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！

龙图腾网获悉湖北工业大学申请的专利一种基于图嵌入和GIN-GRU的多风电场多特征的风速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：CN118483770B 。

龙图腾网通过国家知识产权局官网在2025-11-18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：202410739214.4，技术领域涉及：G01W1/10；该发明授权一种基于图嵌入和GIN-GRU的多风电场多特征的风速预测方法是由黄周;邬宏顺;付波设计研发完成，并于2024-06-07向国家知识产权局提交的专利申请。

本一种基于图嵌入和GIN-GRU的多风电场多特征的风速预测方法在说明书摘要公布了：本发明涉及风速预测技术领域，且公开了一种基于图嵌入和GIN‑GRU的多风电场多特征的风速预测方法，首先在空间层面上，通过图嵌入和马氏距离提取某一时刻风电场内的整体风速特征搭建网络图，然后将网络图输入GIN，以时间步长逐次输入多个图，并利用空间卷积层来聚合节点的邻居信息，最后将GIN的输出输入到GRU，聚合当前时刻和历史时刻的信息，每个节点的表示都融合当前以及历史时刻的相邻信息，GRU的输出就是集合了风机间的相互关系的时间序列预测结果，本发明利用了图嵌入和GIN‑GRU的结合优势，能够更全面地理解和预测多风电场环境下的风速变化，为风电场的管理和电网的调度提供了一种更为精确和高效的工具。

本发明授权一种基于图嵌入和GIN-GRU的多风电场多特征的风速预测方法在权利要求书中公布了：1.一种基于图嵌入和GIN-GRU的多风电场多特征的风速预测方法，其特征在于，包括以下两个内容： S1、搭建网络图；S2、以网络图为基础构建基于图GIN和GRU的时空预测模型； 其中S1包括以下步骤： S1.1.1、基于随机森林的主特征和次要特征提取； S1.1.2、基于PCA的次要特征降维； S1.1.3、将主特征和降维后的次要特征进行拼接作为搭建网络图的数据集； S1.2.1、利用S1.1.3中所述数据集搭建原始网络图； S1.2.2、采用基于GraphSAGE的深度学习方法进行图嵌入； S1.2.3、再基于马氏距离的节点嵌入向量表达，并建立新的网络图； S2包括以下步骤： S2.1、基于网络图构建GIN的框架； S2.2、以GIN的输出作为循环神经网络GRU的输入代入循环神经网络GRU中； S2.3、循环神经网络GRU的输出即为风机间的相互关系的时间序列预测结果； 所述S1.1.1、基于随机森林的主特征和次要特征提取包括以下步骤： 使用基尼重要性对随机森林的主特征进行提取，计算基尼重要性首先是通过Bootstrap抽样的训练集上训练得到的每棵决策树构成随机森林；其次在每棵树的构建过程中，从所有特征中随机选择由交叉验证得到的特征子集根据Gini指数最小原则来找到最佳分支特征优化模型性能；最终由未抽样的数据进行无偏估计，运用Gini指数计算各特征重要性，按照从大到小的顺序进行特征排序筛选出主要特征和次要特征； 所述S1.1.2、基于PCA的次要特征降维包括以下步骤： 根据协方差矩阵计算特征值和特征向量，再将次要特征的对应矩阵进行降维处理就可以得到次要特征中能够对风速变化带来显著影响的特征气象要素； 所述S2.1、基于网络图构建GIN的框架包括以下步骤： 首先利用GIN的聚合，为了确保不同的输入能够被映射到不同的输出，在建模时内射，使用加和作为聚合函数，通过多层感知机可以模拟函数的组合，用以下方法更新GIN的节点表示： 13 式中：是节点v在第层的特征表示，是v的邻居节点集合，是在第层学习的一个可训练参数，它允许模型自适应地调整中心节点特征与邻居特征的重要性； 其次采用GIN的读出，将新的网络图中所有节点的特征向量聚合成一个单一的图级别的特征向量，以便进行图分类或其他图级别的任务，采用CONCAT的方式每轮迭代的节点特征求和作为该轮的图特征，再拼接起每轮迭代的图特征作为最终图特征： 14 这里，是新的网络图的表示，是节点v在第k层的特征表示，G是图中所有节点的集合； 所述S2.2、以GIN的输出作为循环神经网络GRU的输入代入循环神经网络GRU中包括以下步骤： S2.2.1、计算更新门和重置门的值，更新门用于控制上一时刻的隐藏状态有多少保留到当前时刻，重置门用于控制上一时刻的隐藏状态有多少参与到当前时刻的计算，这一步的公式是： 15 其中，和分别是更新门和重置门的值，是sigmoid激活函数用来方便计算梯度和反向传播，和是权重矩阵，和是偏置向量，是上一时刻的隐藏状态，是当前时刻的输入； S2.2.2、计算候选隐藏状态，即当前时刻的输入和重置后的上一时刻的隐藏状态经过一个tanh激活函数的输出，这一步的公式是： 16 其中，是候选隐藏状态，是权重矩阵，是偏置向量，是逐元素相乘的操作； S2.2.3、计算当前时刻的隐藏状态，即上一时刻的隐藏状态和候选隐藏状态的加权平均，权重由更新门决定，这一步的公式是： 17 其中，是当前时刻的隐藏状态，是更新门的值，是候选隐藏状态。

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湖北工业大学，其通讯地址为：430070 湖北省武汉市洪山区南李路28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。