公开(公告)号：CN119623722A

公开(公告)日：2025-03-14

申请号：CN202411691061.7

申请日：2024-11-25

Applicant: 桂林电子科技大学

Inventor： 陈若愚 ,  李玉鑑 ,  赵怀玉 ,  严昌敬 ,  刘宝龙

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/0464

Abstract: 本发明公开了一种基于上下采样卷积层和双预测头的多用户电力消耗特征预测方法，依次包含以下步骤：首先将电力消耗时间序列划分为重叠或非重叠的分块序列；通过线性变换对分块后的电力消耗序列进行编码，以捕捉时间块之间的依赖关系；接着，使用线性预测头对编码后的电力消耗时间序列进行预测，得到线性预测输出；其次，使用上下采样层对此电力消耗时间序列进行处理，以捕捉序列间的长期依赖关系；使用卷积预测头对处理后的电力消耗时间序列进行预测，得到卷积预测输出，最后将卷积预测输出与线性预测输出相加得到最终预测结果。本发明为电力消耗特征预测提供了新思路，实验结果表明本方法具有高效处理长时间序列，误差率低的优点。

公开(公告)号：CN119623270A

公开(公告)日：2025-03-14

申请号：CN202411691896.2

申请日：2024-11-25

Applicant: 桂林电子科技大学

Inventor： 严昌敬 ,  李玉鑑 ,  赵怀玉 ,  陈若愚 ,  刘宝龙

IPC: G06F30/27 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明公开了一种基于深度可分离卷积和双预测头的变压器状态参数预测方法，依次包含以下步骤。首先，构建一个变压器状态参数时间序列作为输入，原始数据经过归一化处理和数据切分后直接输入到线性层，输出初步预测结果捕获整体趋势。通过FFT计算原始序列频谱用来获得其周期，再对原始序列进行填充分片，然后将变换后的数据传入多个深度可分离卷积层构建的模块提取特征，将返回值还原为一维时间序列，并传入穿插有非线性激活函数的线性层，生成非线性的预测结果，最后其与初步预测结果相加得到最终的预测结果。通过这种设计，模型有效结合了周期内和周期间，线性和非线性的信息，提高了特征提取效率和预测精度。

公开(公告)号：CN119623723A

公开(公告)日：2025-03-14

申请号：CN202411691440.6

申请日：2024-11-25

Applicant: 桂林电子科技大学

Inventor： 陈若愚 ,  李玉鑑 ,  刘宝龙 ,  赵怀玉 ,  严昌敬

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/0442

Abstract: 本发明公开了一种基于趋势季节分解和二阶可控门单元的多用户电力消耗特征预测方法，依次包含以下步骤：通过趋势季节分解层，输入的电力消耗序列被拆分成趋势季节两个特征，送入到对应趋势季节编码器进行处理，趋势季节编码器具有相同的结构。在编码器中，趋势和季节特征被切分成小块，送入到线性层进行编码，并送入二阶可控门单元中进行进一步编码，得到趋势季节编码，并送入到趋势与季节解码器中。趋势季节解码器具有相同的结构，趋势季节编码会通过二阶可控门单元进行解码后，送入线性层进行解码，最后趋势季节解码相加得到预测结果。本发明为电力消耗预测提供了新思路，实验结果表明本方法具有高效处理长时间序列，误差率低的优点。

公开(公告)号：CN119620238A

公开(公告)日：2025-03-14

申请号：CN202411691631.2

申请日：2024-11-25

Applicant: 桂林电子科技大学

Inventor： 赵怀玉 ,  李玉鑑 ,  陈若愚 ,  刘宝龙 ,  严昌敬

IPC: G01W1/10 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明提出了一种基于U‑Net和PatchMixer模块的气象特征预测方法，旨在提高预测精度。首先，对气象序列数据进行归一化，并通过自适应模块动态调整特征矩阵，增强数据的局部相关性。然后，对调整后的特征矩阵填充、分块，并通过线性映射嵌入高维空间，为后续特征提取提供支持。模型利用多个PatchMixer块搭建U‑Net，包含编码器、底部特征聚合层和解码器。编码器逐层提取不同层次的气象特征，底部层进一步整合深层特征，解码器通过跳跃连接和残差连接将编码特征融合，生成预测结果。最后，模型使用均方误差(MSE)损失函数进行优化。实验结果表明，该方法显著提高了气象预测精度，同时降低了模型复杂度，实现了较高的效率和较低的误差。