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！

龙图腾网获悉无锡学院申请的专利一种基于多尺度混合架构的电力需求动态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：CN119990477B 。

龙图腾网通过国家知识产权局官网在2025-07-22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：202510468974.0，技术领域涉及：G06Q10/04；该发明授权一种基于多尺度混合架构的电力需求动态预测方法是由曹广喜;朱益锋;单慧琳设计研发完成，并于2025-04-15向国家知识产权局提交的专利申请。

本一种基于多尺度混合架构的电力需求动态预测方法在说明书摘要公布了：本发明提供了一种基于多尺度混合架构的电力需求动态预测方法，包括以下步骤：步骤1，获取多源数据并进行预处理；步骤2，构建动态特征工程；步骤3，构建混合预测模型；步骤4，执行分阶段动态训练策略；步骤5，验证模型并部署应用所述模型。本发明通过引入温度敏感度分段非线性编码和节假日多维动态衰减模型，显著提升了极端温度场景下的预测精度，降低了高温日负荷预测误差以及春节假期误差。此外，通过轻量化设计及分阶段动态策略分阶段扩展输入长度，训练收敛速度提升明显。

本发明授权一种基于多尺度混合架构的电力需求动态预测方法在权利要求书中公布了：1.一种基于多尺度混合架构的电力需求动态预测方法，其特征在于，包括以下步骤： 步骤1，获取多源数据并进行预处理：获取电力历史负荷数据，进行异常值检测与动态修正、对缺失值进行填补，并对数据进行标准化与归一化；构建时间序列样本，将电力历史负荷数据按比例划分为训练集、验证集和测试集； 步骤2，构建动态特征工程：进行温度敏感度分段非线性编码，将温度数据通过分段函数编码后形成新的数据，并归一化形成温度特征数据；进行节假日多维动态衰减编码，基于节假日影响得到节假日编码； 步骤3，构建混合预测模型；所述混合预测模型包括多源数据特征融合模块、时间卷积网络TCN模块、双向长短期记忆网络BLSTM模块、时空注意力机制、特征融合层和输出层；所述多源数据特征融合模块用于进行多源数据特征融合，所述时间卷积网络TCN模块用于空洞卷积，所述双向长短期记忆网络BLSTM模块用于输出拼接后的隐藏状态，所述时空注意力机制用于时间注意力和特征注意力计算，所述特征融合层用于完成特征拼接，所述输出层用于输出电力负荷预测结果； 步骤4，执行分阶段动态训练策略：每个阶段均基于训练集进行混合模型训练，监控验证损失，在每轮训练结束后，计算验证集的平均绝对误差MAE，选择平均绝对误差MAE最小的权重用于测试集评估； 步骤5，验证模型并部署应用所述模型：基于步骤4得到的权重，基于测试集计算平均绝对误差MAE、加权平均绝对百分比误差WMAPE，完成模型的验证，并部署应用所述混合预测模型； 步骤1包括： 步骤1.1，获取电力历史负荷数据，时间分辨率为1小时，数据字段包括负荷值、区域编码和时间戳； 获取每小时气象温度数据； 获取并整合法定节假日和地区性假日，形成结构化节假日时间标签表； 步骤1.2，异常值检测与动态修正； 采用滑动窗口分位数检测法动态修正异常电力负荷值，动态计算每个时间点的0.05分位数Q0.05和0.95分位数Q0.95，如果当日电力负荷值x′load超出[Q0.05,Q0.95]范围，则将x′load替换为窗口内中位数xmedian，计算公式为： 其中xload表示修正后的电力负荷值，用于替代异常值； 通过移动平均算法计算窗口均值窗口内每个点的权重按指数衰减分配，窗口内第i个点的权重wi为： wi＝e-λ168-i， 其中λ是中间参数，e是自然常数； 窗口均值计算公式为： 步骤1.3，缺失值填补策略； 对于缺失数据，采用自然边界条件的三次样条插值算法，对于每个区间[xm,xm+1]，定义一个三次多项式Smxload： Smxload＝b0+b1xload-xm+b2xload-xm2+b3xload-xm3， 