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！

龙图腾网获悉东南大学申请的专利基于误差补偿框架的机器学习辐照度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：CN115409250B 。

龙图腾网通过国家知识产权局官网在2025-08-26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：202210989917.3，技术领域涉及：G06F18/20；该发明授权基于误差补偿框架的机器学习辐照度预测方法是由谢利萍;童俊龙;张晗津;张侃健;魏海坤设计研发完成，并于2022-08-17向国家知识产权局提交的专利申请。

本基于误差补偿框架的机器学习辐照度预测方法在说明书摘要公布了：本发明涉及一种基于误差补偿框架的机器学习辐照度预测方法，属于光伏发电技术领域。预测方法包括：S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，获取当前机器模型在时刻T‑K到T的辐照度预测误差，此过程中不更新模型；将时刻T‑K到T的预测误差序列与外界气象数据序列进行信息融合，并用于更新模型；S4，预测，将历史辐照度和气象数据输入误差补偿框架，利用该框架的补偿机制，在预测辐照度的同时降低预测误差。通过本发明的端到端误差补偿框架，模型误差信息可以用于动态更新机器学习模型，在不改变模型结构的前提下降低辐照度的预测误差，提升预测精度。

本发明授权基于误差补偿框架的机器学习辐照度预测方法在权利要求书中公布了：1.一种基于误差补偿框架的机器学习辐照度预测方法，其特征在于，包括如下步骤： S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据，并根据预测任务制作监督数据集； S2，数据预处理，包括气象信息特征编码以及数据归一化； S3，基于误差补偿框架更新机器学习模型； S4，预测，将历史数据输入步骤S3中的误差补偿框架以及训练得到的机器学习模型，预测未来多步的太阳辐照度； 所述步骤S3具体包含以下内容： （3.1）获取当前机器学习模型在时刻到的辐照度预测误差，此过程中不更新模型； （3.2）将时刻到的预测误差与外界气象数据以及历史辐照度数据进行信息融合，并用于更新机器学习模型； 误差补偿框架特点如下： （4.1）该框架是一个端到端的太阳辐照度预测框架；在输入历史辐照度和历史气象数据后，该框架能够自动运行并输出多步长的预测结果，同时在该框架内部自动实现误差信息的利用，无需其他操作； （4.2）误差获取阶段，该框架仅利用机器学习模型获取误差信息，此过程不更新模型参数；误差补偿阶段利用误差信息动态更新模型； （4.3）该框架在不改变机器学习模型结构的前提下，能够有效降低辐照度预测误差； （4.4）该框架是一个通用范式，适用于不同的机器学习预测模型，对不同的机器学习预测模型，均能有效利用误差信息，依据误差信息动态更新模型； 所述步骤S3中的误差补偿框架的详细步骤如下： （1）滑动窗口获取子序列： 该框架首先接收到时刻的数据作为输入，并从时刻开始，按滑动窗口形式划分为K个子序列，滑动步长为1； 得到K个子序列分别为{}，其中表示时刻的太阳辐照度； （2）滚动获取误差信息： 对于子序列，其对应的外界气象信息为，在当前参数下的机器学习模型的输入为{}，其预测值为，其对应的监督信息可以表示为，其中N表示预测的步长；根据预测值和监督信息可以得到模型在当前时刻的预测误差； 循环输入上述K个子序列，并通过监督信息获取当前参数下的机器学习模型在当前时刻的预测误差；该循环过程可以得到误差序列; 并且，此过程不更新模型参数； （3）信息融合： 此阶段将误差序列与历史辐照度与气象数据进行融合，得到新的特征输入{}，其监督信息为; 信息融合后的输入特征增加了当前模型对历史上对应时刻的预测误差信息，该信息由模型内部预测机制决定，将该信息反馈至机器学习模型； （4）更新模型： 利用步骤（3）的输入特征和监督信息更新模型参数。

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南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2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”。