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！

龙图腾网获悉山东大学;国网江苏省电力有限公司电力科学研究院申请的专利一种台区分布式光伏功率超短期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：CN120806264B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510971656.6，技术领域涉及：G06Q10/04；该发明授权一种台区分布式光伏功率超短期预测方法及系统是由杨明;杨宝龙;卜强生;于一潇;李梦林;叶志刚;王传琦;庄舒仪;罗飞设计研发完成，并于2025-07-15向国家知识产权局提交的专利申请。

本一种台区分布式光伏功率超短期预测方法及系统在说明书摘要公布了：本发明涉及一种台区分布式光伏功率超短期预测方法及系统，属于分布式光伏功率预测技术领域。基于凝聚层次聚类算法，将区域内的台区光伏聚类成出力特性同质化的子区域集合，结合GraphSAGE图神经网络和Transformer编码器模型，实现子区域内时空特征的解耦表征，基于复合时空特征最后同步输出子区域各个台区的光伏功率预测结果，进一步基于子区域间的共享特征构建合适的迁移建模策略，实现各子区域预测模型的快速轻量化建模，最终通过子区域预测功率的空间聚合得到区域总功率预测结果。

本发明授权一种台区分布式光伏功率超短期预测方法及系统在权利要求书中公布了：1.一种台区分布式光伏功率超短期预测方法，其特征在于，步骤如下： 1收集待预测区域内所有台区的历史量测功率数据和每个台区对应位置的气象数据，并进行数据处理； 2利用台区的历史量测功率数据计算动态时间规整距离，作为评价台区出力之间的相似性度量指标，采用凝聚层次聚类算法将区域内的台区光伏划分成出力一致的子区域； 3构建Transformer与GraphSAGE协同架构，实现时空特征解耦与张量融合，利用Transformer自注意力捕捉时变特征，通过GraphSAGE邻域聚合建模空间超短期气象关联，采用BiLSTM模型拟合复合时空特征，同步输出子区域各个台区的光伏功率预测结果，避免对每个台区重复建模； 具体步骤如下： 31基于各台区的历史个时间步的功率数据，采用Transformer编码器模块提取光伏出力的时序特征，Transformer编码器通过多层堆叠结构，结合位置编码与自注意力机制，有效捕捉光伏出力序列中复杂的时序特征，包括昼夜周期性波动和季节性趋势变化； 32基于各台区的预测个时间步的气象数据，采用GraphSage网络提取各台区气象的空间相关特征，将子区域内每个台区抽象为图结构中的节点，以气象要素相似度作为节点连接权重，通过邻域采样与信息聚合操作，动态学习各台区在气象影响下的空间关联特征，通过多次迭代优化，GraphSage网络输出每个台区的空间特征向量； 33将Transformer编码器提取的时序特征与GraphSage网络生成的空间特征进行张量拼接，形成包含时空耦合信息的联合特征向量； 34基于提取的时空聚合特征，采用BiLSTM模型拟合聚合特征和功率之间的映射关系，同步输出子区域内所有台区的光伏功率； 4基于子区域间的共享特征构建合适的迁移建模策略，冻结时空特征提取骨干网络参数，仅对区域特异性连接层进行轻量化适配操作，实现各个子区域快速低成本建模，最后获得通过累加各子区域功率求得区域总功率； 在源区域数据S上联合训练时空特征提取模块，优化目标为最小化预测损失函数： 13 14 其中，为完整模型预测函数，为历史功率与气象数据构成的输入，为真实功率输出；BiLSTM模型拟合时空聚合特征后，通过全连接层映射至预测空间，表示在源区域训练数据S上，对所有样本的预测值与真实值y的差值平方取平均，即均方误差的期望形式； 冻结Transformer编码器与GraphSAGE模型的核心参数θ、θ，保留通用特征提取能力： 15 16 构建轻量化骨干网络，仅保留BiLSTM与全连接层的可微调参数： 17 在目标子区域数据上，仅对BiLSTM参数与全连接层参数进行局部微调，优化目标为最小化子区域特定损失函数： 18 通过迭代更新和，模型自适应不同子区域的电网拓扑与气象差异，在保持轻量化架构的同时实现跨区域快速建模，则对应第个子区域数据上的平均损失，确保模型在适配新区域时聚焦于该区域的样本特性。

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山东大学;国网江苏省电力有限公司电力科学研究院，其通讯地址为：250061 山东省济南市历下区经十路17923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。