其中m＝0,1,…,n-1；b0、b1、b2、b3为三次多项式系数，xi为已知数据点的时间戳；通过连续性和边界条件，求解样条系数b0、b1、b2、b3，最终求得每个区间上的三次多项式； 采用物理邻近区域均值填充空间维度缺失值：如果区域A1的一个时刻数据缺失，则取物理相邻区域A2、A3、A4的电力负荷均值作为填充值： 其中表示区域A1的缺失值填充结果，表示区域A2的电力负荷均值，表示区域A3的电力负荷均值，表示区域A4的电力负荷均值； 步骤1.4，数据标准化与归一化： 对处理后的电力负荷数据xload应用健壮标准化RobustScaler进行标准化，得到标准数据计算公式为： 其中medianXload为处理后的电力负荷数据集合Xload的中位数，IQRXload为四分位距，计算公式为： IQRXload＝Q0.75-Q0.25， 其中Q0.75表示每个时间点的0.75分位数，Q0.25表示每个时间点的0.25分位数； 步骤1.5，构建时间序列样本； 将电力历史负荷数据按连续720小时为样本长度、滑动步长24小时进行切割，形成输入序列其中N为样本数，R表示实数空间； 样本切割时，采用时间滑动窗口法确保序列的时序连续性； 最终将电力历史负荷数据按比例划分为训练集、验证集和测试集； 步骤2包括： 步骤2.1，温度敏感度分段非线性编码； 定义10℃和26℃为关键拐点，构建温度敏感度分段非线性函数αTemp： 温度数据Temp通过分段函数αTemp编码后形成数据Tempencoded，再进一步归一化至[0,1]区间形成温度特征数据xtemp，公式为： 步骤2.2，节假日多维动态衰减编码； 步骤2.2包括：节假日影响xholiday包括类型权重、时间衰减因子βd和历史对比系数γt； 时间衰减因子βd计算公式为： 其中d为距节假日的天数； 历史对比系数γt计算公式为： 其中表示近三年同期平均电力负荷； 采用如下公式计算得到节假日编码xholiday： xholiday＝0.6×Y1+0.3×βd+0.1×γt， 其中Y1表示类型权重； 步骤3包括如下步骤： 步骤3.1，所述多源数据特征融合模块执行如下操作： 将标准化后的电力负荷数据温度编码xtemp和节假日编码xholiday沿特征轴拼接，形成输入张量特征融合层通过全连接网络动态调整各特征权重，实现多源信号的场景自适应耦合，公式为： 其中，Xin∈RN×720×D为特征融合后的隐藏表示，Wf∈R3×D为可学习权重矩阵，D为隐藏层维度，bf为全连接层的偏置项，ReLU是激活函数； 步骤3.2，建立时间卷积网络TCN模块； 所述时间卷积网络TCN模块包含3层空洞卷积，每层空洞卷积结构相同，均包括空洞卷积层、ReLU激活函数和残差连接，每层空洞卷积层的卷积核数为32，卷积核大小为3，步长为1，填充方式为因果卷积，3层空洞卷积层的膨胀率依次为2、4、8，每层空洞卷积输出与输入通过残差连接逐元素相加，逐步扩大感受野至168小时；所述残差连接公式为： 空洞卷积的输入序列为标准化后的负荷数据、温度编码、节假日编码拼接后的张量Xin，维度为[B,720,3]，B为批次大小；为第l层空洞卷积的输入；第l层空洞卷积的输出，最终输出维度为[B,720,32]；Conv1D为一维空洞卷积操作； 步骤3.3，建立双向长短期记忆网络BLSTM模块； 所述双向长短期记忆网络BLSTM模块包括前向长短期记忆模块和后向长短期记忆模块，所述双向长短期记忆网络BLSTM模块中设置64个隐藏单元，时间卷积网络TCN模块输出的截取最后72小时作为前向长短期记忆模块输入，前向长短期记忆模块提取正向趋势，后向长短期记忆模块捕捉逆向依赖，隐藏状态更新公式为： 其中t为时间步，ht为长短期记忆隐藏状态，为前向长短期记忆隐藏状态、为后向长短期记忆隐藏状态，LSTM为模型函数； 所述双向长短期记忆网络BLSTM模块输出拼接后维度为[B,72,128]的隐藏状态； 步骤3.4，建立时空注意力机制，包括时间注意力和特征注意力； 