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！

龙图腾网获悉连云港智源电力设计有限公司;河海大学申请的专利一种基于多阶段时序特征挖掘的光伏功率预测方法及系统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：CN119401396B 。

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：202411443404.8，技术领域涉及：H02J3/00；该发明授权一种基于多阶段时序特征挖掘的光伏功率预测方法及系统是由王强;杨甫;张文瑞;李光熹;张欣;徐帆设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本一种基于多阶段时序特征挖掘的光伏功率预测方法及系统在说明书摘要公布了：本发明公开了一种基于多阶段时序特征挖掘的光伏功率预测方法及系统，该预测方法包括：通过LSTM模型对历史光伏功率序列进行特征提取，得到功率时序特征；通过3DCNN模型对历史卫星云图序列进行特征提取，得到云图时空动态特征；基于残差交叉注意力机制对功率时序特征与云图时空动态特征进行特征融合，得到多模态融合特征；利用Transformer模型进一步挖掘融合特征中的时序特性，得到深层多模态时序特征；通过多层感知机输出预测结果，用以预测未来1小时至4小时的光伏功率。本发明能够提高光伏功率预测精度，为电网安全、稳定运行提供支撑，具有一定的工程实用价值。

本发明授权一种基于多阶段时序特征挖掘的光伏功率预测方法及系统在权利要求书中公布了：1.一种基于多阶段时序特征挖掘的光伏功率预测方法，其特征在于，包括以下步骤： 步骤一：通过LSTM模型对历史光伏功率序列进行特征提取，得到功率时序特征，其过程表示为： 其中，Fpower为功率时序特征，fLSTM为LSTM模型，m为所采用LSTM的层数，[p1,p2,...,pn]为历史光伏功率序列，n为时间序列长度； 步骤二：通过3DCNN模型对历史卫星云图序列进行特征提取，得到云图时空动态特征，其过程表示为：Fimage＝f3DCNN[i1,i2,...,in]； 其中，Fimage为云图时空动态特征，f3DCNN为3DCNN模型，[i1,i2,...,in]为历史卫星云图序列；3DCNN用下述公式表述： hl＝flwl*hl-1+bl； *表示卷积操作，wl为第l层卷积层的权重，bl为第l层卷积层的偏置，fl为第l层卷积层的激活函数，hl，hl-1分别为第l层和第l-1层卷积层的输出；其过程表示为： 其中，Y是输出特征图，[x,y,z]是输出特征图中的位置索引，g为池化操作的输入特征图，M、N、O分别表示池化窗口在宽度、高度、深度三个方向上的尺寸，Sd、Sh、Sw分别为池化窗口在宽度、高度和深度方向上的移动步长，m、n、o是对应于池化窗口在当前位置的索引偏移； 步骤三：基于残差交叉注意力机制对功率时序特征与云图时空动态特征进行特征融合，得到多模态融合特征，具体过程为： 其中，Ffusion为多模态融合特征，RS-Attention是残差交叉注意力机制，Q、K、V分别为查询向量、键向量、值向量，Q通过功率时序特征经过非线性映射得到，K、V通过云图时空动态特征经过非线性映射得到，dk为键向量的维度，softmax用于计算交叉注意力机制权重； 步骤四：利用Transformer模型进一步挖掘融合特征中的时序特性，得到深层多模态时序特征，具体过程为： 其中，Ffinal为深层多模态时序特征，fTransformer为Transformer模型，为历史每个时刻的多模态融合特征，n为融合特征的维度； 步骤五：通过多层感知机输出预测结果，用以预测未来1小时至4小时的光伏功率，基于功率时序特征、云图时空动态特征及深层多模态时序特征，进行再学习得到光伏功率的预测结果y： y＝fMLP[Fpower,Fimage,Ffinal]； 其中，fMLP为多层感知机模型。

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连云港智源电力设计有限公司;河海大学，其通讯地址为：222000 江苏省连云港市海州区幸福路23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。