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;国网浙江省电力有限公司电力科学研究院申请的专利一种基于波动序列分类校正的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：CN114372640B 。

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：202210059738.X，技术领域涉及：G06Q10/04；该发明授权一种基于波动序列分类校正的风电功率预测方法是由吴红斌;韩屹;唐雅洁;龚迪阳;李志浩设计研发完成，并于2022-01-19向国家知识产权局提交的专利申请。

本一种基于波动序列分类校正的风电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波动序列分类校正的风电功率预测方法，包括：1利用基准模型预测未来N小时内的风电功率基准值；2采用特征聚类的方法划分功率波动过程，从输出功率角度挖掘不同波动序列下气象预报误差和模型泛化误差之间的关联性；3针对出力平缓的小波动序列，采用CNN‑LSTM时序模型1推演未来时段的功率变化；针对非小波动序列，结合CNN‑LSTM时序模型2和反向传播神经网络交互校正双层误差；4将基准功率校正结果重新按照时序组合作为最终风电出力。本发明采取结合时序分析和特征学习的复合方法，实现从多个维度提取特征来修正误差，并贴合实际误差分布规律，确保模型有很好的准确性。

本发明授权一种基于波动序列分类校正的风电功率预测方法在权利要求书中公布了：1.一种基于波动序列分类校正的风电功率预测方法，其特征是按如下步骤进行： 步骤一、选取包含l种实测气象特征，l种数值天气预报特征以及与所述实测气象特征对应的历史实际风电功率数据的n个历史样本组成的样本集，并对所述样本集进行归一化处理，得到维度为n×l的实测气象特征集合Xn×l，维度为n×l的数值天气预报特征集合Yn×l和n个历史样本的实际功率序列P； 步骤二、利用维度为n×l的历史实测气象特征集合Xn×l和n个历史样本的实际功率序列P训练反向传播神经网络，并建立气象数据和波动功率之间的基准模型； 步骤三、针对基准模型的预测结果和预测误差，对所述预测结果进行划分，同时对所述预测误差采取数据驱动策略进行校正： 步骤3.1、利用式1、式2、式3从输出功率角度定义气象预报误差和模型泛化误差的所属范围： wnwp＝fr-fnwp1 wm＝ft-fr2 w＝wnwp+wm3 式1、式2、式3中，fr表示以实测气象特征为输入的基准模型的预测值，fnwp表示以数值天气预报特征为输入的基准模型的预测值，ft表示实际的风电功率值，wnwp表示气象预报误差，wm表示模型泛化误差，w表示基准模型预测结果的整体误差，即以归一化后的历史数值天气预报特征为输入的基准模型的预测值与对应时刻的风电功率实际值之间的偏差； 步骤3.2、采用特征聚类的方法对n个历史样本的实际功率序列P进行划分，并得到波动序列，再利用式4和式5识别波动序列的四种功率波动过程： 式4和式5中，Pmax_1,Pmax_2为波动过程内去除气象扰动的所有峰值进行降序排序后的前2个峰值；G为波动类别，Pmax为波动过程内的最大峰值，K为峰值比，ε1为功率低出力的判别阈值，ε2为功率高出力的判别阈值，K′为峰值比的阈值； 步骤3.3、从波动序列中提取小波动过程，并按照时序组合为小波动序列，其余波动过程按照时序组合为非小波动序列； 步骤3.4、选取小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、小波动序列所在历史时期中任意一时刻T之前Z小时内的数值天气预报特征中归一化的风速序列和小波动序列所在历史时期中任意一时刻T之前Z小时内的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的三个输入，以选取小波动序列所在历史时期中任意一时刻T的基准模型预测结果的整体误差作为CNN-LSTM时序模型1的输出，从而利用小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型1，并得到训练后的CNN-LSTM时序模型1； 