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！

龙图腾网获悉浙江工业大学申请的专利一种考虑源荷不确定性的微电网动态区间优化调度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：CN119050987B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202411011530.6，技术领域涉及：H02J3/00；该发明授权一种考虑源荷不确定性的微电网动态区间优化调度方法是由欧阳静;秦龙;段巧宁;孙庆;史冰颂设计研发完成，并于2024-07-26向国家知识产权局提交的专利申请。

本一种考虑源荷不确定性的微电网动态区间优化调度方法在说明书摘要公布了：本发明属于微电网优化调度领域，公开了一种考虑源荷不确定性的微电网动态区间优化调度方法，包括：步骤1，光伏功率预测；步骤2，光伏功率动态区间预测；步骤3，电力负荷预测；步骤4，负荷动态区间预测；步骤5，考虑源荷不确定性的微电网的动态区间优化调度，首先建立考虑源荷不确定性的微电网动态区间优化调度模型，进一步建立微电网动态区间优化调度模型的目标函数和约束条件，求解得到微电网的优化调度结果。本发明使用ConvLSTM‑Attention‑LSTM融合预测模型进行光伏功率预测，模型能够更准确地捕捉到时间序列数据中的空间和时间依赖性，从而提高预测的准确性。

本发明授权一种考虑源荷不确定性的微电网动态区间优化调度方法在权利要求书中公布了：1.一种考虑源荷不确定性的微电网动态区间优化调度方法，其特征在于，所述方法包括以下步骤： 步骤1，光伏功率预测，首先对原始光伏功率数据进行数据处理和Spearman相关系数特征筛选，将光伏数据集划分为光伏训练集、光伏测试集，然后利用ConvLSTM-Attention-LSTM融合预测模型进行训练预测； 步骤2，光伏功率动态区间预测，首先通过光伏功率爬坡聚类模型，将光伏测试集预测结果分为多种天气类型，进一步基于ShapeDTW算法的动态区间预测方法计算出区间范围得到动态区间预测结果，具体包括： 步骤2.1，通过光伏功率爬坡聚类模型，将光伏测试集预测结果聚类得到n种天气类型； 步骤2.2，通过ShapeDTW算法从光伏测试集预测结果中选取未来预测结果的k个相似日，计算相似日的预测误差，将预测误差求最大绝对值得到区间范围，最后将区间范围叠加在预测结果上，得到最后的区间预测结果； 所述光伏功率爬坡聚类模型利用改进的优化功率爬坡计算公式实现，公式如下： 1 2 3 式中，t——爬坡检测时刻；Pt——t时刻功率；Pt’——可能爬坡点；△Pt+i——t+i与t时刻功率差值；Pε——爬坡阈值；Pd——光伏装机容量，η——爬坡阈值占装机容量百分比； 改进的功率爬坡计算公式通过遍历功率数据点，进行爬坡起始点和连续爬坡的判断；设定爬坡阈值用以过滤功率常规日趋势点，设置爬坡时间阈值来选取非常规功率波动，从而识别有效爬坡事件； 基于所述改进的功率爬坡计算公式，功率爬坡检测流程如下： S100，首先从第1个点开始遍历每一个功率数据，利用公式1判断是否为可能的功率爬坡点； S101，然后利用公式2判断是否为真正的爬坡点； S102，进一步判断爬坡持续的时间，通过在后续数据点Pt+i中，判断是否存在|△Pt+i|＞Pε的爬坡点，i=1,…,τ，当i＜τ时，得到爬坡值△P=△Pt+i，△P＞0时为上爬坡点，△P＜0时为下爬坡点；τ为指定的时间阈值，当i＞τ时，停止当前时刻的判断；持续爬坡区间t～t+1后面的点的爬坡判断，存在则连同爬坡区间构成连续爬坡点； S103，持续其他点的判断，直到遍历完所有的点，最后记录爬坡点的爬坡值、爬坡时间、爬坡次数； 利用改进的功率爬坡计算公式，构建光伏爬坡特征并进行计算统计，光伏爬坡特征包括光伏功率爬坡值、爬坡持续的时间、爬坡次数，光伏功率爬坡聚类模型使用这些光伏爬坡特征将每一天的数据按照天气类型划分为晴天、少云、多云和阴雨4个类别； 光伏功率爬坡聚类模型的工作流程如下： S200，基于光伏功率爬坡聚类模型，首先获取经过光伏功率爬坡检测的数据，以天为单位统计每日的爬坡次数和每日的平均功率； S201，然后通过每日平均功率初步判断天气类型，如果每日平均功率小于阈值Pmean，则直接判断为阴雨天；如果每日平均功率大于或等于阈值Pmean，爬坡次数为0时为晴天；爬坡次数在0,N1]则为少云天气类型；爬坡次数在N1,N2]则为多云天气类型；爬坡次数大于N2时则为阴雨天天气类型；持续其他天的判断，直到遍历完所有的天，最后记录聚类结果，完成光伏功率爬坡聚类检测流程； 步骤3，电力负荷预测，首先对原始负荷数据进行数据预处理和Spearman相关系数特征筛选，然后采用CEEMDAN序列分解模型对负荷特征进行分解，将分解后的序列和筛选后的数据共同构成训练数据，并将负荷数据集划分为负荷训练集、负荷测试集和负荷验证集，最后使用FEDformer模型进行模型训练预测； 步骤4，负荷动态区间预测，首先利用Kmeans聚类模型将负荷测试集预测结果分为多种类别，进一步利用动态区间计算公式计算多种类别的动态预测误差，将动态预测误差叠加在点预测结果上，得到最后的光伏和负荷区间预测结果； 步骤5，考虑源荷不确定性的微电网的动态区间优化调度，首先建立考虑源荷不确定性的微电网动态区间优化调度模型，进一步建立微电网动态区间优化调度模型的目标函数和约束条件，求解得到微电网的优化调度结果。

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浙江工业大学，其通讯地址为：310006 浙江省杭州市拱墅区朝晖六区潮王路18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。