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！

龙图腾网恭喜山东理工大学申请的专利基于SGBRT和GWO的多变量风力功率曲线建模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：CN119203063B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202411707184.5，技术领域涉及：G06F18/27；该发明授权基于SGBRT和GWO的多变量风力功率曲线建模方法是由尹文良;刘琳;史启迪;贾梦倩;张祯滨;李存欣;李永康;李明;孙晨业;张文华设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本基于SGBRT和GWO的多变量风力功率曲线建模方法在说明书摘要公布了：本发明属于功率曲线建模技术领域，具体涉及基于SGBRT和GWO的多变量风力功率曲线建模方法，步骤包括将风机的操作区域分为五个不同阶段，根据不同阶段的功率控制策略进行数据清理；根据偏互信息PMI选择输入变量，通过比较互信息来确定外部条件与输出功率的相关性，并利用PMI处理输入变量之间的耦合关系；基于随机梯度增强回归树SGBRT进行建模，得到SGBRT模型；运用灰狼优化算法GWO优化更新SGBRT模型中的回归参数；基于优化后的SGBRT模型进行多变量风力功率曲线的建模。本发明通过结合SGBRT和GWO算法，实现了高准确度、高效率和强适应性的风力发电机组功率曲线预测，具有显著的性能优势。

本发明授权基于SGBRT和GWO的多变量风力功率曲线建模方法在权利要求书中公布了：1.基于SGBRT和GWO的多变量风力功率曲线建模方法，其特征在于包括以下步骤：S1、将风机的操作区域分为五个不同阶段，包括切入阶段、最大风能跟踪阶段、过渡阶段、额定功率阶段和切出阶段，根据不同阶段的功率控制策略进行数据清理；S2、根据偏互信息PMI选择输入变量，通过比较互信息来确定外部条件与输出功率的相关性，并利用PMI处理输入变量之间的耦合关系；S3、基于随机梯度增强回归树SGBRT进行建模，得到SGBRT模型；S4、运用灰狼优化算法GWO优化更新SGBRT模型中的回归参数；S5、基于优化后的SGBRT模型进行多变量风力功率曲线的建模；所述的S2中，根据偏互信息PMI选择输入变量的过程为：S2.1、对于随机输出向量yi，将输出向量集合标记为，N为样本数量，即为向量的数量；Y的信息熵通过式（5）计算： （5）；式中，pi是对应于yi的概率分布；S2.2、对于随机输入变量ui，将其集合标记为，ui会影响yi，对于U和Y之间的互信息，Y中包含的元素通过以下公式计算： （6）；式中，表示ui和yi的联合概率密度函数；、分别表示ui、yi的边缘概率密度函数；表示括号内两者之间的互信息；S2.3、对于U中的一个采样点u，其边缘概率密度函数表示为： （7）；式中，d表示随机输入变量的维度；是样本的协方差矩阵，是的行列式；为u和ui之间的马氏距离，h是核密度函数，表示为： （8）；S2.4、若存在另一个输入集合U1，那么当U和U1之间存在互相关性时，的计算值不能与实际值匹配，在这种情况下，在去除U1和Y中包含的关于U的信息后，需要使用PMI来测量U和Y之间的相关性；一旦U的信息被消除，初始U1和Y更新为UT和YT： （9）；式中，UT和YT是去除U1和Y中包含的关于U的信息后更新的变量集合；表示U1在U上的核回归估计；表示Y在U上的核回归估计，表示为： （10）；S2.5、U1和Y之间的PMI通过以下公式计算： （11）；式中，表示U1和Y之间的偏互信息；S2.6、定义C表示为总输入变量集合，X表示最优输入变量集合，CX表示具有最大PMI值的候选输入变量集合，基于PMI进行变量选择。

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山东理工大学，其通讯地址为：255000 山东省淄博市张店区新村西路266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”。