步骤3.5、选取非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的模型泛化误差和非小波动序列所在历史时期中任意一时刻T′之前Z′小时内的气象预报误差作为CNN-LSTM时序模型2的三个输入，以选取非小波动序列所在历史时期中任意一时刻T′的气象预报误差作为CNN-LSTM时序模型2的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练CNN-LSTM时序模型2，并得到训练后的CNN-LSTM时序模型2； 步骤3.6、利用式6从非小波动序列所在历史时期的数值天气预报特征集合Vm×l中筛选出与非小波动序列所在历史时期的模型泛化误差y有强相关性的特征，： 式6中，rs为非小波动序列所在历史时期的数值天气预报特征集合Vm×l中第s个特征与非小波动序列所在历史时期的模型泛化误差y之间的Pearson相关系数，s＝1,…,l；表示非小波动序列所在历史时期的数值天气预报特征集合Vm×l中第s个特征Vs的平均值；表示非小波动序列所在历史时期的模型泛化误差y的平均值；m为非小波动序列所在历史时期中的样本个数；Vps表示非小波动序列所在历史时期的数值天气预报特征集合Vm×l中第s个特征的第p个样本值；yp表示非小波动序列所在历史时期的模型泛化误差y的第p个样本值； 步骤3.7、将Pearson相关系数的绝对值|rs|按照降序排序，选取其中前q个特征作为对泛化误差有强相关性的数值天气预报特征； 步骤3.8、选取非小波动序列所在历史时期中的数值天气预报特征经过所述基准模型后输出的风电功率预测值、非小波动序列所在历史时期中的气象预报误差和对泛化误差有强相关性的数值天气预报特征作为反向传播神经网络的三个输入，以选取非小波动序列所在历史时期中的模型泛化误差作为反向传播神经网络的输出，从而利用非小波动序列及其在样本集中对应的数值天气预报特征训练反向传播神经网络，并得到训练后的反向传播神经网络； 步骤四、当前待预测时段的数值天气预报特征Y′输入所述基准模型中，预测得到当前待预测时段的风电功率基准值； 步骤五、对当前待预测时段的风电功率基准值划分出波动序列，并匹配对应的校正模型，用于校正基准模型的预测误差： 步骤5.1、对当前待预测时段的风电功率基准值进行划分，得到当前待预测时段的波动序列，并从中提取当前待预测时段的小波动序列和非小波动序列； 步骤5.2、采用训练后的CNN-LSTM时序模型1滚动推移校正小波动序列： 步骤5.2.1、定义小波动序列的单次预测范围为[t1,tz]，定义变量tj∈[t1,tz]，j＝1,…,z； 步骤5.2.2、以tj时刻之前Z小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、tj时刻之前Z小时内的数值天气预报特征中归一化的风速序列和tj时刻之前Z小时内的基准模型预测结果的整体误差分别作为训练后的CNN-LSTM时序模型1的三个输入，从而推演输出tj时刻的基准模型预测结果的整体误差wj； 步骤5.2.3、将j+1赋值给j后，判断jz是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.3顺序执行，否则，返回步骤5.2.2顺序执行； 步骤5.3、采用训练后的CNN-LSTM时序模型2和反向传播神经网络交互校正非小波动序列： 步骤5.3.1、定义非小波动序列的单次预测范围为[t1,tn]，变量ti∈[t1,tn]，i＝1,…,n； 步骤5.3.2、以ti时刻之前Z′小时内的数值天气预报特征经过所述基准模型后输出的风电功率预测值、模型泛化误差和气象预报误差分别作为训练后的CNN-LSTM时序模型2的三个输入，从而推演输出ti时刻的气象预报误差wnwp_i； 步骤5.3.3、以ti时刻的数值天气预报特征经过所述基准模型后输出的风电功率预测值、ti时刻的气象预报误差wnwp_i和ti时刻对泛化误差有强相关性的数值天气预报特征作为训练后的反向传播神经网络的输入，从而输出ti时刻的模型泛化误差wm_i； 步骤5.3.4、将i+1赋值给i后，判断in是否成立，若成立，则表示完成单次预测范围内的误差校正，转到步骤5.4顺序执行，否则，返回步骤5.3.2顺序执行； 步骤5.4、将当前待预测时段的风电功率基准值与整体误差叠加作为小波动序列的基准功率校正结果；将当前待预测时段的风电功率基准值与气象预报误差和模型泛化误差叠加作为对于非小波动序列的基准功率校正结果； 步骤5.5、将小波动序列和非小波动序列的基准功率校正结果重新按照时序组合后作为最终风电出力。

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;国网浙江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”。