Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 浙江大学陈岭获国家专利权

浙江大学陈岭获国家专利权

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基于金字塔型循环神经网络的多尺度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:CN117077074B

龙图腾网通过国家知识产权局官网在2025-07-25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:202310898758.0,技术领域涉及:G06F18/25;该发明授权基于金字塔型循环神经网络的多尺度电力负载预测方法是由陈岭;崔家华设计研发完成,并于2023-07-21向国家知识产权局提交的专利申请。

基于金字塔型循环神经网络的多尺度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金字塔型循环神经网络的多尺度电力负载预测方法,包括:对电力负载数据进行预处理,构建训练样本;利用混合多尺度构建模块基于每个训练样本构建不同尺度的序列堆叠成金字塔结构;在金字塔结构中,交替使用尺度内信息融合模块和尺度间信息传递模块从大尺度到小尺度分别对各个尺度序列内的时间依赖关系以及不同尺度序列间的影响进行建模;利用融合预测模块分别对不同尺度的序列进行预测并融合预测结果;基于所有训练样本对电力负载预测模型进行训练;利用训练好的电力负载预测模型进行预测。本发明方法能够实现对电力负载序列中多尺度时序模式的完整建模,在电力系统调度、城市规划和节能管理等领域有着广泛的应用前景。

本发明授权基于金字塔型循环神经网络的多尺度电力负载预测方法在权利要求书中公布了:1.一种基于金字塔型循环神经网络的多尺度电力负载预测方法,其特征在于,包括以下步骤: 步骤1,对给定的电力负载数据进行数据预处理,构建训练样本; 步骤2,利用混合多尺度构建模块基于每个训练样本构建不同尺度的序列,堆叠成金字塔结构; 步骤3,在金字塔结构中,交替使用多尺度信息交互模块中的尺度内信息融合模块和尺度间信息传递模块,由大尺度到小尺度自上而下地对不同尺度的序列进行处理,分别建模各个尺度序列内的时间依赖关系以及不同尺度序列间的影响,包括: 3a,在尺度内信息融合模块中使用循环神经网络对最大尺度序列XC或尺度间信息传递后第s尺度序列进行处理,并用网络的隐藏状态更新序列,得到建模时间依赖关系后第s尺度序列Zs;其中,尺度内信息融合模块的输入为最大尺度序列XC或尺度间信息传递后第s尺度序列经循环神经网络对尺度内的时间依赖关系进行建模,并将循环神经网络的隐藏状态Hs作为输出,然后经第一线性层将隐藏状态Hs变换到高维空间经过Dropout层防止网络过拟合,最后利用第二线性层将序列变回原来的维度,得到建模时间依赖关系后第s尺度Zs,计算过程如下: 其中,Linear1·和Linear2·分别为第一线性层和第二线性层变换操作,Dropout·为防止网络过拟合操作,为隐藏状态Hs在高维空间中的表示,Zs为第二线性层输出的建模时间依赖关系后第s尺度序列; 3b,在尺度内信息融合模块中引入门控机制,利用尺度间信息传递后第s尺度序列对建模时间依赖关系后第s尺度序列Zs进行控制,对建模过程中历史信息带来的误差进行平衡,最终得到尺度内信息融合后第s尺度序列 3c,在尺度间信息传递模块中首先将尺度内信息融合后第s尺度序列压缩得到全局信息再对该全局信息中的各个维度进行交互,最后将该全局信息与第s-1尺度序列Xs-1相融合,形成尺度间信息传递后第s-1尺度序列从而建模不同尺度序列间的影响;其中,尺度间信息传递模块由第三线性层、第四线性层、第五线性层和Dropout层构成;第三线性层将大尺度序列中的信息进行压缩,第四线性层对全局信息在不同维度间进行交互,第五线性层将全局信息映射到小尺度序列的长度,最后经过Dropout层后与小尺度序列相加,建模不同尺度序列间的影响,得到作为尺度间信息传递模块的输出,计算过程如下: 其中,Linear3·、Linear4·和Linear5·分别为第三线性层、第四线性层和第五线性层变换操作,Dropout·为防止网络过拟合操作,为尺度内信息融合后第s尺度序列,为全局信息,为第s尺度对第s-1尺度序列的影响,Xs-1为第s-1尺度的序列,为尺度间信息传递后第s-1尺度序列; 步骤4,利用融合预测模块将建模了多尺度时序模式的不同尺度的序列分别送入各自的预测器中进行预测,再将各尺度预测结果进行融合,得到每个训练样本的预测值; 步骤5,基于所有训练样本对电力负载预测模型进行训练,所述电力负载预测模型包括混合多尺度构建模块、多尺度信息交互模块和融合预测模块; 步骤6,将待预测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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。