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！

龙图腾网获悉合肥工业大学;国网安徽省电力有限公司六安供电公司;国网安徽省电力有限公司电力科学研究院申请的专利一种基于LSGAN-DCN网络的短期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：CN114819365B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202210481070.8，技术领域涉及：G06Q10/04；该发明授权一种基于LSGAN-DCN网络的短期光伏功率预测方法是由吴红斌;钟尚鹏;唐龙江;张明星;徐斌;王小明;胡良焕;夏鹏;谢毓广;滕越设计研发完成，并于2022-05-05向国家知识产权局提交的专利申请。

本一种基于LSGAN-DCN网络的短期光伏功率预测方法在说明书摘要公布了：本发明公开了一种基于LSGAN‑DCN网络的短期光伏功率预测方法，包括：1、采集原始样本数据，将数据以气候类型划分，筛选出突变天气样本数据，并对样本数据进行归一化预处理；2、利用基于多生成器的最小二乘生成对抗网络MAD‑LSGANs学习原始突变天气真实光伏数据的样本分布规律，生成与原始样本数据相似且具有高度多样性的新样本；3、建立由交叉网络和深度网络组成的深度交叉网络DCN模型；4、采用鲸鱼优化算法WOA确定模型的超参数，并利用训练好的模型进行光伏功率短期预测。本发明能有效解决光伏电站光伏发电功率预测时突变天气样本数据不足的问题，并加强对高阶特征交叉信息的获取，从而有效提高光伏功率预测精度。

本发明授权一种基于LSGAN-DCN网络的短期光伏功率预测方法在权利要求书中公布了：1.一种基于LSGAN-DCN网络的短期光伏功率预测方法，其特征在于，是按如下步骤进行： 步骤一、突变天气样本数据的采集与分类； 步骤1.1、从光伏发电站获取原始光伏数据序列，并按照所设置的气候类型分割点将原始光伏数据序列进行划分，得到每种气候类型下的光伏数据序列；对每种气候类型下的光伏数据序列按照天气类型筛选出类突变天气样本数据； 步骤1.2、从每一类突变天气样本数据中选取个样本组成样本数据集，且所述样本数据集中的每个样本由种气象特征组成，对所述样本数据集进行归一化处理后，得到维度为的气象特征矩阵；其中，表示归一化后的第个样本的第种气象特征，，； 步骤1.3、采集与所述样本数据集中个样本中种气象特征相对应的光伏发电功率数据，并进行归一化处理，获得功率序列，表示归一化后的第个样本的功率； 步骤1.4、将气象特征矩阵与功率序列进行拼接，获得样本矩阵；其中，表示样本矩阵中第行第列的元素，且，，； 步骤1.5、将样本矩阵划分为训练样本和测试样本，； 步骤二、构建基于多生成器的最小二乘生成对抗网络，用于生成新样本； 所述最小二乘生成对抗网络包括：个生成模型和一个判别模型；令所述最小二乘生成对抗网络的损失函数为最小二乘损失函数； 步骤2.1、采用全连接神经网络分别构建个生成模型，表示第个生成模型，； 步骤2.2、采用全连接神经网络构建所述判别模型； 步骤2.3、将个长度为的一维随机噪声输入到生成模型中，并得到伪样本，表示第个生成模型生成的维度为伪样本； 步骤2.4、固定生成模型的参数，训练判别模型；将所述训练样本和伪样本输入所述判别模型中进行二分类处理，输出个长度为的一维热张量；所述一维的热张量中标记为“1”的样本表示真样本；标记为“0”的样本为假样本；根据一维的热张量，利用随机梯度下降法对所述最小二乘生成对抗网络模型进行训练，更新判别模型的参数，从而得到训练后的判别模型； 步骤2.5、固定训练后的判别模型的参数，用于训练生成模型： 将长度为的一维随机噪声输入到生成模型中，并生成新的伪样本；将训练样本和新的伪样本输入到训练后的判别模型中以判别样本的真假；根据判别模型输出的热张量，利用随机梯度下降法更新每个生成模型的参数，从而得到训练后的生成模型； 步骤2.6、固定训练后的生成模型的参数，用于对训练后的判别模型进行优化训练： 将长度为的一维随机噪声输入到训练后的生成模型中，得到新的伪样本； 将新的伪样本和训练样本输入到训练后的判别模型中进行优化训练，得到优化训练的判别模型； 步骤2.7、不断重复步骤2.3~步骤2.6，直到判别模型对生成的伪样本全部标记为“1”时，训练结束，从而由最终优化训练的生成模型生成最新的样本； 步骤2.8、将最新的样本集与训练样本合并后，得到新训练样本集，； 步骤三、构建DCN网络，包括：上端的嵌入和堆叠层、中间并行的交叉神经网络层和深度神经网络层、下端的组合输出层； 步骤3.1、将新训练样本集输入到所述DCN网络中，并判断所述新训练样本集中各个气象特征分为稀疏特征和稠密特征； 在所述嵌入和堆叠层中利用式1将所述稀疏特征转化为低维稠密向量，否则，将 1 式1中：表示第个稀疏特征，；表示稀疏特征的总个数；表示第个稀疏特征转化为低维稠密向量时的权重参数；表示第个稀疏特征转化的低维稠密向量； 步骤3.2、所述嵌入和堆叠层利用式2将低维稠密向量与所述稠密特征进行拼接后，利用式2获得交叉神经网络和深度神经网络共同的输入向量： 2 式2中：表示第个低维稠密向量的转置；表示稠密向量的转置； 步骤3.3、构建交叉神经网络层和深度神经网络层； 步骤3.3.1、所述交叉神经网络层由个交叉层构成； 所述输入向量输入到所述交叉神经网络中进行显式的特征交叉学习，并利用式3获得第个交叉层输出的显式的特征交叉信息，从而由所述交叉神经网络输出显式的高阶特征交叉信息； ，3 式3中，为第层的权重和偏置； 步骤3.3.2、所述深度神经网络层由个全连接层构成； 所述输入向量输入到所述深度神经网络层中，并利用式4获得第个全连接层输出的隐式的特征交叉信息，从而由所述深度神经网络输出隐式的高阶特征交叉信息； ，4 式4中：，分别是第个全连接层的权重和偏置；是ReLU函数； 步骤3.4、所述组合输出层是由全连接层构成，并将所述显式的高阶特征交叉信息和隐式的高阶特征交叉信息合并后输入所述组合输出层中，从而利用式5得到预测值： 5 式5中，，分别表示显式的高阶特征交叉信息的转置和隐式的高阶特征交叉信息的转置；是组合输出层的权重向量；表示ReLU函数； 步骤3.5、所述DCN网络输出的预测值经过反归一化处理后得到实际光伏发电功率预测值； 步骤四、鲸鱼算法优化DCN网络； 步骤4.1、采用鲸鱼优化算法确定DCN网络的超参数，包括：交叉网络层数、深度网络层数、神经元个数、训练周期； 步骤4.2、将新训练样本集输入到确定好超参数的深度交叉网络模型中进行训练，从而得到训练好的突变天气下光伏电站发电功率预测模型； 步骤4.3、利用测试集对训练好的突变天气下光伏电站发电功率预测模型进行预测，从而获得突变天气下的光伏短期发电功率预测结果。

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合肥工业大学;国网安徽省电力有限公司六安供电公司;国网安徽省电力有限公司电力科学研究院，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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”。