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！

龙图腾网获悉黄冈强源电力设计有限公司;国网湖北省电力有限公司黄冈供电公司申请的专利一种基于深度学习的电网调度优化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：CN119134290B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202411166184.9，技术领域涉及：H02J3/00；该发明授权一种基于深度学习的电网调度优化方法是由陈志华;彭武;柯强;陈波;肖天雄;汪洋;汪景润;刘修锋;张王茜;易璐;徐晓彤设计研发完成，并于2024-08-23向国家知识产权局提交的专利申请。

本一种基于深度学习的电网调度优化方法在说明书摘要公布了：本发明提供一种基于深度学习网络的电网调度优化方法，包括以下步骤：根据时间采集风力发电机的功率输出数据和时空数据，对数据进行预处理；设计适用于风力发电功率预测的多模态网络结构；设计损失函数训练多模态网络，得到训练好的网络模型；使用训练好的模型对风力发电功率进行即时预测。通过采用深度学习方法，该基于深度学习网络的电网调度优化方法利用深度学习中的注意力机制，优化了对关键信息的聚焦，提升了风力发电功率预测的准确性，对风力发电功率进行了预测，能够实现更好的电网能源管理和调度优化，提高可再生能源的利用效率，减少依赖于传统能源，并确保了电网的稳定性和效率。

本发明授权一种基于深度学习的电网调度优化方法在权利要求书中公布了：1.一种基于深度学习的电网调度优化方法，其特征在于：包括如下步骤： S1、采集风力发电厂内每个风力发电机的历史功率输出数据和时空数据，对数据进行预处理； S2、设计适用于风力发电功率预测的多模态网络结构，包括一维信息特征提取模块和多通道图像空间特征提取模块及特征融合模块；所述S2中多模态网络结构具体包括： S2-1、设计多通道图像空间特征提取模块，具体如下： S2-1-1、输入多通道2D图像，使用3×3的卷积核进行初始卷积，后跟批归一化和LeakyReLU激活函数，然后使用1×1的卷积核进行深层特征提取，再次经过批归一化和LeakyReLU激活函数； S2-1-2、引入通道和空间双重注意力机制，首先是通道注意力机制，具体为通过挤压操作，将每个通道的二维特征图压缩成一个单一的数值，公式如下： ; 其中表示第c个通道的全局特征，它是该通道所有特征的全局平均值;是第c个通道的特征图，是该特征图在位置的值;和是特征图的高度和宽度;∑为求和符号，用于累加整个特征图的值；为进行平均操作的归一化因子； 然后是激励操作，使用一个小型的全连接神经网络来学习每个通道的权重，用于强化重要通道的特征，公式如下： ; 其中表示第c个通道的权重向量；是来自挤压操作的全局特征向量，输入到激励网络中；和代表两个全连接层的权重矩阵，第一个全连接层用于降维，第二个全连接层用于恢复维度；为ReLU激活函数，用于增加非线性；为Sigmoid激活函数，用于将权重限制在0到1之间； 最后是重标定操作，用于将计算得到的通道权重与原始特征图进行逐通道的乘法运算，以强调重要通道的特征，其公式为： ; 其中是通道c的权重，是加权后的特征图； 然后是空间注意力机制，公式如下： ; 其中为生成的空间注意力图；为3×3卷积核，用于跨通道聚合特征；为Sigmoid函数；为通道注意力机制处理后的特征图； 最后应用空间注意力机制，公式如下： ; 表示经过空间注意力调整后的特征图；为元素乘法操作，表示中的每个空间权重与中相应位置的值相乘； S2-1-3、在注意力机制后加入全局平均池化层、Dropout层、全连接层，应用自适应激活函数，并输出最终的特征向量；激活函数表示如下： ; 其中是激活函数的输入，是可学习的参数，这些参数可以在训练过程中根据输入特征动态调整 S3、设计损失函数训练多模态网络，得到训练好的网络模型； S4、使用训练好的模型对风力发电功率进行即时预测，实现对电网调度的优化。

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黄冈强源电力设计有限公司;国网湖北省电力有限公司黄冈供电公司，其通讯地址为：438000 湖北省黄冈市黄州区东门路36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”。

以上内容由龙图腾AI智能生成。