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！

龙图腾网获悉福州大学申请的专利基于LSTM和EBRB的光伏发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：CN119918728B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411974659.7，技术领域涉及：G06Q10/04；该发明授权基于LSTM和EBRB的光伏发电功率预测方法是由杨隆浩;朱卓妍;林嘉雁;傅柏艺;王荣耀;吴海东设计研发完成，并于2024-12-30向国家知识产权局提交的专利申请。

本基于LSTM和EBRB的光伏发电功率预测方法在说明书摘要公布了：本发明涉及一种基于LSTM和EBRB的光伏发电功率预测方法，属于光伏发电功率预测领域。所述方法，包括：步骤一，基于特征工程提取光伏发电功率影响因子；步骤二，基于LSTM构建预测模型；步骤三，基于EBRB构建推理模型；步骤四，构建基于LSTM和EBRB的Stacking集成模型；步骤五，将数据输入Stacking集成模型，得到光伏发电功率预测结果。本发明能有效提高光伏发电功率预测精度，保证电网运行的稳定性。本发明将LSTM与EBRB相结合，构建基于LSTM和EBRB的Stacking集成模型，有效提高了模型的可解释性和预测准确性，该研究为LSTM和EBRB在光伏发电功率预测领域的进一步应用与发展提供了支持。

本发明授权基于LSTM和EBRB的光伏发电功率预测方法在权利要求书中公布了：1.一种基于LSTM和EBRB的光伏发电功率预测方法，其特征在于，包括 步骤一、基于特征工程提取光伏发电功率影响因子：采用极端梯度提升算法提取影响光伏发电功率的关键因素，构造具有高相关性和代表性的关键特征集合； 步骤二、基于LSTM构建预测模型：使用提取的关键特征，训练LSTM模型以捕捉光伏发电功率时间序列中的非线性和长期依赖关系； 步骤三、基于EBRB构建推理模型：根据提取的关键特征及其分布构建EBRB模型，评估数据的不确定性和复杂性，生成可靠的预测输出； 步骤四、构建基于LSTM和EBRB的Stacking集成模型：将已构建的LSTM模型和EBRB模型作为基学习器，将线性回归模型作为元学习器，再组合基学习器的输出训练元学习器； 步骤五、将数据输入Stacking集成模型，得到光伏发电功率预测结果； 步骤二中，训练LSTM模型以捕捉光伏发电功率时间序列中的非线性和长期依赖关系，即：在LSTM模型的构建过程中，首先设置匹配训练数据形状的输入层，添加LSTM层捕捉光伏发电数据的长期依赖关系，并通过Dropout层减少过拟合，最后使用全连接层作为输出层预测目标变量，同时配置Adam优化器和均方误差损失函数编译模型； 步骤四具体实现如下： 1数据划分 将时间序列数据划分为训练集和测试集，按照时间顺序进行；设T为总的时间段数，Ttrain为训练集的时间段数，Ttest为测试集的时间段数，则训练集和测试集分别表示为： Dtrain＝{X1,X2,...,XT_train} Dtest＝{XT_train+1,XT_train+2,...,XT} 2基学习器训练 对每个基学习器Mi在训练集上进行训练；设Mi为第i个基学习器，θi为其参数；训练过程表示为： 其中L是损失函数，Xt是训练集中时间t的数据，Yt是时间t的真实标签； 3交叉验证预测 对于每个基学习器Mi，使用时间序列交叉验证，将Dtrain划分为K个折，Dtraink为第k折；对于每个折k，划分训练集和验证集，其中验证集数据量为原训练集的10％；使用Dtraink的训练集训练Mi，并在Dtraink的验证集上进行预测，得到K个预测结果，记为Y’tk； 4组合学习器训练 使用基学习器在验证集上的预测值作为输入特征来训练组合学习器；设Y’ti为第i个基学习器在时间t的预测值，则新的特征向量Zt＝[Y’t1,Y’t2,...,Y’tN]，其中N是基学习器的数量；组合学习器Mcomb的参数θcomb通过以下方式训练： 使用组合学习器Mcomb在测试集上进行预测，得到Y’test。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。