龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
申请/专利权人：太原理工大学
摘要：本发明公开了一种基于序列级注意力机制的短期电力负荷预测方法，电力负荷数据预处理采用Pearson相关系数和CorrelationRatio筛选关键协变量序列，有效降低了模型的输入规模。序列能量注意力通过精确提取电力负荷数据的长短期特征，实现特征的综合融合。"先验知识"引导利用先验信息指导负荷序列预测的外推，确保预测的合理性。成分分解则在序列分解的基础上，减少异常数据对预测的干扰，将负荷数据分解为趋势项和季节项，从而显著提升了模型的预测精度。本发明不仅提高了短期电力负荷预测的准确性，还增强了模型的泛化能力，为电力系统的自动化和智能化发展提供了强有力的技术支持。
主权项：1.一种基于序列级注意力机制的短期电力负荷预测方法，其特征在于：包括以下步骤：步骤A1：电力负荷数据预处理，分别采用Pearson相关系数对连续协变量进行筛选，并使用CorrelationRatio对离散协变量进行筛选，从而实现对输入数据的处理生成筛选后的序列；步骤A2：对筛选后的序列进行序列级注意力计算，挖掘序列内的相关关系；采用功率谱密度图中的能量大小来表示主要周期序列与原始序列的结构相似性程度，替代了原始注意力机制中的形状相似性度量方法，序列能量注意力模块能够并行提取相同粒度序列间的关系，并进行跨粒度的加权融合，有利于实现特征提取过程的稳定性和全面性；步骤A3：“先验知识”引导，通过编码的方式将时间属性融入到模型中；步骤A4：采用基于序列分解思想和双边滤波的方法，将序列分解为趋势项、季节项和余项噪声成分；在不影响序列的波峰和波谷情况下，通过平均池化层和双边滤波层来逐步去除适量的余项噪声成分，从而将序列逐步分解为趋势项和季节项，以捕捉时间序列的长期轮廓和局部信息；步骤A5：融合季节项和趋势项分量最终生成预测值，实现短期电力负荷的精准预测。
全文数据：
权利要求：
百度查询： 太原理工大学 基于序列级注意力机制的短期电力负荷预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号