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！

龙图腾网获悉广东工业大学申请的专利一种基于深度学习的电力需求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：CN120764767B 。

龙图腾网通过国家知识产权局官网在2025-12-23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：202510906493.3，技术领域涉及：G06Q10/04；该发明授权一种基于深度学习的电力需求预测方法是由苏庆;周城平;田华川;刘展宏;谢国波;林志毅;黄剑锋;何炯星;黄小兵;连凯;刘岩设计研发完成，并于2025-07-02向国家知识产权局提交的专利申请。

本一种基于深度学习的电力需求预测方法在说明书摘要公布了：本发明公开的属于电力需求预测技术领域，具体为一种基于深度学习的电力需求预测方法，包括具体步骤如下：S1：获取电力需求预测原始数据集；S2：对电力需求预测原始数据集进行预处理，得到电力需求预测图像数据集；S3：构建电力需求预测模型，用于预测电力需求数据；S4：划分电力需求预测图像数据集，训练与验证电力需求预测模型；S5：应用电力需求预测模型，得到目标地区未来一个时间段的逐小时电力需求的预测值。本发明在进行电力需求预测时，能够更全面、精准地提取与融合图像时空特征，显著提升复杂电力数据场景下的预测精度与效率。

本发明授权一种基于深度学习的电力需求预测方法在权利要求书中公布了：1.一种基于深度学习的电力需求预测方法，其特征在于，包括具体步骤如下： S1：获取电力需求预测原始数据集； S2：对电力需求预测原始数据集进行预处理，得到电力需求预测图像数据集，其中电力需求预测图像是一个三维矩阵，由用电数据、气象数据以及社会经济数据进行预处理所形成的； S3：构建电力需求预测模型，用于预测电力需求数据，具体步骤如下： S31：将电力需求预测图片数据集中的图像输入到多尺度特征融合模块，得到多尺度时间融合特征图F11，具体构建和运行过程如下： S311：将输入的电力需求预测图像进行Conv3×3卷积操作，得到多尺度时间融合特征图F1； S312：对多尺度时间融合特征图F1输入到多尺度卷积子模块进行操作，捕捉图像中不同尺度的特征，全面丰富特征表达，生成多尺度时间融合特征图F2，再对多尺度时间融合特征图F2进行CBS操作，优化特征表达，得到多尺度时间融合特征图F3； S313：利用空间注意力对多尺度时间融合特征图F3进行处理，得到多尺度时间融合特征图F4；然后分两条路径对多尺度时间融合特征图F4进行特征处理： 在路径一中，对多尺度时间融合特征图F4进行转置卷积操作，以扩大图像的空间维度，得到多尺度时间融合特征图F5；再对多尺度时间融合特征图F5输入到多尺度卷积子模块进行操作，生成多尺度时间融合特征图F6；随后对多尺度时间融合特征图F6进行Conv1×1卷积操作，得到多尺度时间融合特征图F7； 在路径二中，对多尺度时间融合特征图F4进行空洞卷积操作，在不增加参数的前提下扩大感受野，捕捉图像长距离依赖关系，得到多尺度时间融合特征图F8；再对多尺度时间融合特征图F8输入到多尺度卷积子模块进行操作，生成多尺度时间融合特征图F9；随后对多尺度时间融合特征图F9进行Conv1×1卷积操作，得到多尺度时间融合特征图F10； S314：最后通过Concat操作将多尺度时间融合特征图F7和多尺度时间融合特征图F10进行拼接，得到多尺度时间融合特征图F11； 所述多尺度卷积子模块的构建与运行过程为： 首先，将多尺度时间融合特征图F1进行Conv1×1卷积操作，实现跨通道信息整合与维度调整，得到多尺度时间融合特征图Z1;随后，分三条路径对多尺度时间融合特征图Z1进行处理： 在路径一中，对多尺度时间融合特征图Z1进行Conv3×3卷积操作，提取局部特征，得到多尺度时间融合特征图Z2，再对多尺度时间融合特征图Z2进行Subsample操作，降低分辨率以突出整体特征，得到多尺度时间融合特征图Z3，然后对多尺度时间融合特征图Z3进行CBS操作，优化特征表达，得到多尺度时间融合特征图Z4； 在路径二中，对多尺度时间融合特征图Z1进行Conv5×5卷积操作，捕捉中等尺度特征，得到多尺度时间融合特征图Z5，再对多尺度时间融合特征图Z5进行CBS操作增强特征一致性与有效性，得到多尺度时间融合特征图Z6； 在路径三中，对多尺度时间融合特征图Z1进行Conv7×7卷积操作，获取大尺度特征，得到多尺度时间融合特征图Z7，再对多尺度时间融合特征图Z7进行Upsample操作，恢复空间维度，得到多尺度时间融合特征图Z8，然后对多尺度时间融合特征图Z8进行CBS操作，得到多尺度时间融合特征图Z9； 接着，将多尺度时间融合特征图Z4、多尺度时间融合特征图Z6、多尺度时间融合特征图Z9进行逐元素相加运算，整合不同尺度特征信息，生成多尺度时间融合特征图Z10；然后对多尺度时间融合特征图Z10进行CBS操作，得到多尺度时间融合特征图Z11；最后，利用Sigmoid激活函数处理多尺度时间融合特征图Z11，将其输出与多尺度时间融合特征图Z11进行逐元素相乘运算，输出多尺度时间融合特征图F2； S32：将多尺度时间融合特征图F11输入到分组卷积与权重融合模块，得到多维数据融合特征图T11， S33：将多维数据融合特征图T11输入到池化与可变形拼接卷积模块中，得到电力需求预测特征向量G； S34：将电力需求预测特征向量G输入到FFN中，得到目标地区未来一个时间段的逐小时电力需求的预测值； S4：划分电力需求预测图像数据集，训练与验证电力需求预测模型； S5：应用电力需求预测模型，得到目标地区未来一个时间段的逐小时电力需求的预测值。

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广东工业大学，其通讯地址为：510000 广东省广州市东风东路729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。