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！

龙图腾网获悉兰州理工大学申请的专利一种倒置Transformer结合加权分解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：CN120277356B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202510337486.6，技术领域涉及：G06F18/20；该发明授权一种倒置Transformer结合加权分解的光伏功率预测方法是由张红;马彦宏;付国力;李峰;杜思凯;曾吉祥;汪家辉;陈婷;黄海蓉;苏子槟设计研发完成，并于2025-03-21向国家知识产权局提交的专利申请。

本一种倒置Transformer结合加权分解的光伏功率预测方法在说明书摘要公布了：一种倒置Transformer结合加权分解的光伏功率预测方法，由倒置的Transformer架构和加权系列分解模块以及概率稀疏注意力机制构成；步骤一、倒置Transformer架构捕捉光伏功率数据的复杂非线性和波动性特征，从而提高模型对多变量相关性的学习能力；步骤二、加权系列分解模块用于提取光伏数据的时间特征和周期性并引入与实际光伏发电输出功率变化模式相符合的权重，约束模型的输出结果；步骤三、概率稀疏注意力机制结合倒置架构使得该预测方法能够在处理长序列数据时保持较高的计算效率，增强模型性能；步骤四、构建一种针对光伏数据的不同特性分别处理的两阶段结构，以提高预测的准确性、鲁棒性和计算效率；步骤五、通过预测层进行光伏功率预测。

本发明授权一种倒置Transformer结合加权分解的光伏功率预测方法在权利要求书中公布了：1.一种倒置Transformer结合加权分解的光伏功率预测方法，其特征在于，包括如下步骤： 步骤S1：获取光伏发电站的历史运行数据集，对历史数据进行预处理； 步骤S2：对处理后的数据用多层感知机进行嵌入操作，使其转化为高维特征表示； 步骤S3：构建模型，第一阶段采用倒置Transformer架构的方法；第二阶段则引入加权系列分解方法； 所述步骤S3具体为： 第一阶段模型，由倒置Transformer与稀疏注意力机制构成；经过嵌入的序列先经过稀疏注意力机制，而后经过层归一化、前馈神经网络，最后经过归一化后输入第一阶段预测输出层，输出第一阶段预测结果； 第二阶段模型，主要由加权系列分解构成；第一阶段输出结果先经过序列分解单元，被分解为趋势、季节性和随机成分，而后经过加权机制，由正弦函数赋予权重值；最后经过前馈神经网络组成的预测层进行预测结果输出； 所述步骤S3加权系列分解方法步骤为： 序列分解单元，将光伏数据分解为季节性成分、趋势成分，随机成分； 加权机制，将输入值映射到区间[0，π2]，通过正弦函数来进行权重计算，设定好相关范围，保留合理权重值； 重构单元，接收来自加权机制的输出，通过加法操作将加权后的特征与其他特征结合起来； 采用移动平均法来进行序列分解，具体步骤如下： 选择一个窗口大小，并对时间序列中的每个点计算该窗口内所有点的平均值；这个平均值将替换原始数据点，生成一个新的平滑序列；经过移动平均处理后，序列中的瞬时波动被抑制，剩下的主要是数据的长期轨迹表示；平滑后的序列本质上体现了原始序列的趋势成分；通过从原始序列中减去趋势成分，表示季节性成分和随机波动；计算公式如下： xt＝AvgPoolPaddingx xs＝x--xt 其中，xt与xs分别表示趋势项和季节性项，AvgPool·用于执行移动平均操作，Paddingx表示填充操作以保持序列长度不变； 加权机制与重构单元执行步骤具体如下： 首先将光伏功率数据映射到适合的范围，以便与正弦函数进行比较，而后将光伏功率数据与正弦函数的变化模式进行分析，利用正弦函数的变化情况生成权重矩阵，权重与光伏数据序列的分解张量相乘作为预测结果；计算公式步骤如下： 其中，Te与Te是模型中可训练的参数，表示时间范围的开始小时和结束小时，X表示当前输入的时间数据，θ表示角度，W表示权重矩阵； 最后通过加法重构，将加权之后的特征与其他相关特征结合起来，计算如下： 其中Wi是权重矩阵中的第i个权重值，Fi是分解后的特征张量中的第i个特征值； 步骤S4：将构建的两个阶段的模型进行串联组合，输入历史运行数据集对模型进行训练； 步骤S5：使用完成训练的模型进行预测，并对得到的输出结果进行反归一化即是所需要的光伏功率值。

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兰州理工大学，其通讯地址为：730050 甘肃省兰州市七里河区兰工坪路287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。