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！

龙图腾网获悉河北工业大学申请的专利基于自适应小波分解和改进Transformer的时空风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：CN119853015B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202510058809.8，技术领域涉及：H02J3/00；该发明授权基于自适应小波分解和改进Transformer的时空风电功率预测方法是由顾军华;崔雨桐;张亚娟;蒋家海;郭丁玮;于继伟设计研发完成，并于2025-01-15向国家知识产权局提交的专利申请。

本基于自适应小波分解和改进Transformer的时空风电功率预测方法在说明书摘要公布了：本发明属于风电功率预测技术领域，具体是一种基于自适应小波分解和改进Transformer的时空风电功率预测方法。首先，获取目标风电场历史时期的风电功率序列以及影响风电功率的特征序列并进行预处理，计算各个特征序列与风电功率序列的相关性，保留与风电功率相关性高的特征序列，并对风电功率序列和保留的特征序列进行归一化处理；然后，提取风电功率序列和各个特征序列的频域特征；风电功率序列和各个特征序列的频域特征组成一个特征并对该特征进行周期性嵌入和空间嵌入，得到模型输入特征；最后，基于Transformer网络构建风电功率预测模型，包括U‑Net网络、逆傅里叶变换和预测层；将输入特征输入到U‑Net网络中进行特征提取，U‑Net网络的输出特征经过逆傅里叶变换后，再经过预测层，得到风电功率预测值。该方法解决了风电功率数据面临的高噪声、高波动性和非平稳性等问题，提高了预测精度。

本发明授权基于自适应小波分解和改进Transformer的时空风电功率预测方法在权利要求书中公布了：1.一种基于自适应小波分解和改进Transformer的时空风电功率预测方法，其特征在于，该方法包括以下步骤： 第一步：获取目标风电场历史时期的风电功率序列以及影响风电功率的特征序列并进行预处理，计算各个特征序列与风电功率序列的相关性，保留与风电功率相关性高的特征序列，并对风电功率序列和保留的特征序列进行归一化处理； 第二步：提取风电功率序列和各个特征序列的频域特征； 使用自适应多级小波分解算法对风电功率序列进行逐级分解，得到多个高频分量和一个低频分量；分解过程表示为： A0＝Xorigin3 式中，Dk、Ak是第k级分解得到的高频分量和低频分量，Ak-1是第k-1级分解得到的低频分量，A0是初始低频分量，Xorigin是风电功率序列，σ·表示sigmoid激活函数，是第k级的低通滤波器的可学习权重矩阵和偏置，是第k级的高通滤波器的可学习权重矩阵和偏置，ε表示可学习参数，l1,l2,...,lc是低通滤波器的系数，h1,h2,...,hc是高通滤波器的系数，c是系数个数； 各个高频分量和低频分量经过频域归一化模块，得到频域归一化的高频分量和低频分量；将所有频域归一化的高频分量和低频分量在特征维度上进行级联，得到风电功率序列的频域特征； 同理，得到各个特征序列的频域特征； 第三步：风电功率序列和各个特征序列的频域特征组成特征X，对特征X进行周期性嵌入和空间嵌入，得到特征Xin； 第四步：基于Transformer网络构建风电功率预测模型，包括U-Net网络、逆傅里叶变换和预测层；将特征Xin输入到U-Net网络中进行特征提取，U-Net网络的输出特征经过逆傅里叶变换后，再经过预测层，得到风电功率预测值； 所述U-Net网络包括多个时空编码器层和时空解码器层，各个时空编码器层与对应的时空解码器层进行跳跃连接；时空编码器层和时空解码器层均包括时空注意力块、层归一化和前馈神经网络，输入特征经过时空注意力块后与自身进行残差连接，残差连接得到的特征经过层归一化后作为前馈神经网络的输入特征，前馈神经网络的输入特征与输出特征进行残差连接后再经过层归一化，得到时空编码器层或时空解码器层的输出特征； 第五步：对风电功率预测模型进行训练，通过反向传播对风电功率预测模型、高通滤波器和低通滤波器的参数进行更新，得到训练后的风电功率预测模型，将训练后的风电功率预测模型用于风电功率的预测。

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河北工业大学，其通讯地址为：300130 天津市红桥区丁字沽光荣道8号河北工业大学东院；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。