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！

龙图腾网获悉唐山学院申请的专利一种基于多模态深度学习的太阳能发电功率实时预测方法、系统、设备及存储介质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：CN120430469B 。

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：202510874988.2，技术领域涉及：G06Q10/04；该发明授权一种基于多模态深度学习的太阳能发电功率实时预测方法、系统、设备及存储介质是由叶涛设计研发完成，并于2025-06-27向国家知识产权局提交的专利申请。

本一种基于多模态深度学习的太阳能发电功率实时预测方法、系统、设备及存储介质在说明书摘要公布了：本申请提供一种基于多模态深度学习的太阳能发电功率实时预测方法、系统、设备及存储介质。其中，通过融合地表辐射、设备温度和环境数据的多维特征提升预测精度，对地表太阳辐射的长短波分量进行突变波动分解，提取频域子模态序列；构建光伏组件温度场与热斑红外数据的关联模型，生成反映热斑干扰空间分布的动态特征图；建立多模态时序预测模型，同步处理辐射子模态的频域特征、热斑特征图的空间相关性及温湿度数据的时序依赖；通过频域叠加重构技术整合各子模态预测结果。本申请提供的技术方案通过多模态时空特征联合建模与动态干扰解耦，显著提升了极端天气和热斑异常场景下的功率预测精度，同时增强预测系统对复杂环境扰动的动态适应能力。

本发明授权一种基于多模态深度学习的太阳能发电功率实时预测方法、系统、设备及存储介质在权利要求书中公布了：1.一种基于多模态深度学习的太阳能发电功率实时预测方法，其特征在于，包括： 采集地表太阳辐射的长短波分量数据、光伏组件的背板温度数据以及环境温湿度数据，将所述长短波分量数据中的突变波动分量分解子模态序列； 获取光伏组件的温度场分布数据，并将所述温度场分布数据与热红外成像仪采集的热斑区域数据进行关联，并结合所述背板温度数据生成热斑干扰特征图； 将所述子模态序列、所述热斑干扰特征图以及所述环境温湿度数据输入多模态时序预测模型，以通过所述多模态时序预测模型融合所述子模态序列的频域特征、所述热斑干扰特征图的空间相关性以及所述环境温湿度数据的时序依赖性生成联合预测输入； 通过所述多模态时序预测模型根据联合预测输入，输出各子模态预测结果，并按照预设重构规则将各子模态预测结果进行频域叠加，以生成短期太阳能发电功率预测曲线； 所述通过所述多模态时序预测模型融合所述子模态序列的频域特征、所述热斑干扰特征图的空间相关性以及所述环境温湿度数据的时序依赖性生成联合预测输入，包括： 通过所述多模态时序预测模型将所述子模态序列的频域特征、所述热斑干扰特征图的空间相关性以及所述环境温湿度数据的时序依赖性分别转换为数据序列，并按顺序拼接为联合预测输入； 所述通过所述多模态时序预测模型根据联合预测输入，输出各子模态预测结果，并按照预设重构规则将各子模态预测结果进行频域叠加，以生成短期太阳能发电功率预测曲线，包括： 将所述联合预测输入中子模态序列的频域特征与所述环境温湿度数据的时序依赖性进行耦合，生成频域-时序混合特征，其中所述温湿度数据的时序依赖性通过滑动时间窗口内的湿度变化速率与温度变化斜率的乘积量化得到；依据所述热斑干扰特征图的空间相关性将所述频域-时序混合特征划分为瞬态响应特征与稳态响应特征；所述瞬态响应特征与稳态响应特征分别经分段匹配和趋势拟合处理后，通过并行预测通道生成高频子模态预测结果与低频子模态预测结果； 根据所述热斑干扰特征图中温度梯度值的空间分布权重，对所述高频子模态预测结果和低频子模态预测结果进行区域化比例分配，其中温度梯度值高于预设阈值的区域对应的高频子模态预测结果的分配比例按所述湿度变化速率的倒数衰减； 将分配后的高频子模态预测结果和低频子模态预测结果按照所述子模态序列的原始频带顺序进行波形拼接，并在拼接过程中引入所述温度变化斜率的符号方向作为波形相位对齐的约束条件，生成短期太阳能发电功率预测曲线。

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唐山学院，其通讯地址为：063002 河北省唐山市路北区大学西道9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。