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！

龙图腾网获悉国网吉林省电力有限公司经济技术研究院申请的专利基于多模态数据的风电短期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：CN121417183B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202511986956.8，技术领域涉及：H02J3/00；该发明授权基于多模态数据的风电短期出力预测方法是由陈沛光;李博强;彭泽朴;王勇;楚云飞;肖骏达;高洪尧;董吉哲设计研发完成，并于2025-12-26向国家知识产权局提交的专利申请。

本基于多模态数据的风电短期出力预测方法在说明书摘要公布了：本发明涉及人工智能与电力系统预测技术领域，公开了基于多模态数据的风电短期出力预测方法，该方法包括：获取历史出力、数值天气预报、测风塔实测气象、地形地貌及风机运行状态等多模态数据；对出力序列进行滑动窗口切分并识别突变区间；基于动态时间规整算法计算各模态在突变区间的局部最优对齐路径；依此进行非均匀重采样，生成时间同步的多模态对齐特征序列；输入由门控循环单元与注意力机制构成的混合神经网络，输出未来15分钟的高精度出力预测值。该系统包括对应功能模块。本发明通过动态时间对齐与跨模态特征融合，显著提升风电短期预测精度，在突变场景下均方根误差降低23.7%，为电网调度提供可靠支撑。

本发明授权基于多模态数据的风电短期出力预测方法在权利要求书中公布了：1.基于多模态数据的风电短期出力预测方法，其特征在于，包括： 获取风电场的历史出力序列、数值天气预报数据、测风塔实测气象数据、地形地貌特征数据以及风机实时运行状态数据； 对所述历史出力序列进行滑动窗口切分，生成以预设时间步长为单位的出力时序片段； 对所述数值天气预报数据、测风塔实测气象数据、地形地貌特征数据以及风机实时运行状态数据分别进行原始采样频率下的时间戳标记，并依据所述出力时序片段的时间边界，构建各模态数据的原始时间索引集合； 基于各模态数据的原始时间索引集合与出力时序片段的时间边界，采用动态时间规整算法计算各模态数据在出力突变区间的局部最优对齐路径，包括： 针对每个被标记为突变区间的出力时序片段，提取前后各30秒的时间窗口作为对齐分析区间；将该对齐分析区间内出力序列的时间戳作为参考序列；将其他各模态数据在该对齐分析区间内的原始时间索引作为待对齐序列；定义距离度量函数为欧氏距离与时间偏移惩罚项的加权和，其中时间偏移惩罚项的权重系数为0.3；采用带约束的动态时间规整算法，在满足单调性、连续性及边界条件的前提下，计算参考序列与各待对齐序列之间的累积距离矩阵；回溯累积距离矩阵中的最小累积距离路径，得到各模态数据在该突变区间内的局部最优对齐路径； 依据所述局部最优对齐路径，对各模态数据进行非均匀重采样，生成与出力时序片段严格时间同步的多模态对齐特征序列，包括： 对于每个模态数据，沿局部最优对齐路径，确定在出力时序片段每个时间步上的映射源时间点；若映射源时间点恰好存在原始数据，则直接采用该原始数据；若映射源时间点位于两个原始数据点之间，则采用三次样条插值法计算该映射源时间点的特征值；将所有模态数据在出力时序片段每个时间步上的特征值拼接，形成维度为时间步数量乘以模态特征总维度的多模态对齐特征序列； 将所述多模态对齐特征序列输入至由门控循环单元与注意力机制构成的混合神经网络模型中，进行跨模态特征交互与时空依赖建模，输出未来预设时间窗口内的风电出力预测值； 所述混合神经网络模型，包括： 双向门控循环单元层，隐藏单元数量为256，用于对多模态对齐特征序列进行前向与后向的时序特征提取； 多头自注意力层，头数为8，每个头的维度为32，用于捕捉双向门控循环单元层输出序列内部不同时间步之间的长程依赖关系； 跨模态注意力层，查询向量来自出力历史特征，键向量与值向量来自其他模态特征，用于动态加权各模态信息对当前预测任务的贡献度； 全连接解码层，包含两层隐藏层，每层节点数分别为128和64，激活函数为修正线性单元，输出层节点数等于预测时间窗口的长度，激活函数为线性函数。

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国网吉林省电力有限公司经济技术研究院，其通讯地址为：130000 吉林省长春市南关区平泉路1427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。