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！

龙图腾网恭喜东南大学申请的专利基于编码解码器的深度学习多步长辐照度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：CN114781744B 。

龙图腾网通过国家知识产权局官网在2025-03-07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：202210492332.0，技术领域涉及：G06F18/213；该发明授权基于编码解码器的深度学习多步长辐照度预测方法是由谢利萍;童俊龙;张晗津;张侃健;魏海坤设计研发完成，并于2022-05-07向国家知识产权局提交的专利申请。

本基于编码解码器的深度学习多步长辐照度预测方法在说明书摘要公布了：本发明涉及一种基于编码解码器的深度学习多步长辐照度预测方法，属于光伏发电技术领域。预测方法包括：S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据并制作监督数据集；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，训练编码解码器模型，其中编码器模型由TCN和LSTM级联结构构成，解码器由LSTM和MLP级联结构构成；利用读取当前时段t0～tN的辐照度作为监督信息，以及t0时刻之前的历史辐照度和气象信息作为输入数据，训练编码解码器模型；S4，预测，将历史数据输入步骤S3训练得到的编码解码器模型，预测未来多步的太阳辐照度。本发明能够充分利用辐照度序列的历史信息，实验表明该发明能够有效提升多步长辐照度预测的精度。

本发明授权基于编码解码器的深度学习多步长辐照度预测方法在权利要求书中公布了：1.一种基于编码解码器的深度学习多步长辐照度预测方法，其特征在于，包括如下步骤：S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据，并根据预测任务制作监督数据集；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，训练编码解码器模型，利用读取当前时段t0～tN的辐照度作为监督信息，以及t0时刻之前的历史辐照度和气象信息作为输入数据，训练编码解码器模型；S4，预测，将历史数据输入步骤S3训练得到的编码解码器模型，预测未来多步太阳辐照度；所述步骤S3中编码解码器包括编码器和解码器，其中：编码器由时间卷积网络TCN和长短期记忆网络LSTM的串联结构组成，由TCN负责获取长序列输入并保持时序依赖关系，压缩后的短序列经过LSTM保持时序依赖；具体而言，编码器首先通过TCN接收长序列输入，网络层数取决于输入序列的长度，其次TCN提取的特征序列压缩输出到LSTM，最终LSTM的输出作为编码器的编码输出；解码器由长短期记忆网络LSTM和多层感知机MLP的串联结构组成，利用LSTM在时间上循环获取多步长预测，并通过损失函数平衡多步输出的性能；解码器首先接收编码器的输出，由LSTM负责解码，解码后输出到MLP，其中MLP用于与输出维度匹配；所述编码解码器的TCN和LSTM操作过程包含：1空洞因果卷积操作通过下式表述： 其中*表示卷积操作，d表示空洞系数，χ表示输入序列，s表示序列的一个元素，f表示卷积核，k表示卷积核的大小，s-d·i表示空洞卷积选择的元素,Fs表示空洞因果卷积的输出；2TCN残差块：O1＝dropoutReLUNormFs，O2＝dropoutReLUNormO1，Otcn＝s+O2，其中Norm表示权重归一化，ReLU表示激活函数，dropout表示丢弃层；Otcn表示TCN残差块的输出，即TCN每一层的输出；3LSTM包括：遗忘门ft：ft＝sigmoidWifxt+bif+Whfht-1+bhf，输入门it：it＝sigmoidWiixt+bii+Whiht-1+bhi，激活函数gt：gt＝tanhWiixt+bii+Whiht-1+bhi，输出门ot：ot＝sigmoidWioxt+bio+Whoht-1+bho，当前时刻对应记忆单元的状态ct： LSTM输出状态ht： 其中Wif和bif分别表示遗忘门外部输入的权重矩阵和偏置矩阵，Whf和bhf分别表示遗忘门隐藏状态输入的权重矩阵和偏置矩阵，Wii和bii分别表示输入门外部输入的权重矩阵和偏置矩阵，Whi和bhi分别表示输入门隐藏状态输入的权重矩阵和偏置矩阵，Wio和bio分别表示输出门外部输入的权重矩阵和偏置矩阵，Who和bho分别表示输出门隐藏状态输入的权重矩阵和偏置矩阵，ft、it以及ot分别为遗忘门、输入门和输出门在时刻t的输出，ht为时刻t的隐藏状态，xt为外部输入。

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东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2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”。