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！

龙图腾网获悉三峡大学申请的专利计及时间演变和空间相关的多风电场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：CN115293415B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202210900738.8，技术领域涉及：G06Q10/04；该发明授权计及时间演变和空间相关的多风电场短期功率预测方法是由李丹;甘月琳;杨帆;缪书唯;方泽仁;梁云嫣;胡越;王奇设计研发完成，并于2022-07-28向国家知识产权局提交的专利申请。

本计及时间演变和空间相关的多风电场短期功率预测方法在说明书摘要公布了：本发明公开了一种计及时间演变和空间相关的多风电场短期功率预测方法，主要分为四个模块：输入模块进行数据的采集和预处理工作，对象是目标地区多风电场的历史功率和气象预测数据；时间演变模式追踪模块通过门控循环单元和多核卷积层分别提取历史风电数据的时序性和多周期性时间演变模式；空间相关模式注意模块引入时变模式注意力机制对多空间变量的不同时间演变模式赋予相关性权重；最后输出模块输出多风电场功率日前预测场景。本发明通过构建具有深度学习能力的时空融合多风电场短期功率预测模型，完整考虑了风电序列的时间演变模式，弥补了现有多种模型静态提取空间依赖关系的缺陷，达到了提升预测精度和稳健性的目的。

本发明授权计及时间演变和空间相关的多风电场短期功率预测方法在权利要求书中公布了：1.计及时间演变和空间相关的多风电场短期功率预测方法，其特征在于，包括以下步骤： 步骤1：采集预测输入数据，采集目标风电基地的多座风电场小时级的历史功率数据和多维气象预测数据； 步骤2：数据预处理，将作为输入变量和输出变量的各类数据根据其特点分别进行归一化操作； 步骤3：将数据集分割为训练集、验证集和测试集，首先基于训练集的历史风电数据运用傅里叶分解进行风电多周期性特征的提取，记录较明显的周期长度T1,T2,...,Tu，确定多核卷积层的卷积核尺寸； 步骤4：将多座风电场预测时刻前d个历史时刻的风电功率、预测日s个时刻的气象数据预测值归一化数据组成多维特征输入变量，以多座风电场s个预测时刻的风电功率值作为输出变量，建立深度时空融合预测模型； 步骤5：设置模型超参数，初始化权重和偏置，设定损失函数，训练深度时空融合网络得到最佳权重和偏置参数，并通过验证集样本使用网格搜索优选模型的最佳超参数； 步骤6：将测试样本输入具有最佳超参数的深度时空融合模型中，对输出的预测结果进行反归一化，得到预测日各时刻多风电场的功率预测结果； 步骤4包括以下子步骤： 步骤4.1：深度时空融合模型首先将输入矩阵送入门控循环单元GRU中，提取历史风电数据的时序信息，在t时刻，GRU接收当前状态xt和上一时刻的隐藏状态ht-1，网络的输出ht由更新门和重置门的动态控制形成，定义与输入相关的权重矩阵；与循环连接相关的权重矩阵Rr,Ru,Rz，偏置向量br,bu,bz，为sigmoid激活函数，tanh为双曲正切函数，为点乘，GRU首先通过上一时刻的隐藏状态ht-1和当前时刻的输入xt来获取两个门控状态，其中rt为重置门，zt为更新门： ； ； 得到门控信号之后，先使用重置门控来得到重置后的隐藏状态，然后将其与输入拼接再通过激活函数tanh使其数据范围为[-1,1]，得到： ； 接着对上一时刻所传递的隐藏状态进行选择性地遗忘和对包含当前时刻的隐藏状态信息进行选择性的记忆，得到，更新表达式为： 步骤4.2：通过多核卷积层对经GRU处理后得到的隐藏状态矩阵[t-w+1t-w+2,...,t-1]的行向量进行处理，其中表示时窗长度，为了提取多风电场的多周期性特征，首先在个通道中使用种尺寸的卷积核对隐藏状态矩阵的行向量进行卷积操作，得到个不同的特征图map，其计算式如下： 其中为卷积操作，表示矩阵h的第i行向量，Concat表示特征拼接操作，K表示卷积核，其下标表示卷积核的不同尺寸和通道，具体地,…,表示卷积核的长度，1表示卷积核的宽度；然后通过滑动窗口对特征图划分的若干个子块进行下采样操作，即下式中的down操作，得到新的特征图，其计算式如下： 为了融合多通道、多尺寸的卷积操作特征图，在通道方向上对池化层的输出向量进行拼接得到，其计算式如下： ； 多核卷积层的最后一步是将拼接的特征图线性映射为新状态矩阵H的行向量Hi，其计算式如下： ； W f和bf表示映射过程的权重和偏置； 步骤4.3：在步骤4.1和4.2两步处理得到包含风电序列时序性和多周期性的时间演变模式信息之后，用时变模式注意力机制对经GRU和多核卷积层得到的新隐藏状态矩阵H进行处理，以提取具有不同时间演变模式的空间变量的相关信息，首先定义评估相关性的评分函数f，并将所得注意力权重进行归一化操作，其计算式如下： ； ； 其中Wa是权重矩阵，需要通过神经网络训练得到，σ表示sigmoid激活函数；再将隐藏状态矩阵H中含有时间演变模式信息的第i行向量，与所得注意力权重ai进行加权求和，其计算式如下： ； m表示隐藏层神经元的个数； 步骤4.4：最后通过dropout层和全连接层集成特征向量vt和ht，得到最终的预测结果，其计算式如下： ； ； W h，Wv，Wy表示相应的权重矩阵，也是通过神经网络训练得到。

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三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8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。