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！

龙图腾网获悉河北工业大学申请的专利一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向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：CN115600725B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202211103988.5，技术领域涉及：G06Q10/04；该发明授权一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法是由林涛;张哲;孙鹤旭;林宇晨;雷旭阳;孟浩;李伟剑设计研发完成，并于2022-09-09向国家知识产权局提交的专利申请。

本一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法在说明书摘要公布了：本发明公开一种基于CEEMDAN‑IGWO‑N‑BEATS的风电场超短期风向预测方法。为降低原始风向数据信号波动性，本发明预测方法利用CEEMDAN算法将原始风向序列信号分解为一系列本征模态分量和一组残差分量；为避免灰狼优化算法陷入局部最优解，提升局部搜索精度，采用动态调整非线性收敛因子策略，利用基于停滞检测的扰动因子选择机制和基于影响力系数的越界重置策略提高算法收敛性，并对N‑BEATS模型中超参数寻优，进而对各个分量预测；最后把各分量预测结果合并得到最终的预测结果。本发明预测方法在针对风电机组风向时间序列预测研究中不论是预测精度还是在泛化性、可解释性上都优于传统的神经网络模型，可以有效应用于实际场景中对风电机组风向的预测。

本发明授权一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法在权利要求书中公布了：1.一种基于CEEMDAN-IGWO-N-BEATS的风电场超短期风向预测方法，其特征在于，该预测方法具体实施步骤如下： 步骤一：从风机设备中选取偏航系统中风向历史数据时间序列，按照固定时间间隔选取数据点，得到原始风向时间序列； 步骤二：利用CEEMDAN方法对原始风向时间序列进行分解，得到K组本征模态分量和一组残差分量； 步骤三：对步骤二中得到的K组本征模态分量和一组残差分量，合计K+1组分量数据按时刻点的前不少于70％的数据分别进行归一化处理，作为网络模型的输入；对应组分量数据的余下的数据作为训练时的参考值，得到训练数据集；归一化处理公式为： 式中,si,std表示某一组分量数据的第i个时刻点的归一化后的数据，si表示该组分量数据第i个时刻点的原始数据，smin表示该组分量数据的前不少于70％中的最小值，smax表示该组分量数据的前不少于70％中的最大值； 步骤四：设计改进的N-BEATS网络模型 所述改进的N-BEATS网络模型的基本结构与典型的N-BEATS网络模型结构类似，均是由多层堆栈组成，每层堆栈由多个块组成，多个块前向预测值叠加得到一层堆栈的向前预测输出，每层堆栈的向前预测值叠加得到最终的向前预测结果；所述改进的N-BEATS网络模型的块中的FCStack的全连接层层数设置为m，其余部分的设置与典型的N-BEATS网络模型中的相同； 步骤五：利用训练数据集并结合改进的灰狼优化算法对改进的N-BEATS网络模型进行训练 将改进的N-BEATS网络模型中的堆栈的数量、每层堆栈中块的数量以及每个块中FCStack部分的全连接层的层数m作为超参数带入改进的灰狼优化算法进行寻优；设置堆栈的数量、每层堆栈中块的数量、每个块中FCStack部分的全连接层的层数的范围分别是[1,6]、[1,8]、[128,512]，将其作为初始范围带入改进灰狼优化算法，初始化种群； 将训练数据集中一组分量数据中的前不少于70％的时刻点的归一化后的数据，输入到改进的N-BEATS网络模型，预测其余下的时刻点的数据，结合训练集中对应组分量数据的余下时刻点的参考值，计算个体适应度；将均方根误差作为改进的灰狼优化算法的个体适应度： 式中y表示分量数据的参考值，表示分量数据的预测值； 表示网络模型输出的预测数据，表示将反归一化后获得的分量数据的预测值，ymin表示网络模型输入数据中未归一化处理之前的最小值，ymax表示网络模型输入数据中未归一化处理之前的最大值； 所述改进的灰狼优化算法的收敛因子a的计算公式为： 式中，tmax表示迭代次数最大值，为设定值；t代表了目前的迭代次数； 所述改进的灰狼优化算法采用基于停滞检测的扰动因子选择机制，将α、β和δ狼适应度值同时进行检测，若α、β和δ狼都产生停滞，设定该种群的最大停滞周期，并且，当种群产生停滞而未超过种群最大停滞时长时，加入步长较小的扰动因子；当种群产生停滞超过种群最大停滞周期，加入步长跳变较大的扰动因子，公式如下： Xnew表示位置变动后的个体，Xt表示当前灰狼个体位置，ub为最大取值上界，lb为最小取值下届，N0,1为符合标准正态分布的随机数；μ为可调节参数，在这里μ1取值为较小值，取值范围为[0.01,0.05]，μ2的取值为较大值，取值范围为[0.1,0.5]；g表示停滞周期，Mg表示最大停滞周期； 保留加入扰动因子的Xnew与当前灰狼个体待更新位置中适应度较好的作为下一代个体； 公式24中，Xt+1为下一代种群位置，fX表示个体的适应度值； 所述改进的灰狼优化算法采用基于影响力系数的越界重置策略，通过α、β和δ狼的适应度值计算各自的影响力系数，公式如下： 上式中，Iα、Iβ、Iδ分别为α、β和δ狼各自的影响力系数，fα、fβ、fδ分别为α、β、δ狼的个体适应度；μ为可变参数，在这里设置为较小值，取值范围为[0.01,0.05]； 当迭代次数达到设定的迭代次数最大值时，输出对应的超参数取值，即改进的N-BEATS网络模型中的堆栈的数量、每层堆栈中块的数量以及每个块中FCStack部分的全连接层的层数，得到该组分量数据训练好的改进的N-BEATS网络模型； 步骤六：将训练集中的每一组分量数据分别按照步骤五中所述的方法进行处理，得到每组分量数据训练好的改进的N-BEATS网络模型；对步骤2中得到的K+1组分量数据按时刻点的后不少于70％的数据分别进行归一化处理，作为网络模型的输入，分别输入到对应组分量数据训练好的改进的N-BEATS网络模型中，分别得到每个网络模型输出的预测数据；将每个网络模型输出的预测数据进行反归一化处理，得到每组分量数据的后不多于30％的时刻点的数据的预测值；将每组分量数据的后不多于30％的时刻点的数据的预测值进行叠加，得到顺接在原始风向时间序列之后的不多于30％的时刻点的风向预测数据。

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河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院330#；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。