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！

龙图腾网获悉浙江大学申请的专利一种基于多尺度超图神经网络和大语言模型对齐的电力负载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：CN120433183B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202510546395.3，技术领域涉及：H02J3/00；该发明授权一种基于多尺度超图神经网络和大语言模型对齐的电力负载预测方法是由陈岭;尚宗江设计研发完成，并于2025-04-28向国家知识产权局提交的专利申请。

本一种基于多尺度超图神经网络和大语言模型对齐的电力负载预测方法在说明书摘要公布了：本发明公开了一种基于多尺度超图神经网络和大语言模型对齐的电力负载预测方法，包括：在多尺度特征提取模块将训练样本和大语言模型的词嵌入分别映射为多尺度时间特征表示和多尺度文本原型表示；在超边特征提取模块将多尺度时间特征表示聚合为多尺度超边特征表示；在跨模态对齐模块对齐多尺度文本原型表示和多尺度超边特征表示；在大模型预测模块将多尺度混合提示与对齐后的多尺度特征表示进行拼接后输入大语言模型中进行预测，对包括多尺度特征提取模块、超边特征提取模块、跨模态对齐模块和大模型预测模块的电力负载预测模型进行训练。本发明能够增强大语言模型对电力负载序列多尺度模式的理解能力，从而提高了模型预测的准确性和鲁棒性。

本发明授权一种基于多尺度超图神经网络和大语言模型对齐的电力负载预测方法在权利要求书中公布了：1.一种基于多尺度超图神经网络和大语言模型对齐的电力负载预测方法，其特征在于，包括以下步骤： 对电力负载序列进行预处理并构建训练样本； 在多尺度特征提取模块，将训练样本和基于预训练大语言模型的词嵌入分别映射为多尺度时间特征表示和多尺度文本原型表示，包括：对训练样本进行实例归一化处理得到实例归一化后的电力负载序列，为时间窗口大小，基于第个尺度的子序列，通过不同的聚合窗口生成第个尺度的子序列，第个尺度的子序列表示为，其中为第个尺度时间步为的电力负载序列表示，为特征维度，为第个尺度的序列长度，为第个尺度的子序列长度，为第个尺度的聚合窗口大小，聚合过程的计算公式如下： ， 其中，为聚合函数，为聚合函数在第个尺度的可学习参数，为经过实例归一化后的输入训练样本； 基于预训练大语言模型的词嵌入，其中为词汇表大小，为预训练大语言模型的隐藏层维度，先通过线性映射将词嵌入转变为初始的文本原型表示，其中，再通过线性映射得到多尺度文本原型表示，线性映射过程的计算公式如下： ， 其中，为线性映射函数，为第个尺度的文本原型表示，为第个尺度的文本原型表示，为线性映射函数在第个尺度的可学习参数，为第个尺度文本原型表示的数量； 最后得到多尺度特征提取模块生成的个尺度的时间特征表示和文本原型表示，其中和分别为第个尺度的时间特征表示和文本原型表示； 在超边特征提取模块，基于多尺度超图神经网络的超边化机制将多尺度时间特征表示聚合为多尺度超边特征表示； 在跨模态对齐模块，基于交叉注意力对齐多尺度文本原型表示和多尺度超边特征表示得到对齐后的多尺度特征表示，包括：基于多尺度超边特征表示中尺度下的超边特征表示和多尺度文本原型表示中尺度下的文本原型表示，首先将其映射为对应的查询、键和值，其中是注意力中头数的索引，为总头数，、和为尺度下可学习的映射矩阵，为特征维度，为预训练大语言模型的隐藏层维度，，然后通过计算交叉注意力以对齐超边特征表示和文本原型表示；并构建多尺度混合提示； 在大模型预测模块，将多尺度混合提示与对齐后的多尺度特征表示进行拼接后输入预训练大语言模型中进行电力负载预测，基于预测损失训练包括多尺度特征提取模块、超边特征提取模块、跨模态对齐模块和大模型预测模块的电力负载预测模型； 将新的电力负载序列输入训练好的电力负载预测模型得到预测结果。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。