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！

龙图腾网恭喜东北电力大学申请的专利计及NWP风速横纵向误差的RDPG风速修正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：CN115049115B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202210606635.0，技术领域涉及：G06Q10/04；该发明授权计及NWP风速横纵向误差的RDPG风速修正方法是由黄南天;戴千斌;王日俊;蔡国伟;郭玉;赵暄远;扈磊;王圣元;刘洋;孙赫宏;武靖涵;胡晨晗;王鹤霏;王歆然;王昊;于高缘设计研发完成，并于2022-05-31向国家知识产权局提交的专利申请。

本计及NWP风速横纵向误差的RDPG风速修正方法在说明书摘要公布了：本发明公开了计及NWP风速横纵向误差的RDPG风速修正方法，基于加权欧式距离相似度，划分各个NWP风速待修正点差异化最优超前滞后时序相关区间，反映了横向误差对NWP风速修正的潜在影响；采用区间统计特征代替NWP原始气象特征作为模型输入，并基于SHAP理论实现非一致性时序区间NWP气象特征评估，获取对模型具有正向增益的特征，降低了模型的复杂度；基于RDPG的NWP风速修正模型，降低不同NWP风速波动水平下预测风速的横纵向误差，增强模型的泛化能力和处理非线性数据的能力；解决了传统机器学习算法缺乏自适应能力，导致不同波动水平下NWP风速误差修正能力不足，影响多时间尺度下风电功率预测精度的问题。

本发明授权计及NWP风速横纵向误差的RDPG风速修正方法在权利要求书中公布了：1.计及NWP风速横纵向误差的RDPG风速修正方法，其特征在于，具体按照以下步骤实施：步骤1、根据NWP气象数据与历史气象数据，计算加权欧式距离相似度，通过加权欧式距离相似度将NWP气象数据划分为多个时序区间，每个时序区间作为输入特征提取区间；步骤2、构建RDPG风速修正模型，基于SHAP理论，确定输入特征提取区间中气象特征重要度排序，剔除对NWP风速修正有负面影响的特征，得到由剩余气象特征组成的训练NWP气象数据；步骤3、采用长短时记忆算法来表示RDPG风速修正模型中Critic网络，建立基于循环确定性策略梯度的RDPG风速修正模型，通过训练NWP气象数据、历史气象数据对NWP风速修正模型进行训练，得到训练完整的RDPG风速修正模型；步骤4、向训练完整的NWP风速修正模型中输入待修正点的nwp区间统计特征和历史气象数据，输出修正后的风速；步骤3具体过程为：步骤3.1、定义状态值函数和状态动作值函数，如公式（6）、（7），表示从某个状态开始执行策略的累积折扣奖赏，表示在某个状态执行动作并在后续执行策略的累积折扣奖赏； 6 7式中：为折扣因子，为未来时间步骤，表示智能体在时间步骤上获得的即时奖励；步骤3.2、对RDPG风速修正模型采用Actor-Critic网络作为基础框架实现策略梯度，包括两个神经网络，分别是Actor网络和Critic网络，利用参数评估当前Actor网络的执行策略，并根据输入状态，输出动作，环境接收智能体所选择的动作之后，给予智能体相应的奖惩信号反馈，并转移到新的环境状态，进而输出新的动作，通过智能体与环境的交互，将获得转换变量输入到Critic网络，根据时序差分法计算出损失函数TD_error，损失函数TD_error采用来表示： 8步骤3.3、所述Actor网络和Critic网络均采用双网络结构，包含结构相同的估值网络和目标网络： 9 10；步骤3.4、RDPG风速修正模型包括经验回放机制，通过构造一个经验池，在Agent学习前，首先将状态转换过程储存在经验池中；在学习时，从经验池中随机采样，在连续动作空间中基于公式（11）进行探索，以构建经验回放缓冲池R： 11式中：为噪声，用于随机搜索动作；R由构成，为RDPG的训练步数；步骤3.5、基于式（7）和（8），并采用蒙特卡洛模拟建立网络和网络的学习策略，如公式（12）和公式（13）所示，以R中随机抽取的minibatch作为输入，即可训练估值网络： 12 13其中，；步骤3.6、目标网络的参数通过缓慢跟踪原始网络进行更新，更新公式为： 14步骤3.7、RDPG风速修正模型中状态由所提取的气象特征来表示，以训练NWP气象数据和历史气象数据作为训练样本输入至RDPG风速修正模型，得到训练完整的RDPG风速修正模型。

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东北电力大学，其通讯地址为：132012 吉林省吉林市船营区长春路169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”。