所述时间注意力通过Softmax函数计算各时间步权重： wt＝SoftmaxvTPtanhWhht+WxxTCN,t， 其中wt表示时间步t的权重，xTCN,t为时间卷积网络TCN模块在时间步t的输出，v、Wh、Wx为可学习参数，v∈RD，Wh∈RD×128为注意力机制的键Key矩阵，将BiLSTM的隐藏状态映射到注意力空间，Wx∈RD×32为值Value矩阵，将TCN特征映射到注意力空间；TP表示转置；Softmax为归一化指数函数；tanh为双曲正切函数； 所述特征注意力采用压缩激励SE模块对温度、节假日编码进行通道加权，压缩激励SE模块执行如下步骤： 步骤3.4.1，采用全局平均池化，沿时间维度压缩特征，得到池化后的全局特征向量s： 其中，xt为时间步t的输入特征，维度为[B,T,C]； 步骤3.4.2，通过两层全连接网络，得到通道权重向量s′： s′＝σW2ReLUW1s+b1+b2， 其中，W1∈R32×16为第一个全连接层的权重矩阵，b1为第一个全连接层的偏置项，W2∈R16 ×3为第二个全连接层的权重矩阵，b2第二个全连接层的偏置项，ReLU是激活函数，σ为Sigmoid函数； 步骤3.4.3，进行通道加权，得到加权后的输出特征x′： 其中，x∈RB×T×C，x为原始输入特征，表示逐通道乘法； 步骤3.5，特征融合层与输出层拼接； 步骤3.5包括：实施特征融合层将时间卷积网络TCN模块输出的局部特征xTCN与双向长短期记忆网络BLSTM模块输出的全局特征xLSTM拼接，输入至包含64个神经元和Swish激活函数的两层全连接网络： xpred＝W0·SwishWfuse·[xTCN；xLSTM]+bh+b0， 其中，W0∈R64×1为输出层权重，Wfuse∈R160×64是全连接网络的权重矩阵，bh为特征融合层中隐藏层的偏置项，b0为输出层的偏置项，xpred为输出层输出的未来6小时电力负荷预测结果； 步骤4包括： 步骤4.1，每个阶段均基于训练集进行10轮混合模型训练，每轮包含对全部训练样本的一次完整遍历，对参数进行分阶段动态调整； 第一阶段为1～Y1轮：使用训练集对模型进行10次完整训练，每次训练均遍历全部训练数据； 输入长度：6小时； 激活函数：ReLU函数； 学习率：初始值1×10-3，采用线性预热策略，前5轮逐步从1×10-4升至1×10-3； 目标：学习小时级负荷波动特征，抑制长期噪声干扰； 第二阶段为11～20轮：继续训练10轮，调整输入长度和超参数； 输入长度：扩展至24小时； 激活函数：切换为LeakyReLU函数； 学习率：降至5×10-4，采用余弦衰减策略，每10轮衰减至初始值的50％； 目标：优化日级特征融合； 第三阶段为21～30轮：再训练10轮，进一步优化长期趋势预测； 输入长度：设为72小时； 激活函数：采用Swish函数； 学习率：调整至1×10-4，采用指数衰减策略，计算动态调整后的学习率ηt，随训练轮次增加逐步降低： 其中，η0为初始学习率，decay_rate为衰减率，tepoch为训练轮次，decay_steps为衰减步长； 目标：强化长期趋势预测，稳定注意力权重分布； 步骤4.2，执行早停机制并保存模型：监控验证损失，在每轮训练结束后，计算验证集的平均绝对误差MAE，如果连续5轮验证损失未下降，则终止训练并回滚至历史最佳权重；模型权重每轮保存一次，最终选择平均绝对误差MAE最小的权重用于测试集评估；测试集全程隔离，仅在最终评估中使用； 步骤5包括： 步骤5.1，加载步骤4.2中保存的最佳权重，基于测试集计算以下指标： 平均绝对误差MAE： 加权平均绝对百分比误差WMAPE： 其中，yi为实际负荷值；为模型预测值；N为测试集样本数量； 步骤5.2，进行可解释性分析； 步骤5.3，轻量化部署应用。

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无锡学院，其通讯地址为：214105 江苏省无锡市锡山区锡山大道333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”。