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！

龙图腾网获悉中国电建集团贵阳勘测设计研究院有限公司;华中科技大学申请的专利一种基于二十四节气自适应模态分解框架的超短期风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：CN121688880B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202610203727.2，技术领域涉及：H02J3/00；该发明授权一种基于二十四节气自适应模态分解框架的超短期风功率预测方法是由赵江艳;尹磊;陈璐;赵乔;周清平;冷致远;邹东景;刘凡骞设计研发完成，并于2026-02-12向国家知识产权局提交的专利申请。

本一种基于二十四节气自适应模态分解框架的超短期风功率预测方法在说明书摘要公布了：一种基于二十四节气自适应模态分解框架的超短期风功率预测方法，属于风力发电风功率预测领域，步骤包括：风电场历史风功率数据按照节气拆分为子集；对每个子集，设计样本熵差异适配度函数，通过粒子群算法对完全自适应噪声集合经验模态分解关键参数进行寻优，优化后对子集进行分解，得到反映不同频率特征的本征模态分量；筛选与风功率高度相关的气象变量；以筛选后的气象变量与本征模态分量为输入，构建神经网络模型，用于超短期风功率预测。本公开利用不同节气风资源特征的差异性，通过模态分解参数的动态寻优，融合关键气象特征，能够有效提升超短期风功率预测精度。

本发明授权一种基于二十四节气自适应模态分解框架的超短期风功率预测方法在权利要求书中公布了：1.一种基于二十四节气自适应模态分解框架的超短期风功率预测方法，其特征在于，包括以下步骤： S1，根据风电场历史风功率数据，构建全年原始数据集； S2，引入二十四节气时间划分机制，将数据集拆分为24个子集； S3，分别对每个节气子集，构建样本熵差异适配度函数，通过粒子群算法，将该适配度函数作为寻优目标，对完全自适应噪声集合经验模态分解的关键参数进行寻优； S4，使用寻优后的完全自适应噪声集合经验模态分解算法，对对应的节气子集进行分解，得到若干个本征模态分量，这些本征模态分量分别代表了不同频率尺度下的风功率波动特征； S5，分析各种气象变量与风功率之间的相关性，筛选出高相关性的气象变量，作为主导影响因子； S6，构建长短时记忆网络模型，以完全自适应噪声集合经验模态分解得到的所有本征模态分量及筛选出的主导影响因子作为输入，训练模型并实现超短期风功率预测； 所述步骤S3中，构建样本熵差异适配度函数、通过粒子群算法，将该适配度函数作为寻优目标，对完全自适应噪声集合经验模态分解的关键参数进行寻优的具体步骤包括： S31，设定所述完全自适应噪声集合经验模态分解的关键参数及其优化范围，其中，所述关键参数包括：噪声幅度系数，用于控制添加到原始信号中的白噪声强度；噪声添加次数N0，用于控制集合平均次数； S32，构建样本熵差异适配度函数，计算公式为： 其中，F为适配度，为完全自适应噪声集合经验模态分解得到的各本征模态分量样本熵的标准差，为第i个本征模态分量的样本熵，为惩罚系数，为本征模态分量总数； 其中，样本熵计算方法如下所示： 对于由N个数据组成的时间序列，按序号组成一组维数为m的向量序列，其中，这些向量代表从第i个点开始的m个连续的x的值；定义向量和之间的最大距离为两者对应元素中最大差值的绝对值，即： 则时间序列的样本熵为： 其中，为和距离小于等于r的个数，为和之间距离小于等于r的数目； S33，通过粒子群算法，将该适配度函数作为寻优目标，对所述关键参数进行寻优，具体包括： 初始化粒子群，每个粒子代表一组完全自适应噪声集合经验模态分解关键参数，包括：噪声幅度系数和噪声添加次数， 通过所述样本熵差异适配度函数计算每个粒子的适配度值，样本熵差异越大，即适配度越大，则最后风功率预测的结果越好； 更新粒子的个体最优位置pbest和全局最优位置gbest，完成参数寻优，其中，按以下公式更新粒子速度和位置： 其中，为粒子i在t+1时刻的速度；为惯性权重；、为学习因子；、为在[0,1]区间内的随机数；为粒子i自身的历史最优位置；为粒子i当前时刻的位置；为整个粒子群的全局最优位置。

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中国电建集团贵阳勘测设计研究院有限公司;华中科技大学，其通讯地址为：550081 贵州省贵阳市观山湖区兴黔路16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。