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！

龙图腾网获悉湖北工业大学申请的专利一种基于时频特征增强的短期电力负荷预测方法及装置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：CN121052454B 。

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：202511553275.2，技术领域涉及：G06Q10/04；该发明授权一种基于时频特征增强的短期电力负荷预测方法及装置是由董优丽;严林;王颂凯;武明虎;张凡设计研发完成，并于2025-10-29向国家知识产权局提交的专利申请。

本一种基于时频特征增强的短期电力负荷预测方法及装置在说明书摘要公布了：本发明提供一种基于时频特征增强的短期电力负荷预测方法及装置，涉及电力负荷预测技术领域。该方法首先利用季节趋势分解算法将负荷分解成趋势、季节和剩余这三个分量，并分别进行建模，最后组成完整的预测框架。对于趋势分量，采用多层感知机组成的线性模型进行建模，能较好地反映出负荷数据的全局趋势；对于季节分量，本发明创新性地提出一种时频增强的注意力机制，可以有效捕捉负荷数据中的多周期变化规律；对于剩余分量，设计由筛选机制与核操作组成的特征增强模块，能有效地提取高频细节信息。本发明通过时频增强注意力机制和时频特征增强模块等技术，显著提升了模型对负荷数据周期性规律和局部波动特性的捕捉能力。

本发明授权一种基于时频特征增强的短期电力负荷预测方法及装置在权利要求书中公布了：1.一种基于时频特征增强的短期电力负荷预测方法，其特征在于，包括： 获取电力负荷历史数据，对所述电力负荷历史数据进行预处理； 将预处理后的电力负荷历史数据按预设比例划分为训练集和测试集； 从所述电力负荷历史数据中获取原始负荷时间序列，采用季节趋势分解算法将所述原始负荷时间序列分解成趋势分量、季节分量和剩余分量； 对季节分量、趋势分量和剩余分量分别进行建模，分别得到对应的预测模型，分别输出季节分量预测结果、趋势分量预测结果和剩余分量预测结果； 将季节分量、趋势分量和剩余分量对应的预测模型进行组合，得到组合预测模型，组合预测模型输出电力负荷预测结果，所述电力负荷预测结果为季节分量预测结果、趋势分量预测结果和剩余分量预测结果的和值； 利用所述训练集和测试集，对组合预测模型进行训练和测试；训练和测试完成后，向组合预测模型输入电力负荷，得到电力负荷预测结果； 对趋势分量进行建模，得到对应的预测模型，输出趋势分量预测结果，包括： 对趋势分量进行可逆实例归一化，再使用多层感知机组成的线性模型对整体趋势进行预测，最后进行可逆实例反归一化，得到趋势分量预测结果为： 式中，表示可逆实例归一化，表示可逆实例反归一化，表示多层感知机，表示趋势分量预测结果； 基于Transformer模型对季节分量进行建模，得到对应的预测模型，输出季节分量预测结果，包括： 将季节分量记作X，根据X映射得到输入的查询向量q、键向量k和值向量v； 其中， 式中，L是序列长度，D是特征维度，H为多头注意力的头数，和分别表示键和值的特征维度且； 输入的查询向量q、键向量k和值向量v的维度均为L,H,E，分别交换查询向量q、键向量k和值向量v中数据的位置，使得生成的向量的最后一个维度为序列长度L，得到的向量维度均为E,H,L； 将输入的查询向量q、键向量k和值向量v转换到频域后，使用短时傅里叶注意力来提取特征；对于一维信号，输入的一维信号的维度为序列长度L，季节分量对应的预测模型将时序信号沿着序列长度L所在维度进行短时傅里叶变换，得到二维时频矩阵M,N，再按时间帧维度划分得到包含不同频率分量的特征，最后进行时频重构后输出；其中， 计算短时傅里叶注意力的输出矩阵为： 式中，dq是在注意操作中作为归一化的查询的维度；σ表示激活函数；STFT和ISTFT分别表示短时傅里叶变换和逆变换，O.表示短时傅里叶注意力的输出矩阵； 针对季节分量所构建的预测模型采用编码器-解码器架构，使用N层编码器和M层解码器；第一层编码器的输入为季节分量，第M层解码器的输出为季节分量预测结果； 对剩余分量进行建模，得到对应的预测模型，输出剩余分量预测结果，包括： 将剩余分量记作Z，采用短时傅里叶变换提取剩余分量的时频特征，选择高斯窗函数，并设定离散傅里叶变换的长度； 短时傅里叶变换的表达式为： 其中， 式中，Window[.]表示高斯窗函数，F[.]表示经傅里叶变换后的输入，m表示窗口内的样本点索引，n表示时间帧索引，取值范围为0≤m≤S1,0≤n≤N1，M表示频率分量的数量，N表示时间帧的数量，表示高斯窗函数移动的步长，Seq_len表示输入序列的长度，S表示离散傅里叶变换的长度，ω表示频率分量的索引； 使用筛选机制从M个频率分量中选取频率较大的前K个频率分量， 式中，表示经短时傅里叶变换后的变量，表示筛选后的变量； 采用多个独立的核进行核操作，进一步提取高频特征， 其中，第i个特征维度的核操作的计算式为： 其中，Kernel.表示核函数，表示第i个特征矩阵，表示核权值矩阵，表示第K个频率分量，表示第i个特征维度相对应的权值；特征维度i的取值范围为i∈{0,1,2…,D}； 从而剩余分量预测结果为。

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湖北工业大学，其通讯地址为：430068 湖北省武汉市洪山区南李路28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。