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！

龍圖騰網獲悉東北電力大學;國網吉林省電力有限公司經濟技術研究院;中國電力科學研究院有限公司申請的專利一種風電集群功率日前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：CN119918731B 。

龍圖騰網通過國家知識產權局官網在2025-09-16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：202411984449.6，技術領域涉及：G06Q10/04；該發明授權一種風電集群功率日前預測方法是由楊茂;江任賢;賽亞勒·阿布都力江;孫勇;王勃;王釗;王錚;王姝設計研發完成，并于2024-12-31向國家知識產權局提交的專利申請。

本一種風電集群功率日前預測方法在說明書摘要公布了：本發明涉及風電功率短期預測技術領域，公開一種風電集群功率日前預測方法，該方法包括：將風電集群的時空關聯特性歸納為風電場之間遠距離的匯聚效應和近距離的時序因果關系，使用改進的集對分析方法、同時率判別方法和方差判別方法得到匯聚效應鄰接矩陣面，使用皮爾森相關系數和格蘭杰因果檢驗得到時序因果鄰接矩陣，提出誤差評價特性系數公式用于構建誤差鄰接矩陣，對傳統圖卷積神經網絡進行改良提出基于多通道注意力機制的圖神經網絡結構。本發明提出一種考慮風電集群匯聚效應和多通道注意力機制融合的圖卷積預測方法，其預測穩定性強、預測性能高、預測結果有效、具備較強實用性。

本發明授權一種風電集群功率日前預測方法在權利要求書中公布了：1.一種風電集群功率日前預測方法，其特征在于，所述方法包括： 基于風電序列，構建鄰接矩陣As、同時率鄰接矩陣At、方差鄰接矩陣Av； 根據鄰接矩陣As、同時率鄰接矩陣At和方差鄰接矩陣Av，構建匯聚效應鄰接矩陣Aa； 使用皮爾遜相關系數構建鄰接矩陣Ar，并基于格蘭杰因果校驗構建因果鄰接矩陣Ag；其中，所述鄰接矩陣Ar和因果鄰接矩陣Ag用于表征近距離風電場之間的關聯關系； 基于鄰接矩陣Ar和格蘭杰因果鄰接矩陣Ag，構建時序因果鄰接矩陣Ab； 構建誤差特性鄰接矩陣Ae；其中，所述誤差特性鄰接矩陣Ae用于表征風電場之間的誤差； 構建基于通道注意力機制的圖卷積神經網絡模型，在所述圖卷積神經網絡模型中，設計多個圖卷積模塊，分別輸入不同屬性的鄰接矩陣，形成多通道，每個通道用于提取風電集群中不同特性規律，得到多種特征，函數定義如下： 式中，表示匯聚效應的第l+1層特征，表示時序因果的第l+1層特征，表示誤差的第l+1層特征，f表示圖卷積函數，表示匯聚效應的第l層特征，表示時序因果的第l層特征，表示誤差的第l層特征； 在多通道的基礎上，引入注意力機制，學習每種特征對于預測重要性的權重，最終結合多種特性得到風電集群功率日前預測結果，函數定義如下： 式中，Softmax·表示歸一化函數，concat·表示拼接函數，Output表示風電集群功率日前預測結果，Wa表示匯聚效應特征的權重，Wb表示時序因果特征的權重，We表示誤差特征的權重，H表示融合特征，表示第l+1層匯聚效應的可學習參數，表示第l+1層時序因果的可學習參數，表示第l+1層誤差特征的可學習參數； 通過如下方法構建鄰接矩陣As： 利用如下公式遍歷計算風電集群中不同風電場之間的聯系度，得到聯系度矩陣： 式中，μA,B為風電序列A與風電序列B的聯系度矩陣；{Δxi,Δxi+1}、{Δx′i,Δx′i+1}分別表示風電序列A、風電序列B的第i個相同特性元素的相鄰差分值；{Δxj,Δxj+1}、{Δx′j,Δx′j+1}分別表示風電序列A、風電序列B的第j個相反特性元素的相鄰差分值；I為差異性系數；J為對立性標識系數；N為集合中特征總個數；αi為第i個相同集對的特性強度；βj為第j個相反集對的特性強度；S′為相同集對的總強度；F′為不確定性集對的總強度；P′為相反集對的總強度； 按照從小到大的順序，在聯系度矩陣中選取前m個元素，m為同時率和方差的平均連接數量，保留m個元素值，其余置零，形成矩陣M； 利用矩陣M構建基于集對分析的鄰接矩陣As，計算過程如下： 式中，μij為第i號和第j號風電場的聯系度；∞表示兩個風電場無連接關系；τ表示一個常數，用于避免邊的權重為0；Sij表示集對分析建立的邊權重。

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北電力大學;國網吉林省電力有限公司經濟技術研究院;中國電力科學研究院有限公司，其通訊地址為：132012 吉林省吉林市船營區長春路169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”。