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！

龙图腾网获悉朗坤智慧科技股份有限公司申请的专利电力市场异常数据重构方法、系统、设备和介质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：CN119961845B 。

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：202510436587.9，技术领域涉及：G06F18/2433；该发明授权电力市场异常数据重构方法、系统、设备和介质是由魏小庆;毛旭初;康建辉;陈志凯;欧阳永子设计研发完成，并于2025-04-09向国家知识产权局提交的专利申请。

本电力市场异常数据重构方法、系统、设备和介质在说明书摘要公布了：本发明公开了电力市场异常数据重构方法、系统、设备和介质，涉及电力市场异常数据重构技术领域，包括利用卷积神经网络提取电力市场数据特征；基于注意力机制计算特征的注意力权重，将卷积神经网络和注意力机制融合构建异常数据重构模型；将训练好的异常数据重构模型迁移到目标电力市场。本发明所述方法实现了对电力市场数据的高效特征提取，确保了异常数据的精准识别，提高了异常数据的辨识度，优化了后续的数据重构过程，使得修复的异常数据更符合市场运行规律，降低了异常数据对市场分析和决策的影响，实现了异常数据重构模型的高效迁移，提高模型的通用性和实时异常修复能力，确保市场数据的稳定性，提高数据修复的可靠性。

本发明授权电力市场异常数据重构方法、系统、设备和介质在权利要求书中公布了：1.电力市场异常数据重构方法，其特征在于，包括： 利用卷积神经网络提取电力市场数据特征； 基于注意力机制计算特征的注意力权重，将卷积神经网络和注意力机制融合构建异常数据重构模型； 将训练好的异常数据重构模型迁移到目标电力市场； 计算特征的注意力权重包括计算异常数据权重，构造查询、键和值向量，优化特征关联度；采用指数归一化优化注意力分配，并引入异常数据权重因子动态调整权重；构建异常数据重构模型包括构建输入层、卷积特征提取层、注意力机制层、重构输出层的异常数据重构模型；融合CNN提取特征，注意力机制优化异常点表示，并通过误差优化和反向传播调整参数；迁移包括特征迁移、参数迁移、实例迁移，冻结CNN特征层，仅微调注意力机制层和输出层； 通过指数归一化方法计算加权池化中的权重，表示为： ； 其中，为第个时间步的池化权重，表示池化窗口内每个时间步的指数转换结果，表示池化窗口内的时间步索引； 对异常数据点的权重进行动态调整，计算注意力分数，表示为： ； 其中，表示当前时间步，表示被关注的目标时间步，为查询向量，为键向量的转置，为键向量的维度，为异常数据调节因子，为异常数据权重因子； 计算归一化后的注意力权重，并计算最终加权特征； 计算归一化后的注意力权重，表示为： ； 其中，为当前时间步对被关注的目标时间步的归一化注意力权重，为指数变换的注意力分数，为归一化项，确保注意力分数非负，并对较大的相关性值给予更高权重； 计算最终加权特征，表示为： ； 其中，为加权后的特征向量集合，用于数据重构，为注意力分配矩阵，为值向量，用于最终特征表示； 计算损失函数值，表示为： ； 其中，为损失函数值，衡量预测数据与真实数据之间的偏差，用于优化模型参数，使修复的异常数据更接近真实市场数据，异常数据权重因子，表示真实市场条件下的电力市场数据，包括电力价格、负荷、交易量数据，表示通过异常数据重构模型生成的修复数据，为平方误差，用于衡量重构数据与真实数据之间的误差大小； 构建模型参数矩阵，表示为： ； 其中，表示第轮训练后的模型参数矩阵，表示第轮训练时的模型参数矩阵，表示学习率，控制每次参数更新的步长，表示损失函数对模型参数的梯度，用于衡量当前模型参数对整体损失的影响，从而确定参数优化的方向； 异常数据重构模型，包括， 输入层、卷积特征提取层、注意力机制层以及重构输出层； 输入层接收经过预处理的电力市场时序数据，包括历史电力市场交易数据、电力负荷数据、电网运行数据及市场报价数据，并进行归一化处理，消除不同数据源之间的量纲差异； 卷积特征提取层通过多个卷积层和池化层提取电力市场数据的多层次时序特征，卷积层基于设定的滑动窗口提取局部数据模式，通过池化层降低数据维度并去除冗余信息； 注意力机制层计算电力市场数据的异常特征权重，引入自注意力机制对不同时间步长的特征进行加权计算，构造查询向量、键向量和值向量，并通过计算查询向量与键向量的匹配度获得时间序列之间的关联度，对电力市场的关键异常特征赋予更高的权重； 重构输出层，包括基于注意力机制计算的加权特征进行异常数据重构，通过时间序列预测方法生成正常数据，采用误差优化方法计算预测数据与实际数据之间的偏差，并基于反向传播算法调整异常数据重构模型的参数，最小化预测误差； 迁移，包括， 特征迁移，在目标市场应用已训练的异常数据重构模型，对预训练模型的特定层权重执行参数冻结操作，保持通用特征提取能力，仅允许注意力机制层和输出层的参数在目标市场数据上进行更新； 参数迁移，将源市场训练好的模型参数迁移到目标市场，在目标市场数据上进行微调； 实例迁移，选取部分源市场数据，并按照预设比例混合到目标市场数据中，在目标市场数据与源市场数据的混合数据集上进行训练； 在目标电力市场上评估迁移后的重构模型，通过对比实际数据和重构数据，计算模型的误差，根据评估结果，对模型进行优化，调整模型参数和结构； 将优化后的重构模型部署到实际应用中，实时获取电力市场数据，进行在线异常数据重构，通过持续监控重构结果和市场数据，及时更新和优化模型； 在目标市场数据上进行微调，包括， 设定学习率，采用目标市场数据进行小批量训练； 计算目标市场数据的损失函数值，并通过反向传播调整注意力机制层和输出层的参数； 训练过程中监测误差变化，并调整训练策略，防止模型过拟合或陷入局部最优。

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朗坤智慧科技股份有限公司，其通讯地址为：210005 江苏省南京市鼓楼区汉中路2号亚太商务楼31层；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。