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！

龙图腾网获悉大连理工大学申请的专利基于多视角自适应特征融合的光伏发电功率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：CN115829126B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202211560534.0，技术领域涉及：G06Q10/04；该发明授权基于多视角自适应特征融合的光伏发电功率预测方法是由徐磊;金博设计研发完成，并于2022-12-07向国家知识产权局提交的专利申请。

本基于多视角自适应特征融合的光伏发电功率预测方法在说明书摘要公布了：本发明公开了一种基于多视角自适应特征融合的光伏发电功率预测方法，该方法能够从全局、局部、时序以及空间四种视角挖掘信息之间的潜在相关性，并用于光伏发电功率的预测；将采集的数据划分成全局、局部视角两部分，并分别从时序、空间视角提取出未来总特征和历史总特征；为了让特征信息更好地融合，构建了参数共享特征提取模块提取出公共特征，并引入注意力机制为每个时间窗口的局部特征分配合适的注意力权重，使整个模型能够自适应地从全局和局部特征中学习最相关的信息并充分融合；同时使用一致性约束和独立性约束来构造损失函数来强化该模型，从而精准地进行光伏发电功率的预测。

本发明授权基于多视角自适应特征融合的光伏发电功率预测方法在权利要求书中公布了：1.一种基于多视角自适应特征融合的光伏发电功率预测方法，其特征在于，其包括： S1：规定局部信息的特征数为，每个时间窗口所经历的时间为，数据颗粒度为，则一个时间窗口大小为，为时间窗口个数，将每个时间窗口内的局部信息输入至时序特征提取模块，所述时序特征提取模块采用GRU门循环单元进行时序特征提取，其计算公式如下： 式中，表示t时刻的局部信息，表示上一时刻的隐藏状态，表示重置门，表示更新门，表示激活函数，表示权重矩阵，表示偏置向量； S2：根据所述、计算隐藏状态，其计算公式如下： 式中，表示候选隐藏状态，表示经过GRU模块得到的t时刻隐藏状态，表示激活函数，表示按元素运算，表示权重矩阵，表示偏置向量； 所述隐藏状态为局部信息的时序特征； S3：将局部信息的所述时序特征输入至空间特征提取模块并得到局部信息的历史总特征，为w个时间窗口的时序特征提取模块的局部信息的时序特征，所述空间特征提取模块采用图卷积网络进行空间特征提取，其计算公式为： 式中，表示邻接矩阵，表示单位矩阵，表示由邻接矩阵与单位矩阵相加得到的可达矩阵，k代表图卷积网络的层数，表示图卷积网络的第k层权重矩阵，表示激活函数，表示的对角度矩阵；表示第i个时间窗口的图卷积网络的初始输入，也是时序特征模块输出，表示第i个时间窗口的第k层图卷积输出的特征矩阵，定义其为历史特征，那么为w个时间窗口的空间特征提取模块的局部信息的历史总特征； S4：规定全局信息的特征数为，采集全局信息的时间长度为，数据颗粒度为，将全局信息输入至所述空间特征提取模块的图卷积网络中，经过k层学习后得到全局信息的未来总特征，其计算公式如下： 式中，表示邻接矩阵，表示单位矩阵，表示由邻接矩阵与单位矩阵相加得到的可达矩阵，k代表图卷积网络的层数，表示图卷积网络的第k层权重矩阵，表示激活函数，表示的对角度矩阵，表示图卷积网络的初始输入，也是全局信息，为第k层的图卷积网络输出的特征矩阵，定义其为未来总特征； S5：将所述局部信息和全局信息输入至参数共享空间提取模块并得到共享历史特征与共享未来特征，所述参数共享空间提取模块采用共享图卷积网络进行共享特征提取，其计算公式为： 式中，表示第k层共享参数模块的权重矩阵，、表示含义与S3步骤中相同，和表示含义与S4步骤中相同，表示激活函数，表示第i个时间窗口的第k层共享图卷积网络输出的历史特征矩阵，定义其为共享历史特征；表示第k层共享图卷积网络输出的未来特征矩阵，定义其为共享未来特征； S6：将所述局部信息的历史总特征，全局信息的未来总特征，共享未来特征以及共享历史特征输入至注意力融合模块；借助未来总特征为每个时间窗口的历史总特征分配注意力权重，公式如下： 式中，表示注意力函数，分别表示历史总特征的注意力权重，函数具体计算公式如下： 式中，表示第个时间窗口历史总特征各维度的关注值，表示个时间窗口的组成的关注值矩阵，表示权重矩阵，表示偏置项，tanh∙表示激活函数，表示关注向量；然后对采用softmax激活函数对关注值矩阵按列进行归一化，获得进而得到最终的注意力矩阵，其计算公式如下： 式中，表示第i个窗口的第j个维度历史总特征的注意力系数，表示第i个窗口历史总特征的注意力向量，是函数的输出，表示组成的注意力矩阵； S7：将分别按列求均值得到，并将其组合成融合历史特征，再将注意力矩阵与融合历史特征按列求内积得到融合注意力后的历史特征向量； S8：根据所述S6、S7步骤，计算得到共享历史特征对应的注意力矩阵，进而求出融合注意力权重后的共享历史特征向量； S9：将、分别按列求均值得到向量，将所述、、、拼接为最终的融合特征； S10：将所述融合特征Z输入至多层感知机，得到光伏发电功率预测模型的最终输出值，其计算公式如下： 式中，表示光伏发电功率预测值，MLP表示多层感知机，其由多个全连接层组成； S11：构建光伏发电功率预测模型的总体目标函数L： 式中，为以均方误差MSE作为预测任务的损失函数，为一致性约束，为一致性约束对应的乘子，为独立性约束，为独立性约束对应的乘子； S12：进行预测并对比实验结果，选取不同的时间颗粒度，预测连续两日的光伏发电功率，并与实际功率进行对比绘制曲线图，并选用评价指标对比并评价模型优劣；所述评价指标为MAE、MAPE以及RMSE，公式如下： 式中，和分别表示光伏发电功率的预测值和真实值，n为样本数量； 所述局部信息至少包括下述的一种：历史气象数据中的太阳辐照度、温度、湿度、土壤湿度、CO2、气压、风向、瞬时风速、2分钟平均风速、10分钟平均风速、蒸发、PM2.5、累计1日辐射量，以及电站发电数据中的电站发电功率、直流电压、直流电流、用电电压、电池电压、电池功率； 所述全局信息至少包括下述的一种：天气预报数据中的未来太阳辐照度、温度、湿度、气压、风速、风向、降水量、云量。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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。