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！

龙图腾网恭喜中国电力科学研究院有限公司;东北电力大学申请的专利一种超短期风电功率组合预测方法及系统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：CN113505938B 。

龙图腾网通过国家知识产权局官网在2024-09-24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：202110844097.4，技术领域涉及：G06Q10/04；该发明授权一种超短期风电功率组合预测方法及系统是由仲悟之;崔杨;赵钰婷;李崇钢;李芳;王丹丹设计研发完成，并于2021-07-26向国家知识产权局提交的专利申请。

本一种超短期风电功率组合预测方法及系统在说明书摘要公布了：本发明涉及一种超短期风电功率组合预测方法及系统。该方法包括利用风电出力历史数据训练长短期记忆网络；利用数值天气预报数据训练极限学习机；根据长短期记忆网络预测值、极限学习机预测值、风电功率、数值天气预报数据、风速变化量以及长短期记忆网络滚动预测步数，采用加权灰色关联算法，确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻；根据历史相似时刻对应的两个模型的预测值、风电功率、数值天气预报数据以及风电实际出力数据，采用时变自适应系数法，确定两个模型的组合预测权重参数，进而确定组合预测模型；根据组合预测模型对预测时刻的风电功率进行预测。本发明能够改善预测误差分布，提高预测精度。

本发明授权一种超短期风电功率组合预测方法及系统在权利要求书中公布了：1.一种超短期风电功率组合预测方法，其特征在于，包括：获取风电出力历史数据以及数值天气预报数据；所述数值天气预报包括：风速、风向正弦值、风向余弦值、温度以及气压；利用风电出力历史数据训练长短期记忆网络，并确定训练后的长短期记忆网络；所述训练后的长短期记忆网络以风电出力历史数据为输入，以风电功率预测值为输出；利用数值天气预报数据训练极限学习机确定训练后的极限学习机；所述训练后的极限学习机以数值天气预报数据为输入，以风电功率预测值为输出；获取待预测时刻的数值天气预报数据以及长短期记忆网络和极限学习机的风电出力超短期预测数据；根据长短期记忆网络风电功率预测值、极限学习机风电功率预测值、数值天气预报数据、风速变化量以及长短期记忆网络滚动预测步数，采用加权灰色关联算法，确定与待预测时刻的数值天气预报数据相似性大于相似性阈值的历史相似时刻；根据历史相似时刻对应的长短期记忆网络和极限学习机的风电出力预测值以及风电实际出力数据，采用时变自适应系数法，确定训练后的长短期记忆网络与训练后的极限学习机的组合预测权重参数，进而确定组合预测模型；根据组合预测模型对预测时刻的风电功率进行预测；加权灰色关联法通过为每个特征赋予适当权值，寻找影响程度大的特征，实现综合评价历史样本与待预测样本的相似程度；具体步骤如下：将各指标进行归一化，消除量纲的影响；选取待预测样本X0为母序列，待预测样本前n个历史样本X为子序列；待预测样本X0，历史样本X结构分别如下：X0＝[x01,x02,...,x0m]； 其中，m为样本特征数；计算母序列与子序列之间的灰色关联系数ξik后，构造灰色关联矩阵ξ，计算公式如下： 其中k＝1，2，…，m；i＝1，2，…，n； 其中，ρ为分辨系数，决定了区分能力，取0.5；使用熵权法计算各指标所占权重，并组成权向量γ，计算公式如下： γ＝[γ1,γ2,...,γm]；其中，rij为第i个样本的第j个特征的比重，Ej为第j个特征的信息熵，γj为第j个特征的权重；求取加权灰色度ξ’＝ξ*γ，将各历史样本的加权灰色关联度由大到小排列，选取排序靠前的k个历史样本作为相似历史样本集；时变自适应系数法表达式为： 其中，采用待预测点前k个历史样本来计算各修正系数； 其中，为组合预测的预测值，Pt为t时刻风电功率实际值，PtLSTM为未经NWP长短期记忆网络预测值，PtELM为单纯通过NWP信息得到的风电功率预测值，C1t、C2t、Ct为常数，用于削弱模型固有误差，使组合预测的预测值更准确。

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中国电力科学研究院有限公司;东北电力大学，其通讯地址为：100089 北京市海淀区清河小营东路15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”。