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！

龙图腾网恭喜河海大学申请的专利基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储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：CN115204035B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202210680101.2，技术领域涉及：G06F30/27；该发明授权基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质是由魏祥龙;刘惠义设计研发完成，并于2022-06-16向国家知识产权局提交的专利申请。

本基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质在说明书摘要公布了：本发明公开了一种基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质，所述多尺度时序数据融合模型包括数据去噪模块和数据融合模块，数据去噪模块包括降噪自动编码器，数据融合模块包括一维深度卷积神经网络和双向长短期记忆网络，一维深度卷积神经网络包括卷积层、池化层和全连接层，双向长短期记忆网络嵌入到一维深度卷积神经网络中；所述发电机组运行参数预测方法包括：采集影响发电机组运行方式的各运行参数的实时数据，并进行预处理；将预处理后的各运行参数的实时数据输入预先训练好的多尺度时序数据融合模型中，获取发电机组各运行参数的预测结果。本发明能够减少原始数据的噪声、提高数据融合精度及预测精度。

本发明授权基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质在权利要求书中公布了：1.一种基于多尺度时序数据融合模型的发电机组运行参数预测方法，其特征在于，所述多尺度时序数据融合模型包括数据去噪模块和数据融合模块，所述数据去噪模块包括降噪自动编码器，所述数据融合模块包括一维深度卷积神经网络和双向长短期记忆网络，所述一维深度卷积神经网络包括卷积层、池化层和全连接层，所述双向长短期记忆网络嵌入到一维深度卷积神经网络中；所述发电机组运行参数预测方法包括：采集影响发电机组运行方式的各运行参数的实时数据，并进行预处理；将预处理后的各运行参数的实时数据输入预先训练好的多尺度时序数据融合模型中，获取发电机组各运行参数的预测结果；所述多尺度时序数据融合模型的训练过程包括以下步骤：步骤2.1:初始化多尺度时序数据融合模型的模型参数；步骤2.2:采集发电机组不同时间尺度的各运行参数的历史数据，降噪自动编码器对所采集的历史数据进行去噪重建后更新得到清洁的时序数据；步骤2.3:一维深度卷积神经网络对所述时序数据进行特征提取后得到包含空间特征、短期时间特征的特征图；步骤2.4:将所述特征图进行平铺Flatten操作后输入所述双向长短期记忆网络中，进一步提取所述特征图中时序数据的长期时间特征；步骤2.5:一维深度卷积神经网络中的全连接层对所述时序数据的空间特征、短期时间特征、长期时间特征进行融合处理后得到的融合值作为该模型的预测值；步骤2.6:重复步骤2.2至步骤2.5进行迭代训练并同时更新模型的网络参数，直至模型的损失函数值符合设定要求时停止训练，得到训练好的多尺度时序数据融合模型；所述降噪自动编码器对所采集的历史数据进行去噪重建的方法包括以下步骤：步骤a:对所采集历史数据进行标准归一化处理；步骤b:降噪自动编码器中的输入层对所述归一化处理后的数据进行加噪处理，从而得到含噪声的输入数据；步骤c:通过编码函数将所述含噪声的输入数据映射到所述降噪自动编码器中的隐藏层得到特征表达；步骤d:利用解码函数将所得到的特征表达映射到所述降噪自动编码器中的输出层；步骤e：重复步骤b至步骤d，通过最小代价化函数对所述降噪自动编码器的参数进行迭代更新直至函数收敛，重构得到清洁的时序数据。

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河海大学，其通讯地址为：210024 江苏省南京市江宁区佛城西路8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”。