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！

龙图腾网获悉广西大学申请的专利一种卷积注意力融合置信域强化迁移的风电出力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：CN115526399B 。

龙图腾网通过国家知识产权局官网在2026-01-30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：202211189803.7，技术领域涉及：G06Q10/04；该发明授权一种卷积注意力融合置信域强化迁移的风电出力预测方法是由殷林飞;赵明珊;胡立坤设计研发完成，并于2022-09-28向国家知识产权局提交的专利申请。

本一种卷积注意力融合置信域强化迁移的风电出力预测方法在说明书摘要公布了：本发明提出一种卷积注意力融合置信域强化迁移的风电出力预测方法，该卷积注意力融合置信域强化迁移的风电出力预测方法的步骤为：首先，进行数据预处理，将数据集分割为数据集1和数据集2；其次，使用数据集1训练基于缩放注意力机制和Inception模块的记忆卷积网络，并使用置信域策略优化方法对网络参数进行调优；最后，基于迁移操作，使用已训练完成的基于缩放注意力机制和Inception模块的记忆卷积网络根据数据集2对风电场出力进行预测。所述卷积注意力融合置信域强化迁移的风电出力预测方法能够完成对风电场出力数据的精确预测，提高能源利用率，减少碳排放。

本发明授权一种卷积注意力融合置信域强化迁移的风电出力预测方法在权利要求书中公布了：1.一种卷积注意力融合置信域强化迁移的风电出力预测方法，其特征在于，将强化学习、迁移学习和基于注意力机制的卷积网络进行结合，用于风电场出力的预测；在使用过程中的步骤为： 步骤1：输入风电场原始数据，包括风电场的原始出力数据、历史运行数据、场站基本数据、气象预测数据和气象实测数据； 步骤2：对所输入的风电场原始数据进行数据清洗，然后按比例进行随机分割，分割后的数据集分别记为数据集1与数据集2； 步骤3：输入基于缩放注意力机制和Inception模块的记忆卷积网络参数，包括权重和偏置；记循环编号，输入置信域策略优化方法的参数，包括初始策略参数和相对熵约束，策略参数为一集合： 1 步骤4：基于缩放注意力机制和Inception模块的记忆卷积网络使用数据集1进行训练，所述基于缩放注意力机制和Inception模块的记忆卷积网络中的数据处理流程为：首先将数据同时输入缩放注意力机制架构和InceptionV3模块进行处理，InceptionV3模块即为InceptionV3神经网络；然后两个处理结果同时依次输入门循环单元和全连接层进行处理，最后输出预测结果，其中全连接层对数据的处理过程为： 2 其中，为输入矩阵；为输出矩阵；为权重矩阵；为偏置向量； 所述缩放注意力机制的架构如下：由一个stem模块和一个Inception-A模块按顺序连接组成一个S-A结构，四个S-A结构同时接收输入基于缩放注意力机制和Inception模块的记忆卷积网络的数据，并进行处理；第一个S-A结构和第二个S-A结构的输出经过一次乘法运算和一个softmax处理后，与第三个S-A结构的输出一起进行乘法运算，并在经过一个卷积层的处理后，与第四个S-A结构的输出一同依次进入缩放处理层和全连接层进行处理； 在所述stem模块和Inception-A模块中涉及到卷积模块和阈值运算操作，其中，所述卷积模块包括一个卷积操作，一个批量归一化操作和一个阈值运算操作，所述批量归一化操作对数据的处理过程如式3和式4所示； 3 4 其中是一个常数；为输入的平均值；为输入元素的方差；代表当前层的第个维度，即第个神经元节点；为任意输入元素；为归一化后的对应元素；为编号；为偏移量；为因子；为进行处理后的对应元素； 所述阈值运算操作对数据的处理过程如式5所示； 5 其中，代表所述阈值运算操作的输入，代表所述阈值运算操作的输出； 所述softmax处理的过程为： 6 其中,分别为第个和第个输入元素；为的softmax值；为自然数e的次方；为输入元素总数；和均为编号； 所述缩放处理层的处理过程为： 7 其中为缩放因子；为偏置因子；为第个输入元素，为第个输出元素，为编号； 步骤5：计算所述基于缩放注意力机制和Inception模块的记忆卷积网络的预测值与真实值的均方根误差RMSE，判断均方根误差的值是否小于设定值，如满足条件，则认为所述基于缩放注意力机制和Inception模块的记忆卷积网络训练完成，进入步骤13；如不满足条件，则认为所述基于缩放注意力机制和Inception模块的记忆卷积网络尚未训练完成，进入步骤6； 步骤6：设置置信域策略方法的奖励R和状态s如式8和式9所示，动作代表是否使用置信域策略方法对权重和偏置进行更新；使用置信域策略方法对权重和偏置进行策略学习和参数调优，记寻优次数编号； 8 9 其中，，分别为第，，1次寻优中的策略参数；为2范数； 步骤7：在环境中执行策略，收集轨迹，其中为策略，为第次寻优中的策略，为具体轨迹，包括动作和状态，为时间步； 步骤8：计算当前奖励和优势函数 10 11 12 其中为动作价值函数，状态价值函数，和分别为时间步和时间步的动作，为时间步的状态，为时间步的奖励，为奖励折扣系数，为的指数，；表示从和开始，直到和，对求期望；表示从和开始，直到和，对求期望；和分别为时间步的状态与动作； 步骤9：计算策略梯度； 13 14 其中为时间步的状态；为梯度算子；表示以10为底的对数；表示在的情况下进行梯度算子的运算；为条件下的概率； 步骤10：使用共轭梯度计算步长约束； 15 其中是相对熵的黑森矩阵，黑森矩阵H的计算通式为： 16 其中f为任意多元函数，为f的自变量，为自变量个数； 步骤11：更新策略如式17和式18所示； 17 18 其中为修正后的步长；为的转置； 步骤12：判断是否满足约束条件，如不满足约束条件，令，根据式9更新状态，执行动作为“不使用置信域策略方法对权重和偏置进行更新”并返回至步骤7继续向后执行；如满足约束条件，则更新循环编号，策略参数，执行动作为“使用置信域策略方法对权重和偏置进行更新”并返回至步骤4继续向后执行； 步骤13：基于迁移操作，使用已训练好的基于缩放注意力机制和Inception模块的记忆卷积网络基于数据集2进行预测并输出预测结果，预测的具体步骤与步骤4中所述步骤相同。

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广西大学，其通讯地址为：530005 广西壮族自治区南宁市西乡塘区大学东路100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。