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！

龙图腾网获悉上海电力大学申请的专利一种区域风电集群的短期功率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：CN114444378B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202111619538.7，技术领域涉及：G06F30/27；该发明授权一种区域风电集群的短期功率预测方法是由余光正;刘承全;汤波;陆柳;沈凌旭;胡越;崔朝越设计研发完成，并于2021-12-27向国家知识产权局提交的专利申请。

本一种区域风电集群的短期功率预测方法在说明书摘要公布了：本发明涉及一种区域风电集群的短期功率预测方法，包含时空多重相似性计算和改进神经网络构建两方面，考虑时空相关性的动态特性，从长、短时间尺度计算风电场的空间相关程度，对分类出的强时空相关的子集群，建立了基于点云输入的改进混合神经网络短期预测模型实现子集群的短期功率预测；其中建立了基于改进I‑CNN‑BILSTM混合神经网络的时空相关性集群短期功率预测模型，并将所有时空相关子集群的短期功率预测结果累加，得到待预测时段的区域风电短期功率预测结果。与现有技术相比，本发明具有提高预测精度等优点。

本发明授权一种区域风电集群的短期功率预测方法在权利要求书中公布了：1.一种区域风电集群的短期功率预测方法，其特征在于，包括下列步骤： 1获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式； 2根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q，统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群； 3提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群； 4提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于改进I-CNN-BILSTM混合神经网络的短期功率预测模型； 5初始化神经网络权值，设定最大迭代次数； 6构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取； 7将点CNN网络提取到的特征输入结合SSA算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I-CNN-BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能； 8判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神经网络参数，否则，令迭代次数加一，并转到步骤4； 9利用上述步骤训练完成的改进I-CNN-BILSTM网络进行对应子集群的短期风电功率预测，获取子集群的预测功率； 10判断当前是否已完成所有子集群的功率预测，若达到，则进行步骤11，否则，转到步骤4对剩余子集群进行预测； 11对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结果； 基于改进I-CNN-BILSTM混合神经网络的风电集群短期功率预测模型的具体内容为： a利用点CNN神经网络提取集群局部与全局空间特征； b利用结合SSA算法的改进Attention机制实现时序间的权重分配； c在BILSTM网络中引入Targeteddropout算法，选择性剔除神经元； 利用点CNN神经网络提取集群局部与全局空间特征的具体步骤包括： a1建立风电集群的输入特征矩阵，包括集群中各个风电场的历史气象数据和空间坐标数据； a2将不规则的风电场位置信息编码至X变换矩阵的权值中，将点云中相关联各点的特征进行排列； a3构建点云数据特征图G＝α,β，其中顶点α＝{1,2,…,n}表示点云中每个数据点信息，边β表示图中每两两数据点之间的关联信息； a4设定边缘函数为eij＝hxi,xj-xi,θ，其全局特征由构成点云的众多数据点提供，局部特征由点云中两两点之间的关联信息提供，其中hxi,xj-xi,θ为进行边缘特征提取的边函数，θ为边函数中需要学习和优化的参数，xi和xj为样本数据点； 利用结合SSA算法的改进Attention机制实现时序间的权重分配的具体步骤包括： b1初始化注意力层的权重W； b2将注意力层权重W输入至樽海鞘群优化算法，将优化后权重集传输至BILSTM神经网络，在BILSTM神经网络根据网络中的预测误差产生相应损失值； b3根据损失情况选取最优注意力权重集； 在BILSTM网络中引入Targeteddropout算法，选择性剔除神经元的具体步骤包括： c1按照权重剪枝与单元剪枝的方法对BILSTM网络神经元进行剪枝操作，计算公式为： 式中：εWcθ为网络损失函数，Wc为神经网络模型参数矩阵，argmax-k为返回所有元素中最大的k个元素的函数，wo为权重矩阵W第o列列向量，Wio为权重矩阵的第i行、第o列元素，Ncol和Nrow分别代表参数矩阵列数与行数； c2引入靶向比例γ和删除概率α，选择最小的γ|θ|个权重作为dropout的候选权值，随后以删除概率α独立地去除候选集合中的权值。

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上海电力大学，其通讯地址为：201306 上海市浦东新区沪城环路1851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”。