買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉東南大學申請的專利基于誤差補償框架的機器學習輻照度預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115409250B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210989917.3，技術領域涉及：G06F18/20；該發明授權基于誤差補償框架的機器學習輻照度預測方法是由謝利萍;童俊龍;張晗津;張侃健;魏海坤設計研發完成，并于2022-08-17向國家知識產權局提交的專利申請。

本基于誤差補償框架的機器學習輻照度預測方法在說明書摘要公布了：本發明涉及一種基于誤差補償框架的機器學習輻照度預測方法，屬于光伏發電技術領域。預測方法包括：S1，訓練數據獲取，獲取目標地區歷史輻照度數據及其對應的氣象數據；S2，數據預處理，包括氣象信息特征編碼以及數據歸一化；S3，獲取當前機器模型在時刻T?K到T的輻照度預測誤差，此過程中不更新模型；將時刻T?K到T的預測誤差序列與外界氣象數據序列進行信息融合，并用于更新模型；S4，預測，將歷史輻照度和氣象數據輸入誤差補償框架，利用該框架的補償機制，在預測輻照度的同時降低預測誤差。通過本發明的端到端誤差補償框架，模型誤差信息可以用于動態更新機器學習模型，在不改變模型結構的前提下降低輻照度的預測誤差，提升預測精度。

本發明授權基于誤差補償框架的機器學習輻照度預測方法在權利要求書中公布了：1.一種基于誤差補償框架的機器學習輻照度預測方法，其特征在于，包括如下步驟： S1，訓練數據獲取，獲取目標地區歷史輻照度數據及其對應的氣象數據，并根據預測任務制作監督數據集； S2，數據預處理，包括氣象信息特征編碼以及數據歸一化； S3，基于誤差補償框架更新機器學習模型； S4，預測，將歷史數據輸入步驟S3中的誤差補償框架以及訓練得到的機器學習模型，預測未來多步的太陽輻照度； 所述步驟S3具體包含以下內容： （3.1）獲取當前機器學習模型在時刻到的輻照度預測誤差，此過程中不更新模型； （3.2）將時刻到的預測誤差與外界氣象數據以及歷史輻照度數據進行信息融合，并用于更新機器學習模型； 誤差補償框架特點如下： （4.1）該框架是一個端到端的太陽輻照度預測框架；在輸入歷史輻照度和歷史氣象數據后，該框架能夠自動運行并輸出多步長的預測結果，同時在該框架內部自動實現誤差信息的利用，無需其他操作； （4.2）誤差獲取階段，該框架僅利用機器學習模型獲取誤差信息，此過程不更新模型參數；誤差補償階段利用誤差信息動態更新模型； （4.3）該框架在不改變機器學習模型結構的前提下，能夠有效降低輻照度預測誤差； （4.4）該框架是一個通用范式，適用于不同的機器學習預測模型，對不同的機器學習預測模型，均能有效利用誤差信息，依據誤差信息動態更新模型； 所述步驟S3中的誤差補償框架的詳細步驟如下： （1）滑動窗口獲取子序列： 該框架首先接收到時刻的數據作為輸入，并從時刻開始，按滑動窗口形式劃分為K個子序列，滑動步長為1； 得到K個子序列分別為{}，其中表示時刻的太陽輻照度； （2）滾動獲取誤差信息： 對于子序列，其對應的外界氣象信息為，在當前參數下的機器學習模型的輸入為{}，其預測值為，其對應的監督信息可以表示為，其中N表示預測的步長；根據預測值和監督信息可以得到模型在當前時刻的預測誤差； 循環輸入上述K個子序列，并通過監督信息獲取當前參數下的機器學習模型在當前時刻的預測誤差；該循環過程可以得到誤差序列; 并且，此過程不更新模型參數； （3）信息融合： 此階段將誤差序列與歷史輻照度與氣象數據進行融合，得到新的特征輸入{}，其監督信息為; 信息融合后的輸入特征增加了當前模型對歷史上對應時刻的預測誤差信息，該信息由模型內部預測機制決定，將該信息反饋至機器學習模型； （4）更新模型： 利用步驟（3）的輸入特征和監督信息更新模型參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人東南大學，其通訊地址為：210096 江蘇省南京市玄武區四牌樓2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。