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！

龙图腾网获悉西安交通大学申请的专利一种风力发电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：CN119312168B 。

龙图腾网通过国家知识产权局官网在2025-05-30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：202411761914.X，技术领域涉及：G06F18/241；该发明授权一种风力发电功率预测方法及系统是由魏平;景超设计研发完成，并于2024-12-03向国家知识产权局提交的专利申请。

本一种风力发电功率预测方法及系统在说明书摘要公布了：本发明公开了一种风力发电功率预测方法及系统，属于风力发电处理技术领域，基于待预测目标的历史数据构建多元时间序列预测数据集，基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型；采用功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未来设定时间内的发电功率，本发明基于多元时间序列预测数据集，在多个领域的时间序列预测任务中表现优异，实验结果表明，本发明提出的方法能够有效捕捉多元时间序列中的长短期依赖关系，并利用物理约束提高风力发电功率预测的准确性和稳定性。

本发明授权一种风力发电功率预测方法及系统在权利要求书中公布了：1.一种风力发电功率预测方法，其特征在于，包括以下步骤：基于待预测目标的历史数据构建多元时间序列预测数据集，基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型；基于待预测目标的历史数据构建多元时间序列预测数据集，对获取的多元时间序列预测数据集中的数据进行清洗和标准化处理：对多元时间序列预测数据集中的数据进行清洗处理，具体包括以下步骤：将多元时间序列预测数据集中采用NULL字符填充的缺失值填充为缺失区间前后两个值的均值；如果前后两个值均缺失，则逐级查找最接近的非缺失值进行均值计算；对清洗后的多元时间序列预测数据集中的数据进行标准化处理，具体是指使多元时间序列预测数据集中的数据均值为0，方差为1；采用功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未来设定时间内的发电功率；所述待预测目标当前的参数数据包括待预测目标的经纬度、高度、风速、风向、温度、大气压强和湿度；基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模型，所述多元时间序列预测模型包括嵌入模块层、预处理模块层、特征增强模块层和预测模块层；嵌入模块层用于对输入的数据进行词嵌入、时间嵌入和空间嵌入融合得到高维时序特征；预处理模块层，利用多头注意力机制对嵌入模块层输出的高维时序特征进行预处理，融合不同子空间的高维特征；然后通过非线性激活函数、求和、归一化对融合后的高维特征进行进一步处理；特征增强模块层，通过递归机制对进一步处理的输入序列进行增强处理；预测模块层，用于对增强处理后的融合特征进行预测得到预测结果；所述多元时间序列预测数据集中的数据具有时间特性和物理特性，所述多元时间序列预测数据集中的数据满足时间间隔均匀和特征数量恒定的要求；所述多元时间序列预测数据集中数据的物理特性指融合词嵌入、时间嵌入和空间嵌入得到的高维时序特征，从高维时序特征中提取的物理特性；特征增强模块层包括状态空间模块和物理空间模块，状态空间模块用于提取进一步处理后的时序数据高维特征的数据状态特征，物理空间模块用于提取进一步处理后的时序数据高维特征的物理约束，物理约束包括通道速度场和时间散度场；状态空间模块用于提取时序数据高维特征的数据状态特征具体过程为： 式中是状态空间模块的预测输出，是将卷积后并进行非线性激活的输出输入到状态空间模块中，以捕捉时序依赖关系；其中，输入数据，是批处理大小，是时间维度，是高维特征通道数；、和分别是状态空间模块的参数矩阵，、分别是时刻和时刻的隐状态，是时间序列；将状态空间模块输出的线性变换结果与原始输入通过残差连接相乘，形成一个新的特征表示，之后再次进行线性变换，得到状态空间模块对时序数据提取的数据状态特征： 物理空间模块用于提取时序数据高维特征的物理约束具体采用如下公式： 在物理空间模块中，首先将增强处理后的特征进行转置；式中，表示的转置，表示通道速度，表示时间序列中两个时间点之间的时间差；在得到通道速度之后，计算通道加速度： 式中：表示时刻的通道速度，表示时刻的通道速度；对未转置的输入特征，在同时间的多个特征通道上计算偏导并相加，即为该时刻下特征在多通道轴上的散度，表示为特征在时刻的散度，反映了其时刻在d个通道上的膨胀和压缩性： 将卷积后的通道速度和加速度表示输入到物理空间模块的通道速度场中，以提取高维特征通道中的速度场信息： 式中，分别表示物理空间模型中的速度矩阵；表示时刻速度场的隐状态，表示时刻速度场的隐状态，表示物理空间模块中速度场调整系数；将卷积后的时间散度输入到物理空间模块的时间散度场中，提取高维度特征在多时刻下的散度场信息： 式中，分别表示物理空间模型中的散度矩阵，表示时刻散度场的隐状态；表示时刻散度场的隐状态，表示物理空间模块中散度场调整系数；将时间散度场输出进行转置，与通道速度场进行点积相乘，再经过线性变换得到物理空间模块的物理约束： 最后将时序数据经过状态空间模块和物理空间模块得到的状态空间和物理空间相融合，融合后的融合特征为： 。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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”。