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！

龙图腾网获悉天津大学申请的专利一种光伏功率短期概率预测系统及其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：CN119005750B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411082717.5，技术领域涉及：G06Q10/0637；该发明授权一种光伏功率短期概率预测系统及其方法是由刘一欣;郭力;朱文志;李彦榕设计研发完成，并于2024-08-08向国家知识产权局提交的专利申请。

本一种光伏功率短期概率预测系统及其方法在说明书摘要公布了：本发明公开一种光伏功率短期概率预测系统及其方法，包括：卷积神经网络、时序网络和概率密度估计模块；所述时序网络由自组织映射神经网络、时序编码器和时序解码器构成；所述时序编码器和时序解码器均由自相关机制单元、时序分解单元和前馈层交替连接构成；所述时序解码器由上分支子层和下分支处子层构成；所述卷积神经网络对气象因素筛选获得气象特征与光功率之间的高维映射关系；所述时序网络对光功率时序序列进行渐进式分解与自相关性提取获得光功率序列周期性与趋势性特征；所述概率密度估计模块将高维映射关系与光功率序列周期性、趋势性特征优化结合获得光功率概率分布参数输出；本发明综合数值天气预报信息与气象台发布的天气类型预报，实现光功率概率预测，从而有效降低了单一气象源误报风险。

本发明授权一种光伏功率短期概率预测系统及其方法在权利要求书中公布了：1.一种光伏功率短期概率预测系统，其特征在于，所述预测系统包括：卷积神经网络、时序网络和概率密度估计模块；所述时序网络由自组织映射神经网络、时序编码器和时序解码器构成；所述时序编码器和时序解码器均由自相关机制单元、时序分解单元和前馈层交替连接构成；所述时序解码器由上分支子层和下分支子层构成；其中： 所述卷积神经网络对气象因素筛选获得气象特征与光功率之间的高维映射关系； 所述时序网络对光功率时序序列进行渐进式分解与自相关性提取获得光功率序列周期性与趋势性特征；其中： 通过离散光功率时间序列{Xt}按照如下公式建立时序依赖关系: 其中，L表示序列长度，自相关系数Rxxτ表示序列{Xt}与它的τ延迟{Xt‑τ}之间的相似性，计算完成后，挑选最有可能的前k个时间序列τ1，τ2,...,τk；其中： 通过离散光功率时间序列{Xt}按照如下公式对时序依赖关系进行傅里叶变换进行高效求解： 其中，Sxxf表示频域上的自相关系数，和分别表示快速傅里叶变换及其逆变换，表示在频域计算中的共轭部分；τ∈{1,2,...,L}； 通过时序依赖关系按照如下公式建立时延信息聚合关系： 其中,argTopK·旨在获取前k个自相关的参数集；c是一个超参数；RQ,K是查询Q和键K在经过softmax操作后的自相关结果；RollX,τ表示X具有时延τ的计算过程，Auto‑Correlation表示自相关系数计算过程； 所述自组织映射神经网络对天气预报类型进行聚类得到广义天气类型，并作为光功率日序列的离散特征在时序编码器中进行编码；包括： 对历史光功率日序列进行小波变换，得到表征变化趋势的近似信号作为该日晴空序列u，以及表征随机波动的细节信号作为波动序列v；在此基础上，得到光功率序列的幅值与波动特征： 光功率幅值大小采用晴空序列u的平均值来衡量，计算如下： 式中，ui为u的第i个采样值；n1和n2分别为采样起始时刻和结束时刻； 光功率波动幅度采用波动序列v的一阶差分指标△f表示: 式中，vi为v第i个采样值； 光功率波动频率需要对波动序列v进行快速傅里叶变换确定其中心频率；以光功率日序列幅值特征与波动特征作为输入变量，基于SOM神经网络聚类算法进行逐步二分，得到D类广义天气类型，D的数目由戴维森堡丁指数确定； 统计历史天气预报类型下光功率日序列分类情况，以出现频率最高的广义天气类型对应原天气预报类型，实现天气预报类型的削减与归类； 采用one‑hot编码方式在时序编码器中将广义天气类型编码为光功率日序列的离散特征； 所述时序编码器将光功率日序列进行交替分解获得周期性信息；包括： 所述时序编码器由N个编码层构成，其中：第l个编码器层的整体方程可以表示为： 所述时序编码器通过按照如下公式逐步消除趋势分量，编码器模块的输入是长度为Lseq的光功率时序序列得到周期分量所述时序解码器由M个解码层构成，其中：第l个解码器层的整体方程可以表示为： 所述上分支子层按照如下公式进行交替分解获得周期分量； 式中，表示第l层解码器的输出，分别表示第l层第i个序列分解单元输出的周期分量与趋势分量，SeriesDecomp表示时序分解模块，FeedForward表示前馈模块； 所述下分支子层基于上分支子层的输出采用带权加法得到趋势分量式中，wl,i,i∈{1,2,3}表示第i次提取的趋势分量的投影； 所述概率密度估计模块将高维映射关系与光功率序列周期性、趋势性特征优化结合获得光功率概率分布参数输出；包括： 根据高维映射关系与光功率序列周期性、趋势性特征优化结合，观测数据为x，按照如下公式构造高斯分布参数极大似然函数： 式中，μ和σ分别表示高斯分布期望值与标准差，n表示样本数量，arg max表示极大似然估计，Xi表示第i个样本； 根据极大似然函数按照如下公式获得光功率概率分布参数： 其中：p为训练数据中的输出功率数据，和为概率密度估计层输出的估计参数。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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。