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！

龙图腾网获悉福建龙源海上风力发电有限公司申请的专利基于时序分解与多模型融合的风电功率预测方法及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：CN120873557B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202511384186.X，技术领域涉及：G06F18/213；该发明授权基于时序分解与多模型融合的风电功率预测方法及系统是由林晓芳;李玉亮;郑举;李庆祥;杨尚;郑其艺设计研发完成，并于2025-09-26向国家知识产权局提交的专利申请。

本基于时序分解与多模型融合的风电功率预测方法及系统在说明书摘要公布了：本发明提供一种基于时序分解与多模型融合的风电功率预测方法及系统，包括，采集目标风电场的历史发电功率与气象数据；对历史发电功率与气象数据进行分解，得到趋势分量、季节性分量和残差分量；分别与气象数据融合构建趋势特征矩阵、周期特征矩阵和残差特征矩阵；采用不同的建模方案构建对应的单模型；按时间顺序均划分为训练集、验证集和测试集；利用训练集、验证集和测试集对单模型进行训练优化，构建风电短期功率预测模型；输入实时气象数据与发电功率至风电短期功率预测模型，输出目标风电场的发电功率预测值，有效地提升了模型预测的全面性、准确性和稳定性。

本发明授权基于时序分解与多模型融合的风电功率预测方法及系统在权利要求书中公布了：1.一种基于时序分解与多模型融合的风电功率预测方法，其特征在于，包括： 采集目标风电场的历史发电功率与气象数据； 利用自适应变分模态分解对所述历史发电功率与气象数据进行分解，得到趋势分量、季节性分量和残差分量，包括：通过包络熵最小化准则动态确定模态数，如： ； 式中：为最佳模态数；k为候选模态数；为包络熵；为第k个本征模态函数；为最大模态数，取8，避免过分解； 基于所述模态数中的最佳模态数，对所述历史发电功率与气象数据进行模态分解，模态分解的目标函数为： ； 式中：E为模态分解的目标函数值，作为改进鲸鱼算法的适应度评价标准；为对时间t的偏导；为狄拉克函数；j为虚数单位；为第k个模态函数；为第k个模态的中心频率；为复指数函数；为惩罚因子；为发电功率数据； 其中：改进鲸鱼算法引入飞行策略驱动惩罚因子和中心频率优化方向，引入飞行策略后鲸鱼个体的位置更新公式为： ； 其中：； 式中：为鲸鱼个体在时刻的位置向量；为鲸鱼个体在t时刻的当前位置向量；为t时刻的当前全局最优位置向量；A为系数向量；D为鲸鱼个体在t时刻的当前位置向量与在t时刻的当前全局最优位置向量之间的距离向量；为自适应步长系数；为服从分布的随机数；为从种群中随机选择的一个鲸鱼个体的位置向量； 计算位置更新后的鲸鱼个体的适应度值，判断是否达到迭代终止条件，达到迭代终止条件后，输出全局最优鲸鱼个体所在位置为模态分解结果； 根据样本熵阈值将所述模态分解的结果划分为低熵分量、中熵分量和高熵分量； 利用趋势分量关联关系，将所述低熵分量合并为趋势分量，如： ； 利用季节分量关联关系，将所述中熵分量合并为季节分量，如： S； 利用残差分量关联关系，将所述高熵分量合并为残差分量，如： R； 式中：、S和R分别为趋势分量、季节分量和残差分量；为第k个本征模态函数在时间t的取值；为设定阈值，取1.0；SampEnk为第k个模态的样本熵； 将所述趋势分量、所述季节性分量和所述残差分量分别与气象数据融合构建趋势特征矩阵、周期特征矩阵和残差特征矩阵； 针对所述趋势特征矩阵、周期特征矩阵和残差特征矩阵，采用不同的建模方案构建对应的单模型； 按时间顺序均将所述趋势特征矩阵、所述周期特征矩阵和所述残差特征矩阵划分为训练集、验证集和测试集； 利用所述训练集、验证集和测试集对所述单模型进行训练优化，构建风电短期功率预测模型； 输入实时气象数据与发电功率至所述风电短期功率预测模型，输出所述目标风电场的发电功率预测值。

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福建龙源海上风力发电有限公司，其通讯地址为：351100 福建省莆田市秀屿区南日镇三墩村后山仔246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”。

以上内容由龙图腾AI智能生成。