買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉合肥工業大學;國網安徽省電力有限公司六安供電公司;國網安徽省電力有限公司電力科學研究院申請的專利一種基于LSGAN-DCN網絡的短期光伏功率預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114819365B 。

龍圖騰網通過國家知識產權局官網在2025-08-19發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210481070.8，技術領域涉及：G06Q10/04；該發明授權一種基于LSGAN-DCN網絡的短期光伏功率預測方法是由吳紅斌;鐘尚鵬;唐龍江;張明星;徐斌;王小明;胡良煥;夏鵬;謝毓廣;滕越設計研發完成，并于2022-05-05向國家知識產權局提交的專利申請。

本一種基于LSGAN-DCN網絡的短期光伏功率預測方法在說明書摘要公布了：本發明公開了一種基于LSGAN?DCN網絡的短期光伏功率預測方法，包括：1、采集原始樣本數據，將數據以氣候類型劃分，篩選出突變天氣樣本數據，并對樣本數據進行歸一化預處理；2、利用基于多生成器的最小二乘生成對抗網絡MAD?LSGANs學習原始突變天氣真實光伏數據的樣本分布規律，生成與原始樣本數據相似且具有高度多樣性的新樣本；3、建立由交叉網絡和深度網絡組成的深度交叉網絡DCN模型；4、采用鯨魚優化算法WOA確定模型的超參數，并利用訓練好的模型進行光伏功率短期預測。本發明能有效解決光伏電站光伏發電功率預測時突變天氣樣本數據不足的問題，并加強對高階特征交叉信息的獲取，從而有效提高光伏功率預測精度。

