一、數學模型與原理

1.1 小波變換多尺度分解

輸入功率序列 x(t) 經小波變換分解為近似系數 Aj? 與細節系數 Dj?：

1.2 多尺度TCN特征提取

對每個尺度子序列 {A3?,D3?,D2?,D1?} 采用獨立TCN：

 

 式中 ?d? 為擴張率 d=2l 的擴張卷積，Wd? 為可學習參數。

1.3 多尺度注意力機制

設第 k 個尺度特征為 Hk?∈RT×C，注意力權重計算為：

 

融合特征：

1.4 KAN預測層

基于Kolmogorov-Arnold表示定理構建網絡：

其中 ?q,p? 為可學習的一維函數（B樣條參數化），Φq? 為全連接層。

---

二、模型架構與代碼實現

2.1 核心模塊實現

（1）小波分解層（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)