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！

龙图腾网获悉沈阳工业大学申请的专利一种基于数字孪生的工厂电力负荷监测和预警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：CN120433173B 。

龙图腾网通过国家知识产权局官网在2025-11-11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：202510512673.3，技术领域涉及：H02J3/00；该发明授权一种基于数字孪生的工厂电力负荷监测和预警方法是由陈曦;蒋宇凡;姚富龙;刁兆硕;李海星;崔容斌;张迎铭设计研发完成，并于2025-04-23向国家知识产权局提交的专利申请。

本一种基于数字孪生的工厂电力负荷监测和预警方法在说明书摘要公布了：本发明提供了一种基于数字孪生的工厂电力负荷监测和预警方法，属于数字孪生和电力负荷预测技术领域，本发明将WTConv与iTransformer相结合，用于电力负荷预测，解决了传统电力负荷预测方法在复杂动态工厂环境中难以应对的挑战；在实际工厂运行过程中，电力负荷受生产节奏、设备运行状态以及外部环境等多重因素影响，造成负荷数据具有较强的时变性和非线性特征；通过WTConv与iTransformer的结合，本发明能够更好地捕捉复杂的时空模式和多尺度特征，从而显著提升电力负荷预测的准确性与鲁棒性，为电力系统提供更加可靠的负荷预测支持，帮助企业优化生产调度、减少能耗损失，并有效预防电力系统的负荷风险。

本发明授权一种基于数字孪生的工厂电力负荷监测和预警方法在权利要求书中公布了：1.一种基于数字孪生的工厂电力负荷监测和预警方法，其特征在于，所述负荷监测和预警方法包括如下步骤： S1、通过电源供电模块为整个电力负荷监测与预警系统提供稳定电力支持； S2、通过工业协议从传感器和执行器采集实时数据，完成设备负荷状态监控； S3、基于采集到的实时数据，利用数字孪生技术和工厂数据信息构建三维虚拟工厂模型，并通过数据接口将实时数据映射到虚拟模型上，实现模型的动态仿真与交互式可视化； S4、采用差分自回归移动平均模型ARIMA对采集的实时数据进行分析，挖掘出潜在的设备正常工作的电力负荷变化趋势； S5、基于潜在的设备正常工作的电力负荷变化趋势，将WTConv小波变换应用于iTransformer模型中，预测未来1小时的电力负荷数据； S6、将预测结果输出并可视化； S7、通过监测预测数据识别负荷过载事件，触发预警并执行故障诊断与分析； 步骤S5中所述基于潜在的设备正常工作的电力负荷变化趋势，将WTConv小波变换应用于iTransformer模型中，预测未来1小时的电力负荷数据的具体方法： S51、输入为电力负荷的历史时序数据，表示为： ； 其中，T是时间步数，是特征维度； 对电力负荷时序数据做归一化处理,如以下公式： ； 其中，x是输入的电力时序数据，是输入数据的均值，是输入数据的标准差； S52、采用TheWaveletTransformasConvolutions小波变换提取出电力负荷时间序列数据的低频和高频信息；基于长度为L的时间序列x，该过程的公式表示如下： ； 其中，WTx为小波变换操作，Convldx，filters一维卷积操作，其中，x是输入信号，filters是卷积核； 小波变换后，序列被分解成多个小波子带Sub-bands，代表不同频段的信息：，其中为低频分量，高频分量；然后对分别使用1D卷积提取局部特征得到； S53、通过可学习的线性变换，将多尺度特征投影到相同维度的特征空间，其中是投影矩阵： ； 其中，EL、EH为低频分量和高频分量经过线性变换后的嵌入结果；bL和bH为低频和高频特征的偏置项； 然后，把两者拼接形成最终的频率分量；不同频率分量经过WTConv处理后的低频和高频特征分别嵌入为iTransformer预测模型的变元token；在嵌入阶段，将各频段分量分别嵌入到独立的变元token，以保持每个频带信息的独立性； iTransformer基础模型是通过重新设计架构提出一种逆向的创新方法，其核心在于以变元为中心重新定义序列嵌入方式；在iTransformer中，基于输入的时间序列，通过Transformer模块，逐层传递信息，最后预测结果是，过程如下公式： ； 是第n个时间序列经过嵌入层Embedding之后的初始表示；表示嵌入操作；是第l+1层的Transformerblock输出,是上一层输出；为最终输出中与第n个变量相关的上下文向量，其中C表示模块层数，作为预测的特征表示输入到层； 包含N个维度为D的嵌入标记；iTransformer将输入序列嵌入为变元token，通过自注意力机制计算变元间的相关性；在每个变元token上采用了前馈网络，专注于提取时间序列的非线性特征； S54、电力负荷预测的主要阶段采用iTransformer模型，多头自注意力机制用于捕捉每个时间序列的多变元之间的依赖关系； 首先，根据输入的，生成查询、键、值向量： ； 其中，Q为查询向量，K为键向量，V为值向量，WQ、WK、WV为可学习的权重矩阵，分别用于将输入特征E映射到查询、键、值空间； 在注意力机制中，对低频变元token赋予更高权重，而对高频变元token则赋予较低权重；注意力计算方法如以下公式： ； 其中，分别代表查询Query、键Key和值Value，都是局部窗口内的向量，是向量维度； 多头拼接并线性映射：； S55、采用残差连接与层归一化处理，表示为： ； 通过IDWT逆离散小波变换InverseDiscreteWaveletTransform将各频带特征重新组合为整体特征：； S56、将上述整体特征输入前馈网络，前馈网络结构为两层MLP，公式如下： ； 其中，ReLU为激活函数，，是权重矩阵，，是偏置项； S57、输出为下一时间步的预测负荷值，预测出未来1小时的电力负荷数据，并将预测结果数据存储到系统中。

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沈阳工业大学，其通讯地址为：110870 辽宁省沈阳市铁西区经济技术开发区沈辽西路111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。