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！

龙图腾网获悉中国三峡新能源(集团)股份有限公司;电力规划总院有限公司申请的专利基于风电功率预测模型动态选择的电网优化调度方法及装置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：CN119401572B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202411712040.9，技术领域涉及：H02J3/46；该发明授权基于风电功率预测模型动态选择的电网优化调度方法及装置是由刘淑军;王博;杨振峰;姜添元;庄炜焕;章超;王世静;古含;赵伟然;卜晓坤;王存设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本基于风电功率预测模型动态选择的电网优化调度方法及装置在说明书摘要公布了：本发明公开一种基于风电功率预测模型动态选择的电网优化调度方法及装置，方法包括：基于多个风电功率功率预测模型，获取每一风电功率功率预测模型的预测误差概率密度函数；获取风电机组的实时气象数据，基于多个风电功率功率预测模型分别进行功率预测，得到若干个风电功率实时预测值，结合相应预测误差概率密度函数分别生成风电功率实时预测场景集；基于若干个风电功率实时预测场景集，通过随机机组组合模型生成与场景集对应的实时控制策略，选取若干个实时控制策略中风电弃风和失负荷之和最低的实时控制策略作为风电机组优化后的控制策略。基于多预测模型产生的场景集分别进行随机机组组合，结合气象因素影响，生成多个实时控制策略，最终选取风电弃风与失负荷之和的值最低的策略作为优化控制策略。

本发明授权基于风电功率预测模型动态选择的电网优化调度方法及装置在权利要求书中公布了：1.一种基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，包括如下步骤： 基于多个风电功率功率预测模型，获取每一所述风电功率功率预测模型的预测误差概率密度函数，得到若干个风功率预测误差场景集； 获取风电机组的实时气象数据，基于所述多个风电功率功率预测模型分别进行功率预测，得到若干个风电功率实时预测值，结合相应所述若干个风功率预测误差场景集分别生成若干个风电功率实时预测场景集； 基于所述若干个风电功率实时预测场景集，通过随机机组组合模型生成与风电功率实时预测场景集一一对应的若干个实时控制策略，选取所述若干个实时控制策略中风电弃风与失负荷之和的值最低的实时控制策略作为风电机组优化后的控制策略； 所述风电功率功率预测模型包括：神经网络模型、支持向量机模型和随机森林模型； 所述神经网络模型相应的非线性映射关系为： ； ； 所述支持向量机模型相应的非线性映射关系为： ； ； 所述随机森林模型相应的非线性映射关系为： ； 其中，fNN·、fSVM·和fRF·分别为基于神经网络模型、支持向量机模型和随机森林模型的风电功率预测值与气象数据X之间的映射关系，、和分别为神经网络第l层的激活函数、权重向量和偏置向量，且，为神经网络的层数，和分别为神经网络的权重矩阵和偏置矩阵，为支持向量机模型支持向量的数量，为支持向量机模型第i个支持向量的拉格朗日乘子，是支持向量机模型第i个支持向量的真实标签，是支持向量机模型的核函数，是一个正的参数，为第i个样本点对应的X，是支持向量机模型的偏置项，为随机森林模型决策树的数量，为第i个决策树对输入X的预测值，、和分别为基于神经网络模型、支持向量机模型和随机森林模型得到的风电功率预测值； 所述神经网络模型相应的预测误差概率密度函数为： ； ； 所述支持向量机模型相应的预测误差概率密度函数为： ； ； 所述随机森林模型相应的预测误差概率密度函数为： ； ； 其中，K·为核密度估计函数，h为带宽，为样本个数，为风电功率预测误差随机变量，和分别为第i个历史数据样本点的气象因素输入向量和历史实际风电功率，、和分别为神经网络模型、支持向量机模型和随机森林模型的第i个历史数据样本点风电功率预测误差，、和分别为神经网络模型、支持向量机模型和随机森林模型的预测误差概率密度函数。

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中国三峡新能源(集团)股份有限公司;电力规划总院有限公司，其通讯地址为：101100 北京市通州区新华北街156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”。

以上内容由龙图腾AI智能生成。