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！

龙图腾网恭喜国网江苏省电力有限公司灌云县供电分公司申请的专利基于自适应蚁群整定长短期记忆网络的分布式光伏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：CN117390951B 。

龙图腾网通过国家知识产权局官网在2025-04-01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：202311177463.0，技术领域涉及：G06F30/27；该发明授权基于自适应蚁群整定长短期记忆网络的分布式光伏功率预测方法是由刘博文;韩亮;孙威;陈小宇;吴月宝;孟文青;李亚宏设计研发完成，并于2023-09-13向国家知识产权局提交的专利申请。

本基于自适应蚁群整定长短期记忆网络的分布式光伏功率预测方法在说明书摘要公布了：本发明提出了一种基于自适应蚁群整定长短期记忆网络的分布式光伏功率预测方法，包括以下步骤：步骤1：建立用于预测分布式光伏功率的多维度特征数据向量集；步骤2：针对步骤1建立的用于预测分布式光伏功率的多维度特征数据向量集，建立用于预测分布式光伏功率的长短期记忆网络；步骤3：针对步骤2建立的长短期记忆网络，建立用于优化长短期记忆网络参数的自适应蚁群算法模型。本发明显著提升了预测模型的泛化能力，增强了预测模型对不同环境条件下的预测准确性和稳定性，从而提高了预测方法的有效性和普适性。通过自适应蚁群算法的参数优化，可以进一步提高光伏功率预测模型的性能和效率，为光伏发电系统的智能管理和优化运行提供有力支持。

