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！

龙图腾网获悉浙江省邮电工程建设有限公司申请的专利一种融合多模态数据的LSTM光伏发电功率预测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：CN121032279B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511517722.9，技术领域涉及：G06Q10/0637；该发明授权一种融合多模态数据的LSTM光伏发电功率预测方法及系统是由黄亮;李骏翔;于瑞婷;何政达;林秀闹;李思儒;管俊豪设计研发完成，并于2025-10-23向国家知识产权局提交的专利申请。

本一种融合多模态数据的LSTM光伏发电功率预测方法及系统在说明书摘要公布了：本发明公开了一种融合多模态数据的LSTM光伏发电功率预测方法及系统，方法包括：根据历史气象数据、历史光伏监测数据及对应的历史发电功率数据，生成时空一致的多模态训练特征矩阵；基于多模态训练特征矩阵，构建多输入通道的LSTM预测模型，输出跨区域泛化的预训练模型；根据目标区域的实时气象数据、当前光伏监测数据及电价波动曲线，采用双重奖励强化学习策略在线更新预训练模型，输出动态优化后的功率预测模型；将当前时刻的气象数据、光伏监测数据输入动态优化后的功率预测模型，生成未来预设时间的光伏发电功率预测序列。利用本发明实施例，能够实现高精度、强适应性的光伏发电功率预测。

本发明授权一种融合多模态数据的LSTM光伏发电功率预测方法及系统在权利要求书中公布了：1.一种融合多模态数据的LSTM光伏发电功率预测方法，其特征在于，所述方法包括： 根据历史气象数据、历史光伏监测数据及对应的历史发电功率数据，通过动态时间规整算法对齐多源时序数据，生成时空一致的多模态训练特征矩阵，其中，所述光伏监测数据包含光伏板温度、表面灰尘覆盖率和组件衰减系数； 基于所述多模态训练特征矩阵，构建多输入通道的LSTM预测模型，在LSTM的输入门嵌入时间卷积网络层以捕获气象数据的周期性特征，并通过域对抗训练对齐不同区域的数据分布，输出跨区域泛化的预训练模型； 根据目标区域的实时气象数据、当前光伏监测数据及电价波动曲线，采用双重奖励强化学习策略在线更新所述预训练模型，其中，第一奖励函数基于预测功率与真实值的误差，第二奖励函数基于发电经济收益与负荷需求的匹配度，输出动态优化后的功率预测模型； 将当前时刻的气象数据、光伏监测数据输入所述动态优化后的功率预测模型，通过时空注意力机制动态加权不同时间步的特征贡献度，生成未来预设时间的光伏发电功率预测序列； 所述根据历史气象数据、历史光伏监测数据及对应的历史发电功率数据，通过动态时间规整算法对齐多源时序数据，生成时空一致的多模态训练特征矩阵，其中，所述光伏监测数据包含光伏板温度、表面灰尘覆盖率和组件衰减系数，包括： 根据气象传感器与光伏监测设备的采样频率差异，采用滑动窗口自适应插值算法对齐时间戳，生成统一时间基准的原始时序数据集； 将原始时序数据集输入动态时间规整模块，计算光伏板温度、灰尘覆盖率与发电功率序列的最优时间偏移量，生成相位对齐的时序特征向量； 基于相位对齐的时序特征向量，通过多模态特征融合网络提取气象数据与监测数据的跨模态关联权重，生成加权融合特征矩阵； 对加权融合特征矩阵施加时空平滑约束，采用双向LSTM消除突变噪声点，输出维度规整的多模态训练特征矩阵； 所述基于所述多模态训练特征矩阵，构建多输入通道的LSTM预测模型，在LSTM的输入门嵌入时间卷积网络层以捕获气象数据的周期性特征，并通过域对抗训练对齐不同区域的数据分布，输出跨区域泛化的预训练模型，包括： 将多模态训练特征矩阵按数据类型拆分为气象通道和监测通道，在气象通道嵌入时间卷积网络层，输出包含小时、日、周周期特征的气象周期张量； 将气象周期张量与监测通道特征拼接后输入LSTM单元，通过门控融合机制动态调节两类特征的权重比例，生成周期增强的时序记忆状态； 基于时序记忆状态构建域对抗训练框架，利用梯度反转层迫使LSTM隐藏层输出区域无关的通用特征，生成域不变特征向量； 将域不变特征向量输入全连接预测层，联合优化功率预测损失函数和域分类损失函数，输出初步跨区域泛化模型； 对初步跨区域泛化模型进行知识蒸馏，剔除区域特异性参数，输出轻量化的预训练模型； 所述根据目标区域的实时气象数据、当前光伏监测数据及电价波动曲线，采用双重奖励强化学习策略在线更新所述预训练模型，其中，第一奖励函数基于预测功率与真实值的误差，第二奖励函数基于发电经济收益与负荷需求的匹配度，输出动态优化后的功率预测模型，包括： 将预训练模型加载为强化学习策略网络，定义环境状态为实时气象‑监测数据的滑动窗口特征向量，动作为功率预测值调整量； 构建第一奖励计算模块，根据预测功率与实测值的均方根误差生成精度奖励信号，并赋予近期误差3倍权重系数； 构建第二奖励计算模块，结合电价曲线与负荷需求时段匹配度生成经济收益奖励信号，按收益梯度分配奖励值； 设计双重Q网络架构，分别学习精度奖励和经济奖励的Q值函数，通过动态加权融合生成综合Q值指导策略更新； 引入优先经验回放机制存储历史状态‑动作‑奖励元组，周期性采样微调策略网络参数，输出动态优化后的功率预测模型； 所述将当前时刻的气象数据、光伏监测数据输入所述动态优化后的功率预测模型，通过时空注意力机制动态加权不同时间步的特征贡献度，生成未来预设时间的光伏发电功率预测序列，包括： 将实时气象数据与光伏监测数据输入动态优化后的功率预测模型，通过滑动窗口提取过去1小时时序特征，生成标准化输入张量； 在LSTM隐藏层输出端部署时空注意力模块，分别计算时间维度注意力权重和特征维度注意力权重，生成时空注意力权重矩阵； 利用时空注意力权重矩阵对标准化输入张量进行动态加权融合，抑制噪声时段特征影响，生成增强后的时空特征向量； 将时空特征向量输入递归预测层，按15分钟间隔迭代生成未来24小时功率预测值，输出高精度时间序列预测结果。

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省邮电工程建设有限公司，其通讯地址为：310000 浙江省杭州市滨江区泰安路99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。