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！

龙图腾网恭喜广西大学申请的专利一种基于双集成模型的光伏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：CN114936694B 。

龙图腾网通过国家知识产权局官网在2025-03-21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：202210543973.4，技术领域涉及：G06Q10/04；该发明授权一种基于双集成模型的光伏功率预测方法是由代伟;王泽宇;赵子巍;郭苏杭;石博臣;武新章;张冬冬设计研发完成，并于2022-05-18向国家知识产权局提交的专利申请。

本一种基于双集成模型的光伏功率预测方法在说明书摘要公布了：本发明公开一种基于双集成模型的光伏功率预测方法，步骤包括：1获取实时天气预测数据；2分别建立基于集成聚类的气象分类模型和Stacking集成学习光伏功率预测模型；3将实时气象数据输入到基于集成聚类的气象分类模型中，得到气象分类结果；4将气象分类结果输入到Stacking集成学习光伏功率预测模型中，得到光伏功率预测结果。本发明利用Stacking集成框架提高了算法探寻数据周期规律和特征间非线性关系的能力，在不同天气状况下获得了更高的预测精度，得到了更为优质的预测模型。

本发明授权一种基于双集成模型的光伏功率预测方法在权利要求书中公布了：1.一种基于双集成模型的光伏功率预测方法，其特征在于，包括以下步骤：1获取天气预测数据；2分别建立基于集成聚类的气象分类模型和Stacking集成学习光伏功率预测模型；3将气象数据输入到基于集成聚类的气象分类模型中，得到气象分类结果，并结合电站气候，建立不同气象分类下的气象模型；4根据天气预测数据判定预测日的天气类别，并将预测日的光伏数据输入到对应气象模型下的Stacking模型中，得到光伏功率预测结果；建立基于集成聚类的基于集成聚类的气象分类模型的步骤包括：a1选定基聚类器，并利用基聚类器对历史气象数据进行聚类，得到若干聚类结果；a2利用重标记法与投影法更新基聚类器的聚类结果，得到初步集成聚类簇η'1,η'2,…,η'N；a3基于滑动时间窗口对初步集成聚类簇η'1,η'2,…,η'N进行离群日筛选，并删除离群日；所述基聚类器包括Kmeans聚类器、GMM聚类器、AGNES聚类器和BIRCH聚类器；所述Kmeans聚类器的基础函数公式如下所示：Hji＝||xj-μi||21式中，Hji为样本点xj与聚类中心的距离；μi是聚类簇Ci的均值向量；所述GMM聚类器的基础函数公式如下所示： 式中，μ为均值向量，Σ是协方差矩阵，x代表n维目标数据集中的随机向量；qx为服从高斯分布的概率密度函数；所述AGNES聚类器的基础函数公式分别如下所示： 式中，Ci和Cj为聚类簇，dist为样本间的距离计算函数；Hmin、Hmax、Havg为最小距离、最大距离、平均距离；e、f分别表示聚类簇Ci和聚类簇Cj的点；所述BIRCH聚类器为分裂式聚类器；所述BIRCH聚类器利用高度压缩的三元特征构造聚类特征树，输出代表各聚类簇的若干树节点；利用重标记法与投影法更新基聚类器聚类结果的步骤包括：b1记独立工作的基聚类器为ψ1、ψ2、…、ψγ；i＝1,2,…,γ；γ为基聚类器数量；b2利用基聚类器对目标数据集进行聚类，得到聚类结果Si＝{αi1,βi2,...,λiN}；其中，αi1,βi2,...,λiN为聚类簇；b3随机选择一个基聚类器的聚类结果Si作为固定参考量，并不重复地在其余基聚类器中随机选取一组待标记量，计算固定参考量与待标记量的共享样本数，决定待标记量是否需要进行重标记，并不断迭代直至覆盖全部待标记量，得到重标记后的聚类结果S'1,S'2,…,S'γ；其中，簇共享样本的计算矩阵ο如下所示： 式中，u代表参考量，v代表待标记量，c和d表示所在簇中选中的标记任务；为聚类结果；b4将聚类结果S'1,S'2,…,S'γ中的N类相似簇整合为集合ηr；相似簇是指共享样本数大于预设阈值的簇；集合ηr如下所示： 式中，为整合后的聚类簇；b5利用投影法对集合ηr进行重整，确保得到初步集成聚类簇η'1,η'2,…,η'N；重标记公式如下：u′,v′＝argmaxu,v∈Iοu,v8式中，集合I＝{u,v|1≤u,v≤N}；u′,v′为重标记后的矩阵参量；利用投影法对集合ηr进行重整的方法包括：以取多的形式进行重整，若存在重复的样本，则只保留一个样本，删去多余的重复样本；所述离群日为窗口标准差值大于阈值ω的样本；窗口标准差值τ如下所示： 式中，为样本平均值；xi为样本；n为样本数量；所述Stacking集成学习光伏功率预测模型包括初级学习器和次级学习器；所述初级学习器用于提取数据特征，构造与输入数据强相关的新数据集；所述次级学习器用于整合新数据集或者进行权重分配，实现学习器的集成；所述Stacking集成学习光伏功率预测模型由目标数据集训练得到；所述目标数据集包括与发电功率有相关性的光伏特征；所述目标数据集经过了数据清洗和归一化处理，且删除了缺失功率值数量大于阈值的日样本；建立Stacking集成学习光伏功率预测模型的步骤包括：c1输入目标数据集K＝{a1,b1,a2,b2,…,an,bn},定义初级学习器H1,H2,…,Ht，次级学习器H0；其中，a1,a2,…,an为特征，b1,b2,…,bn为标签；c2将目标数据集随机均分为k组样本数量相同的子集，记为K1,K2,…,Kk；每次不重复的选取其中一个子集Ki用作测试集，生成k组含有不同测试集的数据集；i＝1,2,…,k；c3遵循k折交叉验证法，将k组数据集依次放入给定的t个初级学习器，得到训练结果zmt；其中，zmt＝Hitam；am为子集Ki中的样本；为第t个初级学习器以子集Ki为测试集的结果；c4合并t组学习器的训练结果，构建新数据集K′＝{zm,ym}；zm、ym表示学习器的训练结果；c5将新数据集K′输入次级学习器，得到训练结果。

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广西大学，其通讯地址为：530004 广西壮族自治区南宁市西乡塘区大学东路100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”。