本发明授权基于自适应蚁群整定长短期记忆网络的分布式光伏功率预测方法在权利要求书中公布了：1.基于自适应蚁群整定长短期记忆网络的分布式光伏功率预测方法，其特征在于，包括以下步骤：步骤1：建立用于预测分布式光伏功率的多维度特征数据向量集；步骤2：针对步骤1建立的用于预测分布式光伏功率的多维度特征数据向量集，建立用于预测分布式光伏功率的长短期记忆网络；步骤3：针对步骤2建立的长短期记忆网络，建立用于优化长短期记忆网络参数的自适应蚁群算法模型；所述步骤2中长短期记忆网络包括有若干输入变量、若干LSTM单元，所述输入变量顺序经过长短期记忆网络中的隐含层中的各LSTM单元进行训练；所述LSTM单元中引入可保留输入变量的关键时序关联信息的更新门函数，LSTM网络通过更新门函数可选择性更新每个时刻的状态；LSTM单元中引入可去除输入变量的非必要时序关联信息的重置门函数，LSTM网络通过重置门函数可选择性丢弃不必要信息；所述步骤2包括：S201：将步骤1获得的优化后的分布式光伏功率预测多维度特征数据向量集作为分布式光伏功率预测模型的输入变量x；S202：基于步骤S201所述的输入变量x，构建分布式光伏功率LSTM预测模型；分布式光伏功率LSTM预测模型包括输入层、隐含层和输出层；输入层接收优化后的分布式光伏功率预测多维度特征数据作为输入，隐含层包含若干个用于学习时间序列的长期依赖关系的LSTM单元，输出层用于预测分布式光伏功率；每个LSTM单元包括t时刻的更新门、重置门和输出门；更新门用于记忆当前t时刻的分布式光伏功率预测多维度特征信息，重置门用于选择分布式光伏功率预测多维度特征中非必要的特征信息；输出门用于将当前隐含层的结果输出至下个LSTM单元；所述S202中的更新门和重置门同时基于输入变量进行操作；更新门通过一个Sigmoid激活函数来决定每个输入特征的重要性，以控制信息输入到记忆单元中；更新门根据当前时刻的输入数据和上一个时刻的隐藏状态，选择性地将相关的信息传递给记忆单元，以更新当前的状态；重置门也通过一个Sigmoid激活函数来决定每个记忆单元中的信息是否需要被保留；重置门通过过去的状态和当前输入，通过不断迭代决定应该被遗忘的信息；更新门的输出Lt表示为：Lt＝ftLt-1+jtCtjt＝gWjxt+Vjht-1+bjCt＝tanhWixt+Viht-1+bi式中，Lt为更新门的输出，ft为重置门的输出；xt为t时刻的输入向量；ht-1为t-1时刻隐含层的输出量，即输出门的输入结果；g为Sigmoid激活函数；jt为Sigmoid激活函数的输出；Wj、Vj为从xt与ht-1映射到更新门激活函数输出jt的权重矩阵，矩阵中元素分别为初始值随机的实数；bj为更新门激活函数输出的偏置向量，向量元素为初始值随机的实数；Ct为tanh函数的输出；Wi、Vi为从xt与ht-1映射到更新门tanh函数输出Ct的权重矩阵，矩阵中元素分别为初始值随机的实数；bi为更新门tanh函数输出的偏置向量，向量元素为初始值随机的实数；重置门的输出ft由如下公式确定：ft＝gWfxt+Vfht-1+bf式中，Wf、Vf为从xt与ht-1映射到重置门激活函数输出ft的权重矩阵，矩阵中元素分别为初始值随机的实数；bf为重置门激活函数输出的偏置向量，向量元素为初始值随机的实数；输出门的输出ot由如下公式确定：ot＝gWoxt+Voht-1+bo式中，Wo、Vo为从xt与ht-1映射到重置门激活函数输出ot的权重矩阵，矩阵中元素分别为初始值随机的实数；bo为从xt与ht-1映射到重置门激活函数输出偏置向量，向量元素为初始值随机的实数；输出门基于更新门的输出和重置门的输出，获得当前隐含层的输出；t时刻的隐含层输出ht表示为：ht＝ot·tanhLt经过多层LSTM单元的迭代，最终形成基于长短期记忆网络的分布式光伏功率预测模型的输出；所述步骤3包括：S301：初始化自适应蚁群算法参数；S302:计算自适应蚁群算法食物位置信息素含量函数；S303:采用引入自适应系数的自适应蚁群算法邻域搜索方程进行邻域搜索寻找新的食物位置；S304:设计概率选择公式决定蚂蚁是否向食物位置信息素含量函数值更高的位置搜索食物；S305:判断搜索次数是否达到最大迭代次数；若是，输出自适应蚁群算法当前轮次最优解；若否，则进行下一轮次的食物位置搜索，返回S302；所述步骤3包括：S301：初始化自适应蚁群算法参数；所述自适应蚁群算法包括自适应蚁群算法中的蚂蚁数量n，最大搜索食物次数为Imax以及食物位置xm；其中，食物位置xm中存储的多维度信息包含长短期记忆网络模型中Wj，Vj，bj，Wf，Vf，bf，Wo，Vo，bo的待优化参数；S302：计算自适应蚁群算法食物位置信息素含量函数F，用于量化当前长短期记忆网络待优化参数的优劣；所述自适应蚁群算法食物位置信息素含量函数F表示为: 式中，em为基于长短期记忆网络的分布式光伏功率预测模型的预测平均误差；er为基于长短期记忆网络的分布式光伏功率预测模型的预测均方根误差；Np为分布式光伏功率预测时间点的总数；分别为第i个点的真实值和预测值；S303：采用引入自适应系数的自适应蚁群算法邻域搜索方程进行邻域搜索，具体为： 式中，为邻域食物位置；ut为自适应蚁群算法的自适应函数；k与j为不同于i的食物位置；为自适应系数；Vig为当前循环中的最优解；S304：建立轮盘概率公式对蚂蚁搜索得到的食物位置进行选择，具体表示为： 式中，fi为蚂蚁i的食物位置选择概率；Fi为蚂蚁i的食物位置信息素含量函数值；S305：判断自适应蚁群算法计算次数是否达到最大探索次数Imax；若达到最大探索次数，则自适应蚁群算法当前计算得到的LSTM参数为最优参数；若尚未达到最大探索次数，则继续利用自适应蚁群算法进行LSTM参数寻优，返回步骤302；所述步骤1中用于预测分布式光伏功率的多维度特征数据向量集中的特征数据包括辐照度数据、气温数据、湿度数据、气压数据、分布式光伏发电功率数据以及负荷用电数据。

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国网江苏省电力有限公司灌云县供电分公司，其通讯地址为：222000 江苏省连云港市灌云县幸福大道305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”。