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！

龙图腾网获悉河海大学申请的专利一种考虑全局信息与局部信息融合的光伏功率精准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：CN119721752B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202411769339.8，技术领域涉及：G06Q10/0637；该发明授权一种考虑全局信息与局部信息融合的光伏功率精准预测方法是由蔡昌春;周毅;吴敏;石庆伦;史朋飞;范新南设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种考虑全局信息与局部信息融合的光伏功率精准预测方法在说明书摘要公布了：本发明涉及光伏功率预测领域，是一种考虑全局信息与局部信息融合的光伏功率精准预测方法。所述方法包括如下步骤：1建立基于时间模式注意力的双向堆叠长短时记忆模型作为全局分支，处理全部输入序列并捕捉时间序列的长期依赖性；2考虑光伏功率预测模型对历史相似信息的利用建立基于相似时间序列匹配的改进Transformer模型作为局部分支，处理局部输入序列捕捉预测时段与附近时间节点之间的依赖关系；3建立基于长短时记忆网络和Transformer的双分支架构的混合预测模型，设计两个独立的分支分别提取全局信息和局部信息，通过专门的解码器模块整合这两类信息。通过算例分析验证本发明所提模型能够实现光伏功率的精准预测。

本发明授权一种考虑全局信息与局部信息融合的光伏功率精准预测方法在权利要求书中公布了：1.一种考虑全局信息与局部信息融合的光伏功率精准预测方法，其特征在于：包括以下步骤： S1:构建一种结合时间模式注意力TPA机制和多向长短期记忆MBLSTM网络的神经网络架构：该架构包含输入层、MBLSTM层、TPA层、展平层Flatten、全连接层Dense以及输出层：其中，输入层的任务是将包括历史功率和气象条件的时序数据序列化地送入模型；MBLSTM层专注于从这些输入数据中抽取出复杂的特征；TPA层则进一步处理MBLSTM层产生的特征向量，为其分配时间模式上的注意力权重，以强调那些对预测更为关键的时间段；展平层的作用是将TPA层输出的多维特征矩阵转化为一维数组；随后，通过全连接层及相应的激活函数，将这些特征映射至最终的标签空间，从而实现光伏功率的预测输出； S2:设计历史相似时间序列匹配方法：首先采用FCM聚类算法处理光伏功率历史数据，将各时间段的光伏功率数据归类为“晴天”、“多云”、和“阴天”三种天气模式；在上面聚类的基础上进一步通过计算不同日搜索时段光伏功率曲线的Pearson相关系数，以及不同日待预测时段NWP数据曲线的最大互信息数，计算二者的平均值并选取其中相似度最高的n个时间序列作为历史相似时间序列匹配的结果； S3:构建基于相似时间序列匹配的改进Transformer模型：Transformer模型在处理长距离依赖关系、促进全局信息的交互以及支持并行化计算上展现出了更为显著的优势：在编码器阶段，首先将待预测日搜索时段和相似日搜索时段的时间序列数据经过线性变换映射为特征向量Q、K和V并通过自注意力机制处理特征向量并设计一个独特的前馈通道减少信息丢失使模型输出更加稳定；在解码器阶段，将相似日待预测时段数据依据相似度加权平均的结果作为输入向量，并引入两个自注意力机制分别关注待预测时段自身以及关于相似时段的上下文信息； 基于相似时间序列匹配的改进Transformer模型，在编码器阶段，首先将待预测日搜索时段和相似日搜索时段的时间序列数据经过线性变换映射为特征向量Q、K和V并通过自注意力机制处理特征向量并设计一个独特的前馈通道减少信息丢失使模型输出更加稳定；在解码器阶段，将相似日待预测时段数据依据相似度加权平均的结果作为输入向量，并引入两个自注意力机制分别关注待预测时段自身以及关于相似时段的上下文信息； 1Transformer模型编码器 首先,需要将待预测日的搜索时段数据和相似日的搜索时段数据进行线性变换,以得到查询向量Q、键向量K和数值向量V； V＝Linearp0＝WVp0+bV Q＝Linearp0＝WQp0+bQ K＝LinearPn＝WKPn+bK 其中，WV,WQ,WK是线性变换的权重矩阵，bV,bQ,bK是偏置项大小写一致； 接下来，使用注意力机制计算特征向量X3，注意力机制的核心是计算查询向量Q和键向量K之间的相似度，并根据相似度对数值向量V进行加权求和； 将注意力机制计算后的向量X3与QKT的结果相加，得到最终的编码器输出： X4＝X3+QKT 2Transformer模型解码器 将相似时段的待预测时段数据根据步骤S2中计算出的相似度进行加权平均，得到输入向量X5，第一次注意力机制使用X5作为查询向量Q、键向量K和数值向量V进行自注意力计算： 第二次注意力机制使用编码器输出X4作为查询向量Q和键向量K，第一次注意力机制的输出X6作为数值向量V进行交叉注意力计算，作为模型最终输出： S4:构建基于长短时记忆网络和Transformer的双分支架构的混合预测模型，这一模型设计了两个独立的分支传递输入数据，两个分支分别用于捕捉和提取不同类型的信息：全局信息和局部信息；上分支由TPA-MBLSTM模型构成，用于提取全局信息,它反映的是序列中存在的长期依赖关系；下分支由基于相似时间序列匹配的改进Transformer模型构成，专注于捕捉局部信息,它反映待预测时段与附近时间节点之间的依赖关系；设计独特解码器模块专门为整合这两类信息而设计，以最大程度发挥它们的互补性； S5：设计不同实验，分析验证所提模型有效性:以预测结果的平均绝对误差，均方根误差和决定系数作为衡量模型性能的标准，在同一数据集上对比所提模型与不同模型在典型日与非典型日的预测结果。

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河海大学，其通讯地址为：210098 江苏省常州市金坛区河海大道1915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。