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！

龙图腾网获悉东北电力大学;国网吉林省电力有限公司经济技术研究院;中国电力科学研究院有限公司申请的专利一种风电集群功率日前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：CN119918731B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202411984449.6，技术领域涉及：G06Q10/04；该发明授权一种风电集群功率日前预测方法是由杨茂;江任贤;赛亚勒·阿布都力江;孙勇;王勃;王钊;王铮;王姝设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种风电集群功率日前预测方法在说明书摘要公布了：本发明涉及风电功率短期预测技术领域，公开一种风电集群功率日前预测方法，该方法包括：将风电集群的时空关联特性归纳为风电场之间远距离的汇聚效应和近距离的时序因果关系，使用改进的集对分析方法、同时率判别方法和方差判别方法得到汇聚效应邻接矩阵面，使用皮尔森相关系数和格兰杰因果检验得到时序因果邻接矩阵，提出误差评价特性系数公式用于构建误差邻接矩阵，对传统图卷积神经网络进行改良提出基于多通道注意力机制的图神经网络结构。本发明提出一种考虑风电集群汇聚效应和多通道注意力机制融合的图卷积预测方法，其预测稳定性强、预测性能高、预测结果有效、具备较强实用性。

本发明授权一种风电集群功率日前预测方法在权利要求书中公布了：1.一种风电集群功率日前预测方法，其特征在于，所述方法包括： 基于风电序列，构建邻接矩阵As、同时率邻接矩阵At、方差邻接矩阵Av； 根据邻接矩阵As、同时率邻接矩阵At和方差邻接矩阵Av，构建汇聚效应邻接矩阵Aa； 使用皮尔逊相关系数构建邻接矩阵Ar，并基于格兰杰因果校验构建因果邻接矩阵Ag；其中，所述邻接矩阵Ar和因果邻接矩阵Ag用于表征近距离风电场之间的关联关系； 基于邻接矩阵Ar和格兰杰因果邻接矩阵Ag，构建时序因果邻接矩阵Ab； 构建误差特性邻接矩阵Ae；其中，所述误差特性邻接矩阵Ae用于表征风电场之间的误差； 构建基于通道注意力机制的图卷积神经网络模型，在所述图卷积神经网络模型中，设计多个图卷积模块，分别输入不同属性的邻接矩阵，形成多通道，每个通道用于提取风电集群中不同特性规律，得到多种特征，函数定义如下： 式中，表示汇聚效应的第l+1层特征，表示时序因果的第l+1层特征，表示误差的第l+1层特征，f表示图卷积函数，表示汇聚效应的第l层特征，表示时序因果的第l层特征，表示误差的第l层特征； 在多通道的基础上，引入注意力机制，学习每种特征对于预测重要性的权重，最终结合多种特性得到风电集群功率日前预测结果，函数定义如下： 式中，Softmax·表示归一化函数，concat·表示拼接函数，Output表示风电集群功率日前预测结果，Wa表示汇聚效应特征的权重，Wb表示时序因果特征的权重，We表示误差特征的权重，H表示融合特征，表示第l+1层汇聚效应的可学习参数，表示第l+1层时序因果的可学习参数，表示第l+1层误差特征的可学习参数； 通过如下方法构建邻接矩阵As： 利用如下公式遍历计算风电集群中不同风电场之间的联系度，得到联系度矩阵： 式中，μA,B为风电序列A与风电序列B的联系度矩阵；{Δxi,Δxi+1}、{Δx′i,Δx′i+1}分别表示风电序列A、风电序列B的第i个相同特性元素的相邻差分值；{Δxj,Δxj+1}、{Δx′j,Δx′j+1}分别表示风电序列A、风电序列B的第j个相反特性元素的相邻差分值；I为差异性系数；J为对立性标识系数；N为集合中特征总个数；αi为第i个相同集对的特性强度；βj为第j个相反集对的特性强度；S′为相同集对的总强度；F′为不确定性集对的总强度；P′为相反集对的总强度； 按照从小到大的顺序，在联系度矩阵中选取前m个元素，m为同时率和方差的平均连接数量，保留m个元素值，其余置零，形成矩阵M； 利用矩阵M构建基于集对分析的邻接矩阵As，计算过程如下： 式中，μij为第i号和第j号风电场的联系度；∞表示两个风电场无连接关系；τ表示一个常数，用于避免边的权重为0；Sij表示集对分析建立的边权重。

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北电力大学;国网吉林省电力有限公司经济技术研究院;中国电力科学研究院有限公司，其通讯地址为：132012 吉林省吉林市船营区长春路169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”。