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！

龙图腾网获悉国网安徽省电力有限公司电力科学研究院;安徽大学申请的专利一种提高分布式光伏预测精度的数据特征工程处理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：CN116451035B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202310450686.3，技术领域涉及：G06F18/15；该发明授权一种提高分布式光伏预测精度的数据特征工程处理方法是由陈凡;丁津津;李智;罗超;张倩;樊磊;伍骏杰;刘依帆设计研发完成，并于2023-04-25向国家知识产权局提交的专利申请。

本一种提高分布式光伏预测精度的数据特征工程处理方法在说明书摘要公布了：本发明涉及一种提高分布式光伏预测精度的数据特征工程处理方法，包括：基于iForest算法进行初始数据识别；超分辨率重构‑双通道卷积神经网络进行数据重构，得到重构数据；通过皮尔逊相关系数将得到的重构数据进行相关性的分析；通过相关性的分析和格兰杰因果检验GCT找到最优时间偏移量输入进物理模型，将风速和风向进行变换和气象数据的归一化输入数据驱动模型进行处理。本发明中的物理模型的数据处理，专门用于处理场数据的时空相关性，最后引入特征生成技术来实现数据驱动模型的数据特征提取最大化；对缺失数据进行了识别差补，弥补了分布式光伏电站的数据缺失问题，因为该神经网络的双通道处理，差补的缺失数据与原有的相关性较高。

本发明授权一种提高分布式光伏预测精度的数据特征工程处理方法在权利要求书中公布了：1.一种提高分布式光伏预测精度的数据特征工程处理方法，其特征在于：该方法包括下列顺序的步骤： 1基于iForest算法进行初始数据识别：分布式光伏站的得到的数据存在着异常和缺失的情况，通过iForest算法对初始的数据进行异常值的清洗； 2超分辨率重构-双通道卷积神经网络进行数据重构：清洗后的数据存在的还存在着缺失，通过超分辨率重构-双通道卷积神经网络将缺失的数据进行插补，得到重构数据； 3进行相关性分析：通过皮尔逊相关系数将得到的重构数据进行相关性的分析； 4进行物理模型与数据驱动模型的数据处理：通过相关性的分析和格兰杰因果检验GCT找到最优时间偏移量输入进物理模型，将风速和风向进行变换和气象数据的归一化输入数据驱动模型进行处理； 在步骤4中，所述物理模型的数据处理是指：使用物理分布式光伏预测子模型进行分布式光伏功率估计和预测起点，包括估计或预测所考虑区域内所有分布式光伏发电系统的发电量，基于格兰杰因果检验GCT和皮尔逊相关系数PCC插值，将最优时间偏移方法引入到物理分布式光伏预测子模型中，选择最优时间偏移物理子模型； 引入格兰杰因果检验GCT测试时间序列变量之间的因果关系，若统计模型中的滞后变量X能够解释变量Y，则认为X是Y的格兰杰因素，时间偏移的方向和值由格兰杰因果检验GCT确定： 6 其中，、是无限制回归模型的系数，是单变量白噪声，s是最高滞后项，表示当前样本，表示之前的样本，非因果性的零假设对应于，通过比较估计精度，确定变量Y和变量X之间的格兰杰因果关系；对于每个分布式光伏发电系统，使用阿卡伊克准则确定滞后最高滞后项s的最佳值； 根据格兰杰因果检验GCT，随机选择总辐射数据：首先，使用三次样条插值方法对具有15分钟时间间隔的总辐射数据进行加密，以生成具有5分钟时间间隔的密集数据；通过左右移动密集的总辐射数据，依次计算与光伏功率的皮尔逊相关系数PCC，每次移动一个点，偏移的方向和值由格兰杰因果检验GCT确定，与最大皮尔逊相关系数PCC值相对应的时间偏移被选为最优时间偏移量； 所述数据驱动的数据处理是指： ,7 ,8 其中，，代表每天的周期特征，，代表每年的周期特征，表示从某个时间点到当前时间点的持续时间； 风速和风向变量被转换为风信息的水平和垂直分量，如下所示： ,9 在输入数据驱动模型之前，对所有类型的数据进行规范化，最后，所有数值天气预报NWP都经过特征缩放处理，采用区间缩放来归一化输入特征，所有特征值都被缩放到[-1,1]区间内： 10 式中，代表特征r的第r个样本值，和分别代表特征x的最大和最小值，代表归一化后的值。

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国网安徽省电力有限公司电力科学研究院;安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区紫云路299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。