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！

龙图腾网获悉合肥综合性国家科学中心能源研究院(安徽省能源实验室);合肥工业大学申请的专利基于时空特征的极端天气风电爬坡事件分类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：CN115221945B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202210719058.6，技术领域涉及：G06F18/241；该发明授权基于时空特征的极端天气风电爬坡事件分类方法是由齐先军;张付华;吴红斌;华玉婷;陈强设计研发完成，并于2022-06-23向国家知识产权局提交的专利申请。

本基于时空特征的极端天气风电爬坡事件分类方法在说明书摘要公布了：本发明公开了一种基于时空特征的极端天气风电爬坡事件分类方法，其步骤包括：1.对历史风电功率序列滤波；2.检测历史风电功率中的爬坡事件；3.生成爬坡事件分类标签；4.筛选出极端天气气象特征；5.生成用于爬坡事件分类的时空特征数据；6.训练ConvLSTM分类器，对风电场风电爬坡事件进行分类识别。本发明检测极端天气下的风电爬坡事件，筛选影响爬坡事件的气象特征，结合多个风电场的时空相关特性，进而实现对风电场爬坡事件的分类，从而能为电网调度人员制定针对不同爬坡事件的控制调度策略提供重要参考。

本发明授权基于时空特征的极端天气风电爬坡事件分类方法在权利要求书中公布了：1.一种基于时空特征的极端天气风电爬坡事件分类方法，其特征是按照如下步骤进行： 步骤1.对历史风电功率序列滤波： 获取风电场W0的风电功率序列{p0t|t＝0,1,2,…,N-1}，其中：t表示采样时刻；N表示采样时刻总数；p0t表示风电场W0在采样时刻t的风电功率； 利用式1对风电功率序列{p0t|t＝0,1,2,…,N-1}进行一次指数平滑滤波后，得到采样时刻t的风电功率滤波序列 式1中：α表示平滑指数，α∈[0,1]； 步骤2.检测历史风电功率中的爬坡事件： 判断所述风电功率滤波序列中的滤波后风电功率是否满足式2所定义的风电爬坡事件，若满足，则表示相应时段的风电功率发生了风电爬坡事件，并加入爬坡事件样本集{Pk}中，其中，Pk表示k个爬坡事件样本集，且tk表示第k个爬坡事件的发生时刻，k＝1,2,…,K,K为样本集{Pk}中爬坡事件总数目； 式2中：Pref为爬坡阈值，Pref＝w·Pcap，Pcap为风电场额定容量，w为阈值系数；Δt为风电功率采样间隔；M为爬坡时间窗口内的采样点数；M-1·Δt表示爬坡时间窗口的时长； 步骤3.生成爬坡事件分类标签： 遍历爬坡事件样本集{Pk}，依据爬坡时间窗口的长度、爬坡时间窗口内的始末风电功率以及爬坡时间窗口内的最大功率，将爬坡事件样本集{Pk}内的所有爬坡事件划分成F类爬坡事件，分类标签分别记为1,2,…,F； 步骤4.筛选出极端天气气象特征： 获取风电场W0的H种气象因素序列{q0,it|t＝0,1,2,…,N-1}，q0,it表示风电场W0的第i个气象因素在采样时刻t的数值，i＝1,2,…,H，H表示气象因素总数目； 利用式3对各气象因素进行一次指数滤波平滑得到滤波后的气象因素序列利用式4计算风电场W0的风电功率滤波序列与各气象因素滤波序列之间的相关性，并将ρi＞ρref的气象特征筛选出来作为极端天气气象特征，从而得到C个极端天气气象特征，其中ρref表示相关性阈值； 式3和式4中：ρi表示风电功率滤波序列与第i个气象因素滤波序列之间的相关性；表示风电功率滤波序列的均值， 表示第i种气象因素滤波序列的均值， 步骤5.生成用于爬坡事件分类的时空特征数据： 获取与风电场W0处于同一地理范围内的D个风电场{Wd|d＝1,2,…,D}的风电功率数据{pdt|d＝1,2,…,D}与极端天气气象因素数据{qd,ct|d＝1,2,…,D,c＝1,2,…,C}并一起作为风电场W0爬坡事件分类的时空特征；其中，pdt表示第d个风电场采样时刻t的风电功率，qd,ct表示第d个风电场第c种极端天气气象因素在采样时刻t的数值； 步骤6.训练ConvLSTM分类器，对风电场风电爬坡事件进行分类识别； 步骤6.1.对所述风电爬坡事件的时空特征进行归一化处理，得到归一化后的时空特征，分别记为{p′dt|d＝1,2,…,D}与{q′d,ct|d＝1,2,…,D,c＝1,2,…,C}，其中，p′dt表示第d个风电场在采样时刻t归一化后的风电功率值；q′d,ct表示第d个风电场第c个极端天气气象特征在采样时刻t归一化后的数值； 步骤6.2.针对爬坡事件样本集{Pk}中的第k个爬坡事件，利用式5得到对应爬坡时间窗口中第一个采样时刻tk的时空特征 同理求出第k个爬坡事件所对应的爬坡时间窗口内其它采样时刻tk+1,tk+2,…,tk+M-1的时空特征其中，M为爬坡时间窗口内的采样点数，从而构建出对应爬坡时间窗口内的时空特征 步骤6.3.利用式6构建ConvLSTM分类器的损失函数L： 式6中：表示正确分类的权值；表示输出分类为j的权值； 步骤6.4.将所述时空特征Xk输入进ConvLSTM分类器中进行训练，并在训练过程中不断优化分类器参数，使得损失函数L达到最小时停止训练，从而得到训练后的极端天气风电爬坡事件分类模型，用于对风电场风电爬坡事件进行分类识别。

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合肥综合性国家科学中心能源研究院(安徽省能源实验室);合肥工业大学，其通讯地址为：230051 安徽省合肥市滨湖卓越城文华园9号楼；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”。