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！

龙图腾网获悉湖南大学申请的专利一种基于多尺度状态分解机制的新能源功率预测方法与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：CN121503819B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202512038544.8，技术领域涉及：G06Q10/04；该发明授权一种基于多尺度状态分解机制的新能源功率预测方法与系统是由张辉;别克扎提·巴合提;杜瑞;陈厚权;王梓洋;张恺宁;曹云康;邱宇;王耀南设计研发完成，并于2025-12-31向国家知识产权局提交的专利申请。

本一种基于多尺度状态分解机制的新能源功率预测方法与系统在说明书摘要公布了：一种基于多尺度状态分解机制的新能源功率预测方法与系统，其中新能源功率预测方法包括：收集风电场站或光伏场站的多源历史数据，并对多源历史数据进行预处理，然后构建训练数据集；构建新能源功率预测网络，新能源功率预测网络包括知识引导层、历史序列编码器、连续动态系统建模层和物理感知解码网络；知识引导层与历史序列编码器并联，知识引导层与历史序列编码器的两者输出依次与连续动态系统建模层和物理感知解码网络连接；利用训练数据集对新能源功率预测网络进行训练；将训练后的新能源功率预测网络部署到设备端，并进行功率预测，得到预测结果。本发明显著提升了预测模型在早期训练阶段的稳定性、收敛速度以及对极端气象条件下的鲁棒性。

本发明授权一种基于多尺度状态分解机制的新能源功率预测方法与系统在权利要求书中公布了：1.一种基于多尺度状态分解机制的新能源功率预测方法，其特征在于，包括如下步骤： S1、收集风电场站或光伏场站的多源历史数据，并对多源历史数据进行预处理，然后构建得到训练数据集； S2、构建新能源功率预测网络，新能源功率预测网络包括知识引导层、历史序列编码器、连续动态系统建模层和物理感知解码网络；知识引导层与历史序列编码器并联，知识引导层与历史序列编码器的两者输出依次与连续动态系统建模层和物理感知解码网络连接； S3、利用训练数据集对新能源功率预测网络进行训练，得到训练后的新能源功率预测网络； S4、将训练后的新能源功率预测网络部署到设备端，并进行功率预测，得到预测结果； 所述S3具体包括如下步骤： S31、从训练数据集中选取一个特征序列集合，其中，表示原始输入向量，表示历史功率输出序列；表示气象数据；T表示特征序列总数；表示第i个特征序列；表示任意时间步； S32、将选择的特征序列集合输入到知识引导层中，提取隐含特征向量，然后通过隐含特征向量计算得到起始隐状态；表示起始时间步； S33、计算特征序列集合内任意时间步对的注意力权重，利用注意力权重计算历史序列编码，对历史序列编码进行聚合，提取历史状态编码向量； S34、将起始隐状态与历史状态编码向量输入到连续动态系统建模层中进行融合，得到连续动态系统的起始隐状态，并基于连续动态系统的起始隐状态以及微分方程ODE构建连续动态系统，引入多尺度状态分解机制对连续动态系统进行改写，利用改写的连续动态系统在预测区间内进行积分，得到未来每一时刻的隐状态序列； S35、将未来每一时刻的隐状态序列与对应外部条件输入到物理感知解码网络中，得到功率预测值；对应外部条件包括未来预测区间内的气象场预报数据； S36、构建总损失函数，依据功率预测值以及实际功率值计算总损失，迭代循环S31至S35，最小化总损失，并在迭代的过程中，调整新能源功率预测网络，得到训练后的新能源功率预测网络； 所述S32具体包括如下步骤： S321、将选择的特征序列集合输入到知识引导层中，提取隐含特征向量，表达式如下： ； 其中，M表示预训练基础模型；表示预训练基础模型的参数； S322、依据隐含特征向量计算起始隐状态，计算式如下： ； 其中，、为映射至连续动态系统的状态空间的可学习线性变换参数。

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湖南大学，其通讯地址为：410082 湖南省长沙市岳麓区麓山南路1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。