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！

龙图腾网获悉浙江大学;国网浙江省电力有限公司电力科学研究院申请的专利一种基于图卷积神经网络的区域光伏功率直接区间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：CN119886427B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202411933262.3，技术领域涉及：G06Q10/04；该发明授权一种基于图卷积神经网络的区域光伏功率直接区间预测方法是由万灿;何志强;彭琰;张开铭;龙婧璇;马骏超;王晨旭;刘辉;何子涵;黄越辉设计研发完成，并于2024-12-26向国家知识产权局提交的专利申请。

本一种基于图卷积神经网络的区域光伏功率直接区间预测方法在说明书摘要公布了：本发明公开了一种基于图卷积神经网络的区域光伏功率直接区间预测方法。该方法首先引入条件风险价值和增广拉格朗日乘子法，将机会约束的区间预测优化问题转化为含线性不等式约束的优化问题；其次，以区域内不同地理位置的预报辐照度的协方差矩阵作为邻接矩阵，构建以多地理位置的气象预报特征为输入的图卷积神经网络；最后，借助ReLU激活函数，保证基于图卷积神经网络的深度学习模型的输出满足线性不等式约束，以优化问题的优化目标作为损失函数，通过随机梯度下降实现深度学习模型的训练。该方法考虑了区域内丰富气象信息，构建深度学习模型直接输出准确可靠的光伏功率预测区间，实现区域光伏功率预测不确定性高效量化。

本发明授权一种基于图卷积神经网络的区域光伏功率直接区间预测方法在权利要求书中公布了：1.一种基于图卷积神经网络的区域光伏功率直接区间预测方法，其特征在于，该方法依赖一种基于图卷积神经网络的深度学习模型实现，所述一种基于图卷积神经网络的深度学习模型的构建方法包括以下步骤： 步骤1：将光伏功率区间预测建模为机会约束优化问题，引入条件风险价值对机会约束优化问题的可行域进行收紧，并通过增广拉格朗日乘子法将机会约束转移到所述机会约束优化问题的优化目标中，将所述机会约束优化问题重构为含线性不等式约束的优化问题； 步骤2：计算区域内多个不同地理位置的气象预报辐照度协方差矩阵，作为图卷积神经网络邻接矩阵，在此基础上，构建以多地理位置的气象预报特征为输入的图卷积神经网络； 步骤3：设计基于所述图卷积神经网络的深度学习模型结构，使得模型输出满足线性不等式约束，将所述含线性不等式约束的优化问题转化为以模型参数为优化变量的优化问题，并以增广拉格朗日函数作为基于图卷积神经网络的深度学习模型的损失函数； 步骤4：基于含多地理位置的气象预报特征和区域光伏功率实测数据的数据集，利用一种基于随机梯度下降的参数优化算法对所述以模型参数为优化变量的优化问题进行求解，从而对所述基于图卷积神经网络的深度学习模型的参数进行优化，得到训练好的基于图卷积神经网络的深度学习模型； 步骤1中，所述的将光伏功率区间预测建模为机会约束优化问题，具体表示为： ，其中，为期望函数，、分别为光伏功率预测区间上下限，为区域光伏功率实测值，表示事件发生概率，为显著性水平； 所述引入条件风险价值对机会约束优化问题的可行域进行收紧的方法如下： 记随机变量为预测区间下限减去实测值和实测值减去预测区间上限二者中的最大值： ，此时有： ，，现引入在置信度下的风险价值VaR和条件风险价值CVaR： ，，其中，为的概率密度函数；的含义为随机变量在置信度下的分位数，而为随机变量取值超出部分的期望值，且为的凸函数，其通过下述公式求得： ，其中，，为求取CVaR时的优化变量；将取最优值时对应的记作，记的取值集合为，由的定义可知为的一个最优解，故，现假设； 且： ，上述式子中等式右侧第一项始终为非负数，因此有： ，此时所述机会约束优化问题转化为： 。

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浙江大学;国网浙江省电力有限公司电力科学研究院，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。