可调节vc数学表达式为： 自适应反向学习机制在黏菌探索区域中引入向量该向量与各黏菌个体的位置相反，并比较二者适应度值，避免陷入局部最优；在第T次迭代时第i个黏菌个体位置的表达式为： 基于自适应决策，第i个黏菌探寻食物时将当前适应值与之前最优适应值SXiT进行比较，判断是否利用反向学习机制进行额外探索，并更新下一次迭代位置，表达式为： 步骤S5、选取平均绝对误差作为衡量数据处理优劣的标准，计算方式为： 式中：N为风光荷数据样本总数；为数据处理后风光荷数据； MAE衡量了数据处理算法在有效去除风光荷数据中异常值的前提下，保留数据的原始特征的能力；MAE越小，说明数据处理的效果越优异； 步骤三中包括以下步骤 步骤B1、基于自编码器中获得的低维特征信息，用手肘法，即肘方法，观察不同簇类数的肘值，从而确定最优簇类数，初始化设置Kmeans初始聚类中心，并基于联合损失函数，利用Adam优化器微调整个网络参数和保障嵌入式空间特征的代表性，以此得到最优聚类结果； 联合损失函数以公式表述为 L＝Lr+γLc公式二十四； 式中：L为联合损失函数；γ为控制嵌入空间扭曲程度系数，取0.1；Lc为聚类损失函数； 以聚类中心μj作为其与低维空间特征Zi的连接权重，并将每个低维空间特征Zi映射至软标签上；同时，为了提高Zi与μj的适配精度，采用高斯分布作为理想目标分布，该步骤中，聚类损失描述的是软标签上的分布与高斯分布之间的KL散度，用于衡量二者之间的相似性；具体过程以公式表述如下； 式中：qij为低维空间特征Zi属于聚类中心μj的概率；bij为目标分布辅助函数； 步骤B2、以KL散度作为辅助聚类目标函数对堆栈编码器进行调优，利用Adam优化器进参数调整，得到适合场景聚类的编码器结构；具体计算过程为： Mtt＝β1·Mtt-1+1-β1·gtt公式二十九； 式中：tt为时间间隔；gtt为梯度；Mtt为gtt的一阶矩估计；为模型参数；ηtt为gtt的二阶矩估计；和分别为其相对应的网络输出；ψ为网络步长值；β1为Mtt的指数衰减率，取0.9；β2为ηtt的指数衰减率，取0.999；ε为常数，用于保证算法的鲁棒性； 步骤B3、经过编码器和聚类层的联合训练得到年内最优场景聚类结果，采用CHI、SC与DBI三个评价指标评价聚类结果，并利用均值法求取各类场景的聚类中心，得到每类的典型场景。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。