一、数学模型与原理

1.1 小波变换多尺度分解

输入功率序列 x(t) 经小波变换分解为近似系数 Aj​ 与细节系数 Dj​：

1.2 多尺度TCN特征提取

对每个尺度子序列 {A3​,D3​,D2​,D1​} 采用独立TCN：

 

 式中 ∗d​ 为扩张率 d=2l 的扩张卷积，Wd​ 为可学习参数。

1.3 多尺度注意力机制

设第 k 个尺度特征为 Hk​∈RT×C，注意力权重计算为：

 

融合特征：

1.4 KAN预测层

基于Kolmogorov-Arnold表示定理构建网络：

其中 ϕq,p​ 为可学习的一维函数（B样条参数化），Φq​ 为全连接层。

---

二、模型架构与代码实现

2.1 核心模块实现

（1）小波分解层（Python）

python

import pywtclass WaveletDecomp(nn.Module):def __init__(self, wavelet='db4', levels=3):super().__init__()self.wavelet = waveletself.levels = levelsdef forward(self, x):# x: [B, T]coeffs = []for i in range(x.size(0)):c = pywt.wavedec(x[i].cpu().numpy(), self.wavelet, level=self.levels)