買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉清華大學深圳國際研究生院申請的專利一種基于大語言模型的光伏發電少樣本可遷移預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120045943B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510529749.3，技術領域涉及：G06F18/214；該發明授權一種基于大語言模型的光伏發電少樣本可遷移預測方法是由許銀亮;夏晨越設計研發完成，并于2025-04-25向國家知識產權局提交的專利申請。

本一種基于大語言模型的光伏發電少樣本可遷移預測方法在說明書摘要公布了：一種基于大語言模型的光伏發電少樣本可遷移預測方法，包括：對光伏時序數據進行極值歸一化與分塊切割，生成適配大語言模型輸入的嵌入模塊；融合高階偏相關性分析與門控殘差網絡動態分配特征權重，提取多維數據中時空依賴與非線性關聯特征；將結構化時序特征映射至大語言模型語義空間，利用掩碼多頭注意力機制實現與預訓練語料庫的高保真對齊；基于預設模板生成包含數據背景、領域模式及統計特征的提示詞前綴，引導大語言模型精準解析時序語義；通過凍結參數的預訓練大語言模型生成自然語言預測結果，最終經線性投影反解析為數值化發電預測值。本發明能夠有效解決傳統模型在數據稀缺場景下的泛化能力不足及跨場站遷移預測穩定性差等問題。

本發明授權一種基于大語言模型的光伏發電少樣本可遷移預測方法在權利要求書中公布了：1.一種基于大語言模型的光伏發電少樣本可遷移預測方法，其特征在于，包括以下步驟： S1、輸入分割：對原始光伏時序數據進行歸一化及分塊切割，生成適配大語言模型輸入的嵌入模塊； S2、特征提取：通過高階偏相關性分析與門控殘差網絡動態分配特征權重，提取多維數據的非線性關聯特征；具體包括：基于高階偏相關性分析動態評估變量間的關聯強度，排除多重共線性干擾；采用門控殘差網絡結合門控機制和殘差連接，提取多維數據的非線性特征；通過雙層特征選擇機制融合統計分析與深度學習結果，生成加權歸一化特征向量； S3、語義對齊：將時序特征映射至大語言模型語料庫的語義空間，完成自然語言對齊；具體包括： 對大語言模型語料庫進行降維壓縮； 采用掩碼多頭自注意力機制，將時序數據與語料庫中的Token進行匹配； 其中，使用如下的多頭自注意力機制來將每個Patch與語料庫中的Token進行匹配：在Token匹配中，為待匹配的時序數據Patch，為降維后的語料庫，為最終匹配到的Token序列；匹配過程通過自注意力機制完成，計算方式如下： , 式中，是歸一化函數，是自注意力機制計算結果；其中，引入掩碼矩陣，計算方式如下： , 式中，是鍵的維度； 在所有注意力頭上共享值權重矩陣，并采用加法聚合，計算方式如下： , 式中，為聚合后的注意力輸出，是共享的值權重矩陣，是注意力權重，計算方式如下： , 式中，是注意力頭的數量，和是第個注意力頭對應的查詢和鍵的權重矩陣； 基于所述自注意力機制，數據Patch匹配到語料庫Token，形成Token序列： ； 將自注意力機制擴展到多頭注意力機制，計算方式如下： , 其中，表示多頭注意力機制的計算結果； 組合經過以上掩碼多頭自注意力機制匹配生成的發電數據的Token序列與外部特征數據的Token序列，生成適配大語言模型的輸入格式； S4、提示生成：基于預設提示詞模板生成包含背景、領域、指令及統計信息的提示詞前綴； S5、自然語言預測：將語義對齊后的數據與提示詞輸入凍結參數的大語言模型，輸出自然語言預測結果； S6、輸出投影：通過線性投影將自然語言響應反解析為數值化發電預測值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人清華大學深圳國際研究生院，其通訊地址為：518071 廣東省深圳市南山區桃源街道麗水路2279號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。