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！

龙图腾网获悉济南大学申请的专利一种光伏输出功率预测方法及系统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：CN118889378B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202410905703.2，技术领域涉及：H02J3/00；该发明授权一种光伏输出功率预测方法及系统是由史洁;王玉明;刘宝勇;侯振;唐亮;高捷设计研发完成，并于2024-07-08向国家知识产权局提交的专利申请。

本一种光伏输出功率预测方法及系统在说明书摘要公布了：本发明公开了一种光伏输出功率预测方法及系统，属于光伏发电领域，包括对光伏发电的原始历史数据集进行时空处理，将处理后的原始历史数据集划分为训练集，验证集，预测集；使用贝叶斯优化器优化LSTM的超参数，得到BO‑LTSM模型，将训练集输入到BO‑LTSM模型中进行训练，使用预测集输入到训练好的BO‑LTSM模型中进行初步预测得到预测输出功率；使用时间相关模型和空间相关模型对预测输出功率进行修正，得到光伏功率短期预测模型；对光伏功率短期预测模型进行评估。本发明采用上述的一种光伏输出功率预测方法及系统，用于辅助新建的分布式电站做预测，或是在建立新电站之前通过提前预测新电站的光伏功率帮助评估新电站的可行性并且提高了光伏功率预测的准确性。

本发明授权一种光伏输出功率预测方法及系统在权利要求书中公布了：1.一种光伏输出功率预测方法，其特征在于，包括以下步骤： S1、对光伏发电的原始历史数据集进行时空处理，将处理后的原始历史数据集划分为训练集，验证集，预测集，其中验证集用于求预测误差ex,ey,ez； S2、使用贝叶斯优化器优化LSTM的超参数，得到BO-LTSM模型，将训练集输入到BO-LTSM模型中进行训练，使用预测集输入到训练好的BO-LTSM模型中进行初步预测得到预测输出功率； S3、根据参考值，使用时间相关模型和空间相关模型对预测输出功率进行修正，得到光伏功率短期预测模型； 使用时间相关模型和空间相关模型的修正过程如下： S31、利用目标光伏电站的历史数据及邻近电站的历史数据，确定历史数据与目标光伏电站的相关性； S32、使用CRITIC方法优化人工智能模型、时间相关模型，空间相关模型的最佳比例； S33、对光伏功率短期预测模型进行分析校正误差； 分析校正误差包括： 利用周期性和规律性进行分析校正，公式如下： Power＝AX+BY+CZ+e 式中，X,Y,Z分别是深度学习模型预测功率，时间相关模型计算功率， 空间相关模型计算功率，e为余项，其中e的公式为： e＝Aex+Bey+Cez 式中，ex,ey,ez分别是深度学习模型预测误差，时间相关模型计算误差，空间相关模型计算误差； 时间相关模型如下： 设预测日的日光伏发电量数据序列为ro,o,前第i年预测时刻前或后的第j天的日光伏发电量数据序列为ri,j,ro,o和ri,j之间的相关系数计算公式如下： 空间相关模型如下： 设预测日的日光伏发电量数据序列为ro,相邻的第i个分布式光伏电站在相同时刻下的日光伏发电量数据序列为ri,ro和ri之间的相关系数计算公式如下： S4、使用平均绝对误差、均方根误差和平均绝对百分比误差对光伏功率短期预测模型进行评估； 筛选出同时刻下的与目标分布式光伏电站相似的同一区域的分布式光伏电站：计算预测的分布式光伏电站预测日和历史日的相关系数，筛选出相关系数大于0.7的历史日作为时间相关功率的训练日；求出预测的分布式光伏电站与同一区域的分布式光伏电站的相关系数，筛选出相关系数大于0.7的分布式光伏电站作为空间相关功率的训练电站； 根据确定的应用周期尺度系数T和相似尺度系数L,利用历史数据集建立一个确定预测时刻光伏功率的参考矩阵R: 其中，T＝3；L＝2； 根据参考矩阵R,参考值Eref为矩阵R中所有元素的平均值： S32的具体步骤为： a、对选取的数据和指标进行标准化处理，按照时间排布选取n组数据和m个指标并进行无量纲处理； b、判断指标的评价强度，计算第j项指标下第i个数据占该指标的比重，计算第j项指标的相关系数； c、确定光伏功率短期预测模型的权重，计算第j项指标的差异系数以及计算每个指标的权重。

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济南大学，其通讯地址为：250024 山东省济南市南辛庄西路336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。