申请/专利权人：东北大学

申请日：2023-11-29

公开（公告）日：2024-04-12

公开（公告）号：CN117875470A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/0442;G06N3/098;G06F21/62;H02J3/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明设计基于增强联邦学习的海上风电超短期功率预测框架及方法，所述框架包括上下两层；所述下层考虑不同海上风电场之间信息的相互独立，将基于变分模态分解的长短期记忆网络作为各个风电厂本地训练模型，各发电厂仅利用本电厂数据训练模型，模型训练收敛后提取模型参数，通过数据传输通道将参数上传至上层中央处理器；中央处理器接受来自于各电厂的模型参数，利用每个电厂发电量占各电厂发电量总和的比重，并基于参数聚合方法产生全局参数，最终将全局参数下发到下层各电厂本地训练模型进行训练；通过参数不断的上传下发，直到全局参数收敛，利用全局参数建立全局预测模型，将模型应用于海上风电功率预测中，最终完成多电厂联合预测。

主权项：1.基于增强联邦学习的海上风电超短期功率预测框架，其特征在于，包括上下两层；所述下层针对不同海上风电场，考虑不同海上风电场之间信息的相互独立，数据信息不可能全部提供来进行功率预测，因此将基于变分模态分解的长短期记忆网络作为各个风电厂本地训练模型，各发电厂仅利用本电厂数据进行本地训练模型的初始参数必须保持一致，模型训练收敛后提取模型参数，通过数据传输通道将参数上传至上层中央处理器；上层中央处理器将各个风电厂进行连接，接受来自于各电厂的模型参数数据，利用每个电厂发电量占各电厂发电量总和的比重，并基于参数聚合方法进行参数聚合产生全局参数，最终将全局参数下发到下层各电厂本地训练模型进行训练；通过参数不断的上传下发，直到全局参数收敛，利用全局参数建立全局预测模型，将模型应用于海上风电功率预测中，最终完成多电厂联合预测。

全文数据：

权利要求：

百度查询： 东北大学 基于增强联邦学习的海上风电超短期功率预测框架及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD