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！

龙图腾网获悉国网江苏省电力有限公司;国网江苏省电力有限公司电力科学研究院;江苏省电力试验研究院有限公司申请的专利基于元学习的覆冰舞动预测模型的超参数优化方法及系统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：CN120893529B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202511405174.0，技术领域涉及：G06N3/0985；该发明授权基于元学习的覆冰舞动预测模型的超参数优化方法及系统是由陈杰;邱刚;张廼龙;谭笑;李陈莹;高超;杨景刚;黄新宇设计研发完成，并于2025-09-29向国家知识产权局提交的专利申请。

本基于元学习的覆冰舞动预测模型的超参数优化方法及系统在说明书摘要公布了：本发明公开了基于元学习的覆冰舞动预测模型的超参数优化方法及系统，采集来自气象监测设备、线路状态传感器及历史覆冰舞动记录的原始数据；对采集的原始数据按照时间粒度进行统一对齐，得到多模态时序数据；采用得到的多模态时序数据对构建的覆冰舞动时序预测模型的超参数进行内外双循环训练，所述内外双循环训练的内循环在给定超参数下进行迭代训练，待模型参数收敛后，外循环基于已经收敛的模型参数进行元学习级别的超参数优化，在固定内循环训练范式的前提下，对超参数进行自适应搜索，获得最优的超参数。可以在不同气象场景和线路工况下，快速、自适应地寻优模型关键超参数，提高预测精度与收敛速度，以实时的对输电线覆冰舞动风险告警。

本发明授权基于元学习的覆冰舞动预测模型的超参数优化方法及系统在权利要求书中公布了：1.一种基于元学习的覆冰舞动预测模型的超参数优化方法，其特征在于，包括以下步骤： 采集来自气象监测设备、线路状态传感器及历史覆冰舞动记录的原始数据； 对采集的原始数据按照时间粒度进行统一对齐，得到多模态时序数据； 采用得到的多模态时序数据对构建的覆冰舞动时序预测模型的超参数进行内外双循环训练，所述内外双循环训练的内循环在给定超参数下进行迭代训练，待模型参数收敛后，外循环基于已经收敛的模型参数进行元学习级别的超参数优化，在固定内循环训练范式的前提下，对超参数进行自适应搜索，获得最优的超参数；内循环在给定超参数下进行迭代训练包括： 将综合时间序列按补丁长度切分为不重叠的补丁划分，补丁划分经残差块线性映射至模型维度d，并附带二进制掩码，掩码值0表示参与注意力计算，1表示忽略以容忍缺测；随后叠加正弦-余弦位置向量用于显式注入时间顺序；训练期随机掩码r步，使模型适应不同上下文长度； 覆冰舞动时序预测模型每层由多头因果自注意力和前馈网络串联构成，自注意力阶段依赖键值查询向量维度dh进行并行计算，h为头数，前馈阶段则用隐藏维度4d的双层线性-GELU-线性网络对每个时间位置独立处理；所有子层后均施加残差连接与层归一化，以保证梯度传播稳定性；正则化及权重衰减系数λ用于抑制过拟合； 网络输出端同时连接分类任务头与回归任务头，分类任务头在最后时间步激活后增加注意力池化，再经过全连接+Sigmoid函数输出舞动概率；回归任务头对所有时间步特征进行线性映射输出舞动振幅；利用变长补丁预测机制，允许在一次前向传播中执行输入补丁和输出补丁等倍长推断； 内循环采用双任务联合损失L=αBCE,y+βMSEâ,a，其中α为分类损失权重、β为回归损失权重，由外循环提供，BCE为二元交叉熵损失，为输出概率，y为标签，MSE为均方误差损失，â为预测值，a为真实值；优化器选用AdamW优化器；训练过程中使用线性学习率预热经t步数后转余弦退火调度，在每个epoch结束后于验证集评估，并记录最佳检查点； 当验证集连续k个epoch的总损失下降幅度低于设定阈值ζ，或达到最大迭代时，判定内循环收敛；此时冻结得到的权重θ，同时返回最近三轮验证指标平均值作为元损失L_meta。

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江苏省电力有限公司;国网江苏省电力有限公司电力科学研究院;江苏省电力试验研究院有限公司，其通讯地址为：211100 江苏省南京市鼓楼区上海路215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。