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！

龙图腾网获悉国网青海省电力公司海南供电公司;国网青海省电力公司申请的专利一种低温寒潮天气下的风电短期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：CN119765275B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202411747594.2，技术领域涉及：H02J3/00；该发明授权一种低温寒潮天气下的风电短期功率预测方法是由潘澍;柳毅;刘玮;郭瑛设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本一种低温寒潮天气下的风电短期功率预测方法在说明书摘要公布了：本发明公开了一种低温寒潮天气下的风电短期功率预测方法。在特征提取与选择阶段，收集风电场周边气象数据，计算特征相关值并筛选关键特征。随后采用支持向量机SVM模型与径向基函数RBF核建立气象与功率映射模型，经训练、验证及评估指标分析优化模型。针对低温寒潮天气，设定综合判定条件，依据预测误差自适应调整模型参数，提升模型适应性。同时，建立实时数据驱动的更新机制，实时采集数据并增量训练模型，评估性能后反馈调整，形成闭环优化系统。该方法有效提高了风电功率预测在低温寒潮天气下的准确性，增强了模型适应性与稳定性，为风电并网和电网调度提供有力支持，有助于提升风电运行效率，推动新能源发电领域的发展。

本发明授权一种低温寒潮天气下的风电短期功率预测方法在权利要求书中公布了：1.一种低温寒潮天气下的风电短期功率预测方法，其特征在于，包括以下步骤： S1.特征提取与选择，收集风电场周边的气象数据，气象数据包括温度、风速、风向；从气象数据中提取与风电功率输出相关的关键特征，筛选出对风电功率输出最有影响力的特征； S2.建立气象与功率映射模型，根据S1提取的特征建立气象与功率映射模型，气象与功率映射模型能够将气象特征的条件映射到风电功率输出，从而将气象特征转换为风电功率输出的预测结果； S3.模型的低温寒潮适应性调整，在S2建立的气象与功率映射模型基础上，根据实时气象数据的变化动态调整气象与功率映射模型参数； S4.实时数据驱动的模型更新，基于S1收集的数据以及S2建立的气象与功率映射模型建立实时数据驱动的模型更新机制，以便模型能够根据最新的气象数据和功率输出动态调整预测，通过实时更新机制，确保模型能够快速响应环境变化，保持预测的准确性； 所述S1包括： S11.数据收集，通过气象监测站，获取气象数据，气象数据温度、风速、风向、气压以及湿度信息，同时记录气象数据对应的风电功率输出数据； S12.特征计算： 计算温度变化率，采用滑动窗口法计算温度变化率，公式为： ； 其中，为当前时刻的温度变化率；是当前时刻的温度；是分钟前的温度；同时计算过去个时间间隔内温度变化率的滑动平均值： ； 计算风速变化趋势，计算风速的一阶差分，为当前风速，是在当前时刻之前时间间隔的风速值； 并计算过去个时间间隔内风速变化趋势的滑动平均值； ； 风向特征处理，将风向数据转换为笛卡尔坐标系下的向量分量，即和，计算风向向量的变化量和；其中，表示在时刻的风向向量在方向上的值，表示在时刻的风向向量在方向上的值，表示在时刻相对于前一个时刻风向向量在方向上的变化情况；表示在时刻的风向向量在方向上的值，表示在时刻的风向向量在方向上的值，表示在时刻相对于前一个时刻风向向量在方向上的变化情况； 气压变化特征，计算气压的一阶差分： ； 其中，为气压变化量，为当前时刻的气压，为时刻的气压； 湿度变化特征，计算湿度的一阶差分： ； 其中，为湿度变化量，为当前时刻的湿度，为时刻的气压； S13.初步筛选特征，计算每个特征与风电功率输出的简单线性相关系数，公式为： ； 是时刻的风电功率，是功率平均值，是气象特征值，是特征平均值，是样本数量；选择相关系数的绝对值大于阈值的特征为筛选结果； 所述建立气象与功率映射模型包括： S21.模型选择与架构设计，选择支持向量机SVM模型来建立气象与功率映射关系，采用径向基函数RBF核；模型的表达式为： ； 其中，是输入的气象特征向量，为是将多个相关的类型的特征值组合在一起形成的向量，以向量形式包含了多个对风电功率预测有意义的气象特征信息；是另一个样本向量，它与具有相同的结构，也包含多个气象特征值，用于表示另一个时刻或条件下的气象状态；是气象特征向量对应的风电功率输出，是符号函数，是拉格朗日乘子，是核函数，b为偏置；其中核函数的表达式为： ； 表示合核参数，的值越大，核函数的曲线越窄，意味着在特征空间中，只有距离非常近的样本点才会被认为是相似的；反之，越小，表示核函数的曲线越宽，较远的样本点也会对预测产生影响； 将训练数据按照的比例分为训练集和验证集，对于每一组参数组合，在训练集上训练模型，然后在验证集上计算均方误差，选择在验证集上均方误差最小的参数组合作为最终模型超参数； S22.模型训练与验证，使用训练集数据，对模型进行训练，其中，训练集数据包含选择的气象特征和对应的风电功率，训练目标是最小化结构风险，表达式为： ； S23.使用验证集数据评估模型性能，将训练数据按照的比例分为训练集和验证集，计算平均绝对误差MAE以及决定系数； 平均绝对误差公式为：； 决定系数公式为：； 其中，是验证集第个样本的真实功率，是对验证集第个样本的预测的功率；是验证集功率的平均值； S24.模型评估指标分析，对计算得到的评估指标进行分析，如果均方误差较大，说明模型预测值与真实值之间的平均误差平方较大；此时进一步检查数据分布、特征相关性；如果MAE较大，意味着模型预测的平均绝对误差较大，模型的准确性有待提高；而决定系数越接近1，表示模型对数据的拟合程度越好； S25.模型优化策略，根据评估指标分析结果，采取相应的优化策略，如果发现模型存在过拟合，通过增大惩罚参数、减少特征数量方式来解决；如果是欠拟合，则考虑增加训练数据量、降低正则化强度、调整核参数或增加特征维度； 最小化结构风险约束条件为：，其中是权重向量，是偏置，是松弛变量，是真实风电功率，是将输入样本映射到高维空间的函数，是惩罚参数。

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国网青海省电力公司海南供电公司;国网青海省电力公司，其通讯地址为：813000 青海省海南藏族自治州共和县恰卜恰镇健康南路6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。