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！

龙图腾网获悉烟台大学申请的专利一种基于多尺度分解融合的长期电力系统负荷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：CN121301820B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202511841478.1，技术领域涉及：G06F18/20；该发明授权一种基于多尺度分解融合的长期电力系统负荷预测方法及系统是由王鹏;于东东;张金鑫;韩金鑫;王宪安;姜雪梅;刘仲尧;吴海勇;张汉之;赵勇;王文杰;王一栋设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本一种基于多尺度分解融合的长期电力系统负荷预测方法及系统在说明书摘要公布了：本发明涉及电力负荷预测技术领域，尤其是涉及一种基于多尺度分解融合的长期电力系统负荷预测方法及系统。所述方法包括基于时间序列数据进行数据预处理；通过对预处理后的数据进行多尺度分解与特征嵌入，得到多尺度负荷特征向量集合；基于多尺度负荷特征向量集合进行多尺度负荷特征下的门控自适应滤波与注意力双路径融合；基于时空注意力门控机制对融合结果进行独立预测和预测融合；对预测融合后的结果进行评估。本发明提出的多尺度预测结果时空注意力融合机制，能够自适应地整合不同尺度上的预测信息，避免因尺度单一而导致的偏差，进一步提升长期预测的综合性能，适用于多种电力系统规划与运行场景。

本发明授权一种基于多尺度分解融合的长期电力系统负荷预测方法及系统在权利要求书中公布了：1.一种基于多尺度分解融合的长期电力系统负荷预测方法，其特征在于，包括： 基于获取的电力数据得到时间序列数据； 基于时间序列数据进行数据预处理； 通过对预处理后的数据进行多尺度分解与特征嵌入，得到多尺度负荷特征向量集合； 基于多尺度负荷特征向量集合进行多尺度负荷特征下的门控自适应滤波与注意力双路径融合； 基于时空注意力门控机制对融合结果进行独立预测和预测融合； 对预测融合后的结果进行评估； 所述通过对预处理后的数据进行多尺度分解与特征嵌入，得到多尺度负荷特征向量集合，包括采用多尺度分解与特征嵌入操作，通过将长度为、特征数量为C的负荷序列依次进行负荷序列的多尺度分解MSLD和多尺度负荷序列特征嵌入，生成多尺度负荷特征向量集合，其中，首先对负荷序列进行多尺度分解，设定采样步长集合： ，其中，表示从细尺度至粗尺度分别对应日、周、月、季、年五级时间尺度，给定电力负荷序列，为时间步长，为特征维度，通过平均池化操作分解为多尺度负荷序列集合：，其中，}表示多尺度负荷序列集合，由多步平均池化操作实现，，x为原始输入序列，各尺度平均池化计算式为： ，其中，，表示以为步长电力负荷序列进行平均池化操作；具体计算过程为： ，其中，为下采样的序列长度，在获取到多尺度负荷序列集合X后，引入多尺度负荷序列特征嵌入机制，表示为： ，其中，表示经过嵌入操作后得到的多尺度负荷特征向量集合，， }表示某一特定尺度下对应的特征向量，表示特征向量所对应的时间步长，则表示模型中隐藏层的维度参数，特征嵌入的具体实现通过线性投影完成，展开式为： ，其中，是第m个尺度的可学习权重矩阵，是对应的偏置项，表示输入特征的维度，则表示模型中隐藏层的维度参数，表示通过一个线性变换层：，将每个尺度的输入序列从其原始特征空间投影到高维的模型隐藏空间，其中，表示第m个尺度的可学习权重矩阵的转置； 所述基于多尺度负荷特征向量集合进行多尺度负荷特征下的门控自适应滤波与注意力双路径融合MLFEGAFADPF，包括对多尺度负荷特征向量集合依次进行负荷特征向量分解、门控自适应滤波趋势特征融合和注意力周期特征融合、多尺度数据融合，最终，生成融合多尺度周期与趋势信息的增强型负荷特征向量集合，对于第l层而言，其输入为，MLFEGAFADPF的跨尺度融合过程记为： ， 其中，L代表模型对历史信息的提取深度，表示长度为特征维度为的重构后的多尺度负荷特征向量集合，然后进行负荷特征向量分解LFVD，基于负荷特征向量分解将第l-1层的多尺度负荷特征向量集合分解为负荷周期性特征向量集合和负荷趋势性特征向量集合，周期性特征向量包含负荷数据中与日、周和月周期相关的重复性波动特征，趋势性特征向量则反映负荷数据中缓慢变化的长期趋势，其中，第l层的负荷特征向量分解操作为： ， 其中，表示第层中尺度下的负荷特征向量，表示负荷特征分解操作，和分别表示第层中m尺度下分解后的负荷周期性特征向量与负荷趋势性特征向量，其中分解操作通过离散傅里叶变换DFT提取负荷趋势性特征向量，表示为： ， 其中为第层中尺度的历史负荷观测值，表示离散傅里叶变换，在此基础上，通过利用负荷特征向量中减去对应尺度的负荷趋势性特征向量的方式获得负荷周期性特征向量： ， 经过负荷特征向量分解操作生成的趋势性特征向量和周期性特征向量，分别进行门控自适应滤波趋势特征融合和注意力周期特征融合进行处理； 所述门控自适应滤波趋势特征融合，包括采用自适应滤波结合自粗尺度至细尺度的融合策略，其中对于趋势特征，采用残差连接方式对第个尺度的趋势分量实施自顶向下融合，然后对粗尺度趋势特征进行处理并加入到细尺度趋势特征中，通过长期趋势向下传递趋势信息，保证预测方向的一致性，第层中尺度的负荷趋势特征的跨尺度融合方法表示为： ， ， 其中，表示结合门控自适应滤波技术的自粗尺度至细尺度融合，输入维数为，输出维数为，融合过程利用对粗尺度趋势特征进行降维处理，将序列长度从压缩至与目标细尺度m的长度一致，从而实现跨尺度特征的对齐，经对齐后的粗尺度特征随后被送入门控自适应滤波单元并通过双路径并行处理：滤波路径通过线性变换生成基础趋势分量，而门控路径则借助Sigmoid函数产生动态权重系数，二者逐元素相乘后形成门控自适应滤波输出，其中，与表示可学习的权重矩阵，用于对融合后的特征进行线性变换，与表示可学习的偏置向量与权重矩阵配套使用，表示逐元素乘法； 所述注意力周期特征融合，包括采用注意力机制结合自细尺度至尺度融合方法，从细尺度时间序列向粗尺度整合信息，其中，对于周期特征，采用残差连接方式对第m个尺度的周期性分量实施自细尺度向粗尺度融合：以实现多尺度季节性信息的自细尺度向粗尺度交互，第l层中m尺度的负荷周期特征的跨尺度融合方法表示为： ， ， ， 表示通过自细尺度至粗尺度的融合策略，输入维数为，输出维数为，首先，对细尺度周期特征应用注意力机制，计算查询、键、值的加权输出，其中，表示计算查询矩阵和键矩阵转置的点积，代表所有元素实际的信息，是查询矩阵和键矩阵的维度，其次，通过上采样操作将加权后的特征维度从细尺度的对齐至粗尺度的，确保序列长度兼容，最后，借助残差连接将处理后的特征集成到粗尺度周期特征中。

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烟台大学，其通讯地址为：264003 山东省烟台市莱山区清泉路30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。