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！

龙图腾网获悉三峡大学申请的专利一种基于时序融合Transformer模型的中期小时级负荷概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：CN115660161B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202211274642.1，技术领域涉及：G06Q10/04；该发明授权一种基于时序融合Transformer模型的中期小时级负荷概率预测方法是由李丹;谭雅;张远航;缪书唯;孙光帆;章可;贺帅设计研发完成，并于2022-10-18向国家知识产权局提交的专利申请。

本一种基于时序融合Transformer模型的中期小时级负荷概率预测方法在说明书摘要公布了：一种基于时序融合Transformer模型的中期小时级负荷概率预测方法，包括采集某地区多个历史样本日的负荷值及相关影响因素数据；对输入数据进行分类，并将原始负荷数据重构为面板数据矩阵以缩短时间序列的长度，从而降低模型复杂度；对输入数据进行归一化，将数据集划分为训练集、验证集和测试集；设定模型超参数；建立时序融合Transformer模型；基于训练集对模型进行迭代训练，确定模型的最佳权重及偏置参数集；基于验证集优选出模型的最佳超参数，并基于最佳超参数对预测模型再训练；基于训练后的预测模型在测试集上验证模型性能。本发明提出的概率负荷预测方法可为电网运营商在中期电力优化调度和市场交易中提供更准确、更详细的负荷预测信息。

本发明授权一种基于时序融合Transformer模型的中期小时级负荷概率预测方法在权利要求书中公布了：1.一种基于时序融合Transformer模型的中期小时级负荷概率预测方法，其特征在于，它包括以下步骤： 步骤1：采集目标地区多个历史样本日的小时级负荷功率值及相关天气影响因素数据； 步骤2：将包括单变量负荷时间序列数据在内的原始负荷数据重构为面板数据矩阵，并对输入数据进行分类，分为时变输入和静态协变量输入，时变输入分为已知输入和观测到的输入； 步骤3：对输入数据进行归一化变换，将数据集划分为训练集、验证集和测试集； 步骤4：设定模型超参数，包含隐含层神经元的个数、学习率、编码器输入序列的长度、解码器输入序列的长度； 步骤5：建立时序融合Transformer模型，包括输入特征解释模块、多时间步融合模块； 步骤6：基于训练集根据损失函数对时序融合Transformer模型进行迭代训练，运用常规的梯度下降算法确定模型的最佳权重及偏置参数集； 步骤7：将验证集样本输入训练好的时序融合Transformer模型，根据验证集的误差优选出模型的最佳超参数，并基于最佳超参数对预测模型再训练； 步骤8：基于测试集利用训练好的时序融合Transformer模型对未来一个月各时刻负荷在不同分位点下的功率值进行预测，并对输出的预测结果进行反归一化，得到各预测时刻在不同分位点下的负荷预测值； 步骤5建立的时序融合Transformer模型主要包括输入特征解释模块、门控循环单元层、多时间步融合模块； 1输入特征解释模块用来解释各输入变量对输出的贡献，其公式包括： γ＝dropoutW2ELUW1s+b1+b2 cs＝LayerNoms+σW3γ+b3⊙W4γ+b4 vt＝softmaxdropoutW6ELUW5Xt,cs+b5+b6 其中，Xt＝[x1,t,x2,t,...,xk,t]T为t时刻k个特征组成的输入向量，是经输入特征解释模块处理后的送入其它模块的向量，cs是由静态协变量s经门控残差过程处理后的context向量，γ是中间变量，σ·是sigmoid激活函数；vt是对应于输入变量的权重向量，代表每个输入特征的重要程度；W*和b*分别是对应层的权重矩阵和偏置向量，LayerNorm表示标准的层归一化操作，ELU代表指数线性单元激活函数，dropout和softmax分别表示常规的dropout操作和softmax激活函数； 经输入特征解释模块转换后的观测到的输入已知输入被分别送入编码器和解码器的两层GRU中； 编码器由输入特征解释模块及两层GRU组成，解码器也由输入特征解释模块及两层GRU组成，但它们的权重及偏置参数不共享； 2门控循环单元层用于处理时间信息，其公式包括： zt＝σWz[ht-1,xt] rt＝σWr[ht-1,xt] 其中，xt是当前输入，zt和rt分别是更新门输出和重置门输出，ht和ht-1分别表示t时刻和t-1时刻的隐含层状态，是中间变量，Wz和Wr是对应门的权重矩阵，表示Hadamard乘积，tanh表示常规的tanh激活函数； 3多时间步融合模块用来学习不同时间步之间的长期依赖关系，多时间步融合模块根据不同时间步的重要程度对当前预测时间步之前的所有时间步的编码器和解码器的输出进行加权，其公式包括： AttentionQ,K,V＝AQ,KV 其中，A·是归一化函数，n是K矩阵对应的向量的维数，hm是头的个数，Q、K和V分别由输入矩阵X分别与对应的权重矩阵相乘得到，分别是Q和K的第h个头的权重矩阵，WV是所有头共享的权值矩阵V，是中间变量，是最终线性映射的权重矩阵； 通过对多时间步融合模块的输出进行线性映射得到分位数预测结果。

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三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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”。