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！

龙图腾网获悉之江实验室;中国科学技术大学申请的专利基于解耦架构和自适应多尺度卷积的光伏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：CN118693810B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202410817124.2，技术领域涉及：H02J3/00；该发明授权基于解耦架构和自适应多尺度卷积的光伏功率预测方法是由刘磊;胡乐林;李斌设计研发完成，并于2024-06-24向国家知识产权局提交的专利申请。

本基于解耦架构和自适应多尺度卷积的光伏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解耦架构和自适应多尺度卷积的光伏功率预测方法，包括：对光伏数据集的变量进行缺失值、异常值、缺失时间步检测，并将检测得到的缺失值、异常值、缺失时间步用线性插值代替；将数据集划分为训练集、验证集、测试集，对数据集中各个变量的历史数据集进行最大最小归一化；对输入变量用皮尔逊相关系数检测法进行特征选择，选择出与历史光伏功率相关性强的变量；构建基于解耦架构的自适应多尺度卷积模型，通过训练集对模型进行训练；根据模型在验证集上的精度选出精度最高的模型，将该模型用于在测试集上测试模型的预测表现，得到光伏发电功率预测值。通过本发明实现预测未来多个时间步的光伏功率变化情况，提高电网系统稳定性。

本发明授权基于解耦架构和自适应多尺度卷积的光伏功率预测方法在权利要求书中公布了：1.一种基于解耦架构和自适应多尺度卷积的光伏功率预测方法，其特征在于，包括以下步骤： 1获取光伏发电站的光伏数据集，所述光伏数据集的变量包括历史发电功率、辐射度、温度、湿度、气压、降雨量；对所述光伏数据集的变量进行缺失值检测、异常值检测、缺失时间步检测，将检测得到的缺失值、异常值、缺失时间步用线性插值代替； 2根据输入的历史长度大小和预测的范围大小，将所述光伏数据集按照时间先后顺序划分为训练集、验证集、测试集，划分比例为6:2:2；使用训练集的最大值、最小值对光伏数据集中各个变量的历史数据集进行最大最小归一化； 3对输入变量用皮尔逊相关系数检测法进行特征选择，选择出与历史光伏功率相关性强的变量，包括历史发电量、辐射度、温度；排除掉与历史光伏功率相关性低的变量，包括气压、湿度； 4构建基于解耦架构的自适应多尺度卷积模型，通过所述训练集对自适应多尺度卷积模型进行训练；根据自适应多尺度卷积模型在验证集上的精度选出精度最高的模型，将该模型用于在测试集上测试模型的预测表现，该模型的输出即为最终的光伏发电功率预测值； 自适应多尺度卷积模型包括输入端的嵌入层、堆叠的子块、输出端的投影层； 所述嵌入层，用于对时间维度的初步处理；即对每个时刻点聚合局部上下文语义信息，实现隐特征增维； 所述子块，包括自适应多尺度卷积模块、基于组卷积的卷积门控线性单元；所述自适应多尺度卷积模块包括并行的膨胀核逐深度卷积和自适应聚合块；所述自适应多尺度卷积模型通过并行的多个卷积核同时学习到不同尺度的特征，以增强模型的表征能力；使用自适应聚合块对这些并行的多膨胀核逐深度卷积的输出进行有权重相加，即对不同尺度的特征进行加权，使得模型捕捉到不同尺度的时间序列变化特性；根据组卷积的组数，所述基于组卷积的卷积门控线性单元分为通道卷积门控线性单元和变量卷积门控线性单元，分别用于学习每个变量的跨通道表示和每个通道的跨变量表示； 所述投影层，用于根据预测目标是单步预测还是多步预测来设置投影层的输出步长，从而实现模型的单步预测和多步预测； 所述自适应多尺度卷积模块的前向过程表示为： 式中，Ztime表示自适应多尺度卷积模块的输出，Xemb为自适应多尺度卷积模块的输入，DWConviX是每个逐深度卷积分支的输出，BN为批量正则化层，N是分支数，ωi为相应的可学习权重； 根据组卷积的组数，所述基于组卷积的卷积门控线性单元包括通道卷积门控线性单元、变量线性单元；所述通道卷积门控线性单元用于学习每个变量的跨通道表示；所述变量线性单元用于学习每个通道的跨变量表示；所述通道卷积门控线性单元和变量线性单元的前向传播公式如下： Zchannel,1＝ChannelConvGLUZtimegroups＝M Zchannel,2＝Reshapeamp;PermuteZchannel,1 Zvariate,1＝VariateConvGLUZchannel,2groups＝D Zvariate,2＝Reshapeamp;PermuteZvariate,1 其中，Ztime是通道卷积门控线性单元的输入；Zchannel,1是通道卷积门控线性单元的输出，Zchamnel,2是对Zchannel,1的reshape和permute，Zchannel,2也是变量卷积门控线性单元的输入，Zvariate,1是变量卷积门控线性单元的输出，Zvariate,2是对Zvariate,1的reshape和permute，使得残差连接时的shape是相同的。

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之江实验室;中国科学技术大学，其通讯地址为：311121 浙江省杭州市余杭区中泰街道科创大道之江实验室；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。