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！

龙图腾网恭喜华东交通大学申请的专利一种风电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：CN119204347B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202411688020.2，技术领域涉及：G06Q10/04；该发明授权一种风电功率预测方法是由余勇祥;匡相宇;邓芳明;李泽文;于小四;林圣;冷勇林;王建华;耿英三;王光照设计研发完成，并于2024-11-25向国家知识产权局提交的专利申请。

本一种风电功率预测方法在说明书摘要公布了：本发明提供一种风电功率预测方法，包括：获取实际风电功率数据集，然后得到处理后的数据集；将处理后的数据集进行自适应噪声的完备经验模态分解，将数据分解为若干固有模态函数分量；利用贝叶斯优化算法对基于物理约束的Mamba模型的超参数进行全局搜索，得到最优超参数；将固有模态函数分量作为基于物理约束的Mamba模型的输入特征，并结合最优超参数，整合至基于物理约束的Mamba模型中进行训练，得到经过训练的基于物理约束的Mamba模型；利用经过训练的基于物理约束的Mamba模型进行风电功率预测。本发明能够提高风电功率预测的精度和稳定性，进而减少MPPT系统因风速快速变化带来的频繁调整问题。

本发明授权一种风电功率预测方法在权利要求书中公布了：1.一种风电功率预测方法，其特征在于，包括以下步骤：步骤S1，获取实际风电功率数据集，采用皮尔逊系数法计算实际风电功率数据集中各个输入特征与风电功率的相关性系数，进而得出目标输入特征，再对目标输入特征进行Z-score归一化处理，得到处理后的数据集；步骤S2，将处理后的数据集进行自适应噪声的完备经验模态分解，将数据分解为若干固有模态函数分量；步骤S3，利用贝叶斯优化算法对基于物理约束的Mamba模型的超参数进行全局搜索，得到最优超参数，所述基于物理约束的Mamba模型是在Mamba模型基础上，以二阶Jensen尾流模型作为物理约束；步骤S4，将步骤S2得到的固有模态函数分量作为基于物理约束的Mamba模型的输入特征，并结合步骤S3得到的最优超参数，整合至基于物理约束的Mamba模型中进行训练，得到经过训练的基于物理约束的Mamba模型；步骤S5，利用经过训练的基于物理约束的Mamba模型进行风电功率预测；步骤S2具体包括：步骤S201，对处理后的数据集中的风电数据序列添加H次标准正态分布的白噪声，得到H个添加白噪声后的风电数据序列；步骤S202，对各个添加白噪声后的风电数据序列进行经验模态分解，得到H组分解结果，然后取H组分解结果中所有的第一个固有模态函数分量的平均值作为自适应噪声的完备经验模态分解的第一个固有模态函数分量；步骤S203，从处理后的数据集中减去自适应噪声的完备经验模态分解的第一个固有模态函数分量，得到一个残差信号，该残差信号将作为下一次分解的输入；步骤S204，向残差信号重新添加白噪声并进行经验模态分解，生成第二个固有模态函数分量；步骤S205，重复执行步骤S203和步骤S204，直至残差信号不能再继续分解为止，得到若干固有模态函数分量；步骤S3具体包括：步骤S301，利用高斯过程模型作为代理模型，高斯过程模型对超参数组合的目标函数gw进行预测，得到预测均值vw和预测方差r2w，高斯过程模型的构建表达式为： ； ；其中，w表示超参数组合，m为核函数，Wn表示当前已评估的超参数组合，zn表示与Wn对应的目标函数值，为观测噪声的方差，I为高斯过程模型中的单位矩阵；步骤S302，基于预测均值和预测方差，采用贝叶斯优化算法确定下一步要评估的超参数组合，表达式为： ； ；其中，为期望改进采集函数，为当前最优的目标函数值，是标准正态分布的累积分布函数，是标准正态分布的概率密度函数，Y为标准化的改进量；步骤S303，通过期望改进采集函数选择下一步的超参数组合Wn+1，并在Mamba模型中应用超参数组合Wn+1，并计算对应的预测误差，将超参数组合Wn+1与对应的目标函数值gWn+1加入已有的数据集，以更新高斯过程模型；步骤S304，经过多次迭代，贝叶斯优化算法根据代理模型和期望改进采集函数对超参数进行评估，最终确定最优超参数w+，表达式为： ；所述Mamba模型的状态空间模型表达式为： ； ；其中，qt为隐状态序列，表示qt的导数，pt为输入序列，ft为输出序列，A、B、C为可学习矩阵；采用零阶保持方法进行对状态空间模型离散化，从而得到结构化状态空间模型，通过步长离散化得到的结构化状态空间模型，表达式为： ； ； ； ；其中，qt为离散时间步t的隐状态序列，qt-1为离散时间步t-1的隐状态序列，和为离散化后的可学习矩阵，pt为离散时间步t的输入序列，ft为离散时间步t的输出序列，E为结构化状态空间模型中的单位矩阵；在步骤S4中，将贝叶斯优化算法搜索到的最优超参数输入至Mamba模型，并将自适应噪声的完备经验模态分解后的数据作为输入特征代入Mamba模型进行训练预测，最终得出Mamba模型的预测值；经过训练的基于物理约束的Mamba模型的总损失函数L的表达式为： ； ； ； ；其中，L1表示Mamba模型的损失函数，L2表示正则化项，β表示正则化项的权重，N表示样本数量，yi表示第i样本的真实值，表示Mamba模型对于第i样本的预测值，Pi表示二阶Jensen尾流物理模型对于第i样本的预测值，表示风场密度，D表示风力涡轮机旋翼扫风面积，K表示风力涡轮机的功率转换效率，表示风力涡轮机的入流风速。

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华东交通大学，其通讯地址为：330013 江西省南昌市经济技术开发区双港东大街808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”。