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！

龙图腾网获悉南京邮电大学申请的专利一种风电功率预测方法及装置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：CN121055333B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202511600414.2，技术领域涉及：H02J3/00；该发明授权一种风电功率预测方法及装置是由张登银;郭名川设计研发完成，并于2025-11-04向国家知识产权局提交的专利申请。

本一种风电功率预测方法及装置在说明书摘要公布了：本发明公开了一种风电功率预测方法及装置，属于风电功率预测技术领域，其包括：获取风电场时序数据集；利用改进的基于密度的聚类算法和物理规则对风电场时序数据集进行异常数据检测，得到异常检测结果；利用分层修复策略对异常数据检测结果进行修复，并对修复后的数据进行归一化处理；根据修复并归一化后的风电场时序数据，利用改进的LSTM‑Transformer融合模型进行风电功率预测，得到风电功率预测结果。本发明能够有效提升异常检测的准确率与数据修复的合理性，并提高风电功率预测的精度和鲁棒性，实现风电场未来1小时至24小时范围内的短期功率预测。

本发明授权一种风电功率预测方法及装置在权利要求书中公布了：1.一种风电功率预测方法，其特征在于，包括： 获取风电场时序数据集； 利用改进的基于密度的聚类算法和物理规则对风电场时序数据集进行异常数据检测，得到异常检测结果； 利用分层修复策略对异常数据检测结果进行修复，并对修复后的数据进行归一化处理； 根据修复并归一化后的风电场时序数据，利用改进的LSTM-Transformer融合模型进行风电功率预测，得到风电功率预测结果； 利用改进的基于密度的聚类算法对风电场时序数据集进行聚类处理，将风电场时序数据集中的正常数据与异常数据划分到不同类别，得到初步聚类结果； 基于初步聚类结果，利用物理规则进行数据物理校验，进一步识别异常数据：当初步聚类结果中一个数据点的风电功率大于零且风速低于风机的切入风速，或者该数据点的风电功率超过风机的额定功率且风速高于风机的切出风速时，则该数据点被标记为异常数据点； 所述利用分层修复策略对异常数据检测结果进行修复，包括： 利用滑动窗口线性插值修复异常数据检测结果中孤立的异常数据点或短时缺失的异常数据点，其中，短时缺失的异常数据点指连续的异常数据点数量不超过预设值a； 利用季节性差分自回归滑动平均模型预测异常数据检测结果中连续时间段缺失的异常数据点，其中，连续时间段缺失的异常数据点指连续的异常数据点数量超过预设值a； 季节性差分自回归滑动平均模型的公式为： ； 其中，B为滞后算子，s为季节周期，、分别为自回归、移动平均多项式，、分别为自回归、移动平均季节项多项式，D、d分别为差分阶数，为白噪声，表示t时刻的异常数据； 所述根据修复并归一化后的风电场时序数据，利用改进的LSTM-Transformer融合模型进行风电功率预测，得到风电功率预测结果，包括： 将修复并归一化后的风电场时序数据输入改进的LSTM-Transformer融合模型； 利用LSTM层提取风电场时序数据的局部时间依赖特征，建立短时风速变化与风电功率的响应关系； 利用Transformer编码器对LSTM层的输出特征进行全局特征提取，得到全局特征向量； 利用特征融合模块将全局特征向量与基于风速-功率理论曲线计算得到的特征值在时间维度上进行拼接融合，得到融合后的特征向量； 利用全连接层对融合后的特征向量进行线性变换，得到风电功率预测结果； 所述改进的LSTM-Transformer融合模型的损失函数采用联合损失函数，表达式为： ； ； 其中，为联合损失函数，为预测风速变化率，为实际风速变化率，为Transformer编码器的注意力权重正则化项，、为平衡系数，MSE为MSE损失函数，n表示用于训练的样本总数，i为样本序号索引，表示第i个样本的实际风电功率值，表示第i个样本的模型预测风电功率值。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66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。