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！

龙图腾网获悉北方工业大学申请的专利一种基于神经网络的光伏发电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：CN117374941B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202311326715.1，技术领域涉及：H02J3/00；该发明授权一种基于神经网络的光伏发电功率预测方法是由李建林;李雅欣;张则栋;邸文峰;方知进;马速良;肖珂设计研发完成，并于2023-10-13向国家知识产权局提交的专利申请。

本一种基于神经网络的光伏发电功率预测方法在说明书摘要公布了：本发明公开了一种基于神经网络的光伏发电功率预测方法，首先收集光伏发电站的各种数据；对所收集的数据进行清洗和转换预处理，并将处理后的数据划分为训练集、验证集和测试集；在原SMOTE算法的基础上引入距离阈值和密度阈值，对原SMOTE算法进行改进，然后利用改进后的SMOTE算法对所收集的数据进行样本扩充；通过融合蚁群优化算法和小生境算法对极限学习机模型进行优化，构建用于发电功率预测的极限学习机分类器；利用所构建的极限学习机分类器和数据集样本对实际光伏发电功率进行预测，分类结果为所预测发电功率的若干个区间。上述方法利用蚁群优化算法和小生境算法优化极限学习机分类器，可以有效地提高发电功率的预测精度。

本发明授权一种基于神经网络的光伏发电功率预测方法在权利要求书中公布了：1.一种基于神经网络的光伏发电功率预测方法，其特征在于，所述方法包括： 步骤1、首先收集光伏发电站的各种数据，所述数据包括天气数据、光伏电池板的电压、电流、功率数据； 步骤2、对所收集的数据进行清洗和转换预处理，并将处理后的数据按照一定比例划分为训练集、验证集和测试集，用于模型的训练、调优和测试； 步骤3、在原SMOTE算法的基础上引入距离阈值和密度阈值，对原SMOTE算法进行改进，然后利用改进后的SMOTE算法对所收集的数据进行样本扩充； 在步骤3中，原SMOTE算法的过程为：假设有一个大小为N的原始数据集，每个数据点包含d个特征，原SMOTE算法的目标是生成k个合成样本，其中k是预先设定的参数，对于每个原始数据点，原SMOTE算法随机选择k个最近邻中的一个点，然后根据下式生成合成样本： ； 其中是原始数据点；是随机选择的最近邻；是一个0到1之间的随机数； 在原SMOTE算法的基础上引入了距离阈值和密度阈值，具体来说： 使用密度来定义样本的重要性，一个样本的密度越高，其重要性越大，将引入的距离阈值设为，密度阈值设为，对于每个原始数据点，计算在d维空间中的k近邻，并计算其密度： ； 其中是数据点和之间的欧氏距离；是指示函数，当括号中的条件成立时取值为1，否则为0；如果，则将数据点称为核心样本，否则称为边缘样本； 在生成新样本时，首先随机选择数据点的一个最近邻，然后计算和之间的距离；如果，则重新选择一个最近邻；如果经过次重新选择最近邻后，仍然无法满足条件，则放弃生成新样本；其中，是预先设置的超参数； 为了保证新生成的样本不会影响到原始数据集中的边缘样本，引入了密度阈值，如果数据点是边缘样本，则只生成一个新样本；如果数据点是核心样本，则生成k个新样本，其中k由下式计算： ； 其中，是一个预先设定的参数，且，用于控制生成的新样本数量；为取整函数； 对于每个新样本，首先随机选择数据点的一个最近邻，然后根据下式生成新样本： ； 其中是一个0到1之间的随机数； 如果生成的新样本与数据点之间的距离大于距离阈值，则需要重新选择最近邻；如果经过次重新选择最近邻后，仍然找不到满足条件的最近邻，则放弃生成新样本； 其中，改进后的SMOTE算法还引入了一个新的参数，用于控制在生成新样本时使用的密度阈值，具体来说： 首先计算所有原始数据点的密度，并将其按照密度从大到小排序；然后选取密度排名前的数据点作为核心样本； 在生成新样本时使用不同的密度阈值，具体使用下式计算新样本的密度阈值： ； 其中是预先设定的参数，且，N是原始数据集的大小； 步骤4、通过融合蚁群优化算法和小生境算法对极限学习机模型进行优化，构建用于发电功率预测的极限学习机分类器； 步骤5、利用所构建的极限学习机分类器和步骤3中的数据集样本对实际光伏发电功率进行预测，分类结果为所预测发电功率的若干个区间。

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北方工业大学，其通讯地址为：100044 北京市石景山区晋元庄5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。