本發明授權一種基于LSGAN-DCN網絡的短期光伏功率預測方法在權利要求書中公布了：1.一種基于LSGAN-DCN網絡的短期光伏功率預測方法，其特征在于，是按如下步驟進行： 步驟一、突變天氣樣本數據的采集與分類； 步驟1.1、從光伏發電站獲取原始光伏數據序列，并按照所設置的氣候類型分割點將原始光伏數據序列進行劃分，得到每種氣候類型下的光伏數據序列；對每種氣候類型下的光伏數據序列按照天氣類型篩選出類突變天氣樣本數據； 步驟1.2、從每一類突變天氣樣本數據中選取個樣本組成樣本數據集，且所述樣本數據集中的每個樣本由種氣象特征組成，對所述樣本數據集進行歸一化處理后，得到維度為的氣象特征矩陣；其中，表示歸一化后的第個樣本的第種氣象特征，，； 步驟1.3、采集與所述樣本數據集中個樣本中種氣象特征相對應的光伏發電功率數據，并進行歸一化處理，獲得功率序列，表示歸一化后的第個樣本的功率； 步驟1.4、將氣象特征矩陣與功率序列進行拼接，獲得樣本矩陣；其中，表示樣本矩陣中第行第列的元素，且，，； 步驟1.5、將樣本矩陣劃分為訓練樣本和測試樣本，； 步驟二、構建基于多生成器的最小二乘生成對抗網絡，用于生成新樣本； 所述最小二乘生成對抗網絡包括：個生成模型和一個判別模型；令所述最小二乘生成對抗網絡的損失函數為最小二乘損失函數； 步驟2.1、采用全連接神經網絡分別構建個生成模型，表示第個生成模型，； 步驟2.2、采用全連接神經網絡構建所述判別模型； 步驟2.3、將個長度為的一維隨機噪聲輸入到生成模型中，并得到偽樣本，表示第個生成模型生成的維度為偽樣本； 步驟2.4、固定生成模型的參數，訓練判別模型；將所述訓練樣本和偽樣本輸入所述判別模型中進行二分類處理，輸出個長度為的一維熱張量；所述一維的熱張量中標記為“1”的樣本表示真樣本；標記為“0”的樣本為假樣本；根據一維的熱張量，利用隨機梯度下降法對所述最小二乘生成對抗網絡模型進行訓練，更新判別模型的參數，從而得到訓練后的判別模型； 步驟2.5、固定訓練后的判別模型的參數，用于訓練生成模型： 將長度為的一維隨機噪聲輸入到生成模型中，并生成新的偽樣本；將訓練樣本和新的偽樣本輸入到訓練后的判別模型中以判別樣本的真假；根據判別模型輸出的熱張量，利用隨機梯度下降法更新每個生成模型的參數，從而得到訓練后的生成模型； 步驟2.6、固定訓練后的生成模型的參數，用于對訓練后的判別模型進行優化訓練： 將長度為的一維隨機噪聲輸入到訓練后的生成模型中，得到新的偽樣本； 將新的偽樣本和訓練樣本輸入到訓練后的判別模型中進行優化訓練，得到優化訓練的判別模型； 步驟2.7、不斷重復步驟2.3~步驟2.6，直到判別模型對生成的偽樣本全部標記為“1”時，訓練結束，從而由最終優化訓練的生成模型生成最新的樣本； 步驟2.8、將最新的樣本集與訓練樣本合并后，得到新訓練樣本集，； 步驟三、構建DCN網絡，包括：上端的嵌入和堆疊層、中間并行的交叉神經網絡層和深度神經網絡層、下端的組合輸出層； 步驟3.1、將新訓練樣本集輸入到所述DCN網絡中，并判斷所述新訓練樣本集中各個氣象特征分為稀疏特征和稠密特征； 在所述嵌入和堆疊層中利用式1將所述稀疏特征轉化為低維稠密向量，否則，將 1 式1中：表示第個稀疏特征，；表示稀疏特征的總個數；表示第個稀疏特征轉化為低維稠密向量時的權重參數；表示第個稀疏特征轉化的低維稠密向量； 步驟3.2、所述嵌入和堆疊層利用式2將低維稠密向量與所述稠密特征進行拼接后，利用式2獲得交叉神經網絡和深度神經網絡共同的輸入向量： 2 式2中：表示第個低維稠密向量的轉置；表示稠密向量的轉置； 步驟3.3、構建交叉神經網絡層和深度神經網絡層； 步驟3.3.1、所述交叉神經網絡層由個交叉層構成； 所述輸入向量輸入到所述交叉神經網絡中進行顯式的特征交叉學習，并利用式3獲得第個交叉層輸出的顯式的特征交叉信息，從而由所述交叉神經網絡輸出顯式的高階特征交叉信息； ，3 式3中，為第層的權重和偏置； 步驟3.3.2、所述深度神經網絡層由個全連接層構成； 所述輸入向量輸入到所述深度神經網絡層中，并利用式4獲得第個全連接層輸出的隱式的特征交叉信息，從而由所述深度神經網絡輸出隱式的高階特征交叉信息； ，4 式4中：，分別是第個全連接層的權重和偏置；是ReLU函數； 步驟3.4、所述組合輸出層是由全連接層構成，并將所述顯式的高階特征交叉信息和隱式的高階特征交叉信息合并后輸入所述組合輸出層中，從而利用式5得到預測值： 5 式5中，，分別表示顯式的高階特征交叉信息的轉置和隱式的高階特征交叉信息的轉置；是組合輸出層的權重向量；表示ReLU函數； 步驟3.5、所述DCN網絡輸出的預測值經過反歸一化處理后得到實際光伏發電功率預測值； 步驟四、鯨魚算法優化DCN網絡； 步驟4.1、采用鯨魚優化算法確定DCN網絡的超參數，包括：交叉網絡層數、深度網絡層數、神經元個數、訓練周期； 步驟4.2、將新訓練樣本集輸入到確定好超參數的深度交叉網絡模型中進行訓練，從而得到訓練好的突變天氣下光伏電站發電功率預測模型； 步驟4.3、利用測試集對訓練好的突變天氣下光伏電站發電功率預測模型進行預測，從而獲得突變天氣下的光伏短期發電功率預測結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人合肥工業大學;國網安徽省電力有限公司六安供電公司;國網安徽省電力有限公司電力科學研究院，其通訊地址為：230009 安徽省合肥市包河區屯溪路193號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。