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！

龙图腾网获悉三峡大学申请的专利计及随机森林和改进高斯过程风电机组功率曲线建模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：CN118798027B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202410779489.0，技术领域涉及：G06F30/27；该发明授权计及随机森林和改进高斯过程风电机组功率曲线建模方法是由缪书唯;许灿设计研发完成，并于2024-06-17向国家知识产权局提交的专利申请。

本计及随机森林和改进高斯过程风电机组功率曲线建模方法在说明书摘要公布了：本发明公开一种计及随机森林和改进高斯过程风电机组功率曲线建模方法，它包括如下步骤：S1：应用随机森林算法从n个可能影响风电机组功率的变量中筛选出m个对功率有显著影响的变量；S2：将m个对功率有显著影响的变量输入到改进的高斯过程中；S3：应用四种预测优度指标：MAPE、RMSE、1‑R2、和MAE评估风电机组功率曲线模型的预测效果；S4：应用熵权法为上述四类指标分配不同权重，从而得到综合指标；本发明克服以往研究中的主观性问题，通过将变量选择过程与改进高斯过程相结合，提高了高斯过程模型的预测效率，应用熵权法得到综合指标，全面评估模型性能。

本发明授权计及随机森林和改进高斯过程风电机组功率曲线建模方法在权利要求书中公布了：1.一种计及随机森林和改进高斯过程风电机组功率曲线建模方法，其特征在于：它包括如下步骤： S1：应用随机森林算法从n个可能影响风电机组功率的变量中筛选出m个对功率有显著影响的变量； S2：将m个对功率有显著影响的变量输入到改进的高斯过程中； S3：应用四种预测优度指标：MAPE、RMSE、1-R2、和MAE评估风电机组功率曲线模型的预测效果； S4：应用熵权法为上述四类预测优度指标分配不同权重，从而得到综合指标； 所述S2具体包括： S21：将筛选出的m个变量输入到改进的高斯过程中； S22：选择LDL分解进行对称正定矩阵的计算； 所述S21中改进的高斯过程为： 高斯过程Gaussionprocess,GP特性由均值函数mx和协方差函数kx,x′决定，其对应公式如下所示： mx＝E[fx] kx,x′＝E[fx-mxfx′-mx′] 式中：x,x′∈Rd为任意随机变量，R表示实数集，d表示维度，Rd表示d维实数空间； 因此，高斯过程可定义为fx～GPmx,kx,x′，这里mx通常为假设为0； 假设观测目标y中含有噪声，该噪声被表示为ε，则观测目标y与函数输出值fx之间的关系为： y＝fx+ε 式中：x为输入向量，ε是均值为0，方差为的正态随机变量，可记作 当输入x为一个矩阵即X，函数fX的任意有限集合的函数fX＝[fx1,fx2,...,fxn]服从多元高斯分布，即fX～N0,KX,X,其中KX,X是由协方差函数计算得到的协方差矩阵； 因此观测值y的先验分布是： 以及观测值y和观测值fX*的联合先验分布为： 式中：KX,X为协方差函数k在训练集X上的所有成对组合xi,xj之间的评估结果所形成的B×B维协方差矩阵；KX,X*＝KX*,XΤ为测试数据X与训练数据X*之间的B×B*阶协方差矩阵；I为B×B维单位矩阵，KX*,X*为测试点X*自身的B*×B*维协方差矩阵； 由此，可以计算出预测值fX*，表示为f*，其后验分布为： 其中： 式中：和Σ*分别为测试样本X*对应预测值f*的预测均值和预测方差； 所述S22具体过程为： 应用LDL分解，矩阵的逆可以计算为： K-1＝LT-1D-1L-1 式中：L是一个下三角矩阵，其对角线上的元素全部为1；K是对称正定矩阵；D是一个对角矩阵，包含所有的对角元素；LT是L的转置矩阵，是一个上三角矩阵。

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三峡大学，其通讯地址为：443002 湖北省宜昌市大学路8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。