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！

龙图腾网获悉南京信息工程大学申请的专利一种基于风速爬坡识别与匹配的多维风电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：CN120728586B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202511173881.1，技术领域涉及：H02J3/00；该发明授权一种基于风速爬坡识别与匹配的多维风电功率预测方法是由熊雄;许一帆;杨镜如;鲁耘萌设计研发完成，并于2025-08-21向国家知识产权局提交的专利申请。

本一种基于风速爬坡识别与匹配的多维风电功率预测方法在说明书摘要公布了：本发明提供了一种基于风速爬坡识别与匹配的多维风电功率预测方法，包括：步骤1，对风电场风速数据与功率数据进行预处理；步骤2，使用强化学习优化动态窗宽，加入时空因子并联合分析筛选极点率，加入基于物理信息的突变事件分类器，形成动态自适应风速突变识别算法，使用动态自适应风速突变识别算法对风速数据进行去噪处理；步骤3，将气象因素进行维度拓展，采用风速时段匹配算法将风速数据与过往历史风速进行匹配；步骤4，基于多维数据融合带有注意力机制的Informer算法，对未来风力发电功率进行预测。本发明能够有效引导网络关注历史功率响应模式、风速结构差异与气象因素，为后续预测提供结构感知能力。

本发明授权一种基于风速爬坡识别与匹配的多维风电功率预测方法在权利要求书中公布了：1.一种基于风速爬坡识别与匹配的多维风电功率预测方法，其特征在于，包括以下步骤： 步骤1，对风电场风速数据与功率数据进行预处理：采用时空图卷积填充模型处理因传感器故障导致的数据缺失；使用动态分位数标准化对原始数据进行标准化；使用耦合异常检测对突变风速和功率原始数据进行异常检测；最后使用新型模态分解算法VMD-I； 步骤2，使用强化学习优化动态窗宽，加入时空因子并联合分析筛选极点率，加入基于物理信息的突变事件分类器，形成动态自适应风速突变识别算法，使用动态自适应风速突变识别算法对风速数据进行去噪处理； 步骤3，将气象因素进行维度拓展，采用风速时段匹配算法将风速数据与过往历史风速进行匹配； 步骤4，基于多维数据融合带有注意力机制的Informer算法，对未来风力发电功率进行预测； 步骤2包括： 步骤2-1，提取极值：对于每个分信号IMF，计算并提取最大值、最小值和所有极值点，所有极值点组成集合，代表提取出的第n个极值点； 步骤2-2，将各个分信号IMF中的伪极值点去除； 鉴于爬坡阶段极值点过于密集，将伪极点进行去除： 根据自适应系数计算动态窗宽： ， 其中为分信号IMF中的风速最大值，为分信号IMF中的风速最小值，表示自适应系数； 步骤2-3，筛选极点：对于每个极值点，计算极值点与最近邻极点之间的欧氏距离，如果欧氏距离大于动态窗宽，满足，则保留极值点并计为有效极点，否则，舍弃极值点；其中表示第k个极值点和第k+1个极值点的欧式距离； 最终，将所有满足条件的极值点保留下来，得到有效极值点集合，其中表示第f个有效极值点； 步骤2-4，在极点自适应选取模型输出的选取极值点集的基础上根据选取极点集数量计算极点率，从而实现对VMD模态分解结果的分信号数据选取用于风速突变事件的识别，计算各分信号IMF分量极点率： ， 其中表示第个风速数据的极点率，表示预处理后的风速数据的重构极值点总数，表示第个风速数据的重构极值点总数，根据每个风速数据的极点率对风速数据进行筛选，将满足小于等于阈值的风速数据保留，得到保留的风速数据集； 步骤2-5，风速重构： 将保留的风速数据集进行叠加实现风速数据重构，并将重构后风速数据记为： ， 其中sum指叠加函数；为重构后的风速数据；表示保留的风速数据集。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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。