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！

龙图腾网获悉南京信息工程大学申请的专利一种时空特征耦合的风电集群出力预测方法和系统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：CN120200247B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202510679674.7，技术领域涉及：H02J3/00；该发明授权一种时空特征耦合的风电集群出力预测方法和系统是由王聚杰;何茂林设计研发完成，并于2025-05-26向国家知识产权局提交的专利申请。

本一种时空特征耦合的风电集群出力预测方法和系统在说明书摘要公布了：本发明公开一种时空特征耦合的风电集群出力预测方法和系统。首先，根据缺失值在时间和空间邻域内的有效数据，对其进行分类和处理，从而提高数据的完整性和可用性。其次，通过挖掘风电集群中各个风机之间的时空信息，识别每个风机在各个时刻与其他风机的上下游关系，并通过风传播效应构建领先特征，将其作为预测对应下游风机出力情况的备选特征。接着，通过多方面评估备选特征对于风电功率预测的影响，筛选出对于预测风电集群出力贡献显著的特征。最后，构建多输入多输出的模型结构，将筛选出的有效特征一次性输入深度学习模型，输出风电集群出力预测结果。本发明提出的模型在评估指标上显著优于基准模型，显示出卓越的预测性能和可靠性。

本发明授权一种时空特征耦合的风电集群出力预测方法和系统在权利要求书中公布了：1.一种时空特征耦合的风电集群出力预测方法，其特征在于，包括如下步骤： Step1：收集数据；所述数据包括风功率数据、气象因子数据和风机运行状况数据，并对齐不同数据的时间；所述风功率数据为目标序列，所述气象因子数据和风机运行状况数据为特征数据； Step2：时空插值；对于目标序列和特征数据中的缺失值，进行分类并处理； Step3：构建领先指标；将深度学习模型作为风电集群出力预测模型，构建领先指标作为预测模型输入特征之一；通过挖掘风电集群中各个风机之间的时空信息，识别每个风机在各个时刻与其他风机的上下游关系，并通过最大化风传播效应确定上游风机，将上游风机的所有一阶滞后历史数据作为领先指标，作为预测下游风机出力情况的备选特征； Step4：特征选择；评估风电功率与各种备选特征之间的相关性和预测能力，筛选出风电集群出力预测模型的输入特征集； 备选特征包括四类，分别是风电功率历史数据、气象因子、风机运行状况和领先指标；采用皮尔逊相关系数、斯皮尔曼相关系数以及基于随机森林的预实验三种方法分别考察风电功率与备选特征之间的线性关系、单调性关系和复杂的非线性关系，取线性相关性达到设定阈值、单调性关系达到设定阈值以及随机森林重要性评分达到设定阈值的特征的并集作为风电集群出力预测模型的输入特征集； Step5：使用深度学习模型进行多步预测；将筛选出的有效特征输入多输入多输出的深度学习模型，并输出设定时间段的多个未来时间点的风电集群出力预测结果； 所述Step3中，定义风传播机制如下：设当一阵风从风机s1吹向另一台风机s2，在传播时间h分钟内，风机s1在时间t的风速等于风机s2在时间t+h的风速；风传播效应，即经验时空变异函数g（s1，s2，h），定义为： ， 其中x（s，t）代表风机s在时间t的风速，L代表时间窗口长度；当风从风机s1经过h的传播时间到达风机s2，g（s1，s2，h）=0； 通过风传播机制识别出在每个时刻的各个风机相对应的最有效的上游风机，利用上游风机的历史数据构建领先指标； 所述Step3具体包括如下步骤： Step3.1：确定传播时间，通过将传播时间与平均风速相乘得到传播距离，传播距离与风电集群中相邻风机之间的实际距离相符； Step3.2：确定上游风机；确定单个目标风机的上游风机过程为：在时间窗口L中，计算所有风机两两之间的经验时空变异函数；s2代表目标风机，s1为其他所有风机，再将通过公式所选出的风机作为在当前时刻目标风机的上游风机，由此找到单个目标风机的上游风机；通过遍历集群中的所有风机作为目标风机，重复上述确定单个目标风机的上游风机过程，识别出每一台风机的上游风机；在此基础上，结合滚动时间窗口的方法，进一步识别不同时刻下的上游风机，从而实现对全时段风电集群内的上游风机识别； Step3.3：构建领先指标；将上游风机的历史数据作为领先指标，当风电集群中风机的上下游关系随着风向的变化风机之间的关系会发生变化，在时刻t的上游风机是通过时刻t-L到t-L+1的风电集群出力数据进行识别。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市宁六路219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”。