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！

龍圖騰網恭喜國網江蘇省電力有限公司灌云縣供電分公司申請的專利基于自適應蟻群整定長短期記憶網絡的分布式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：CN117390951B 。

龍圖騰網通過國家知識產權局官網在2025-04-01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：202311177463.0，技術領域涉及：G06F30/27；該發明授權基于自適應蟻群整定長短期記憶網絡的分布式光伏功率預測方法是由劉博文;韓亮;孫威;陳小宇;吳月寶;孟文青;李亞宏設計研發完成，并于2023-09-13向國家知識產權局提交的專利申請。

本基于自適應蟻群整定長短期記憶網絡的分布式光伏功率預測方法在說明書摘要公布了：本發明提出了一種基于自適應蟻群整定長短期記憶網絡的分布式光伏功率預測方法，包括以下步驟：步驟1：建立用于預測分布式光伏功率的多維度特征數據向量集；步驟2：針對步驟1建立的用于預測分布式光伏功率的多維度特征數據向量集，建立用于預測分布式光伏功率的長短期記憶網絡；步驟3：針對步驟2建立的長短期記憶網絡，建立用于優化長短期記憶網絡參數的自適應蟻群算法模型。本發明顯著提升了預測模型的泛化能力，增強了預測模型對不同環境條件下的預測準確性和穩定性，從而提高了預測方法的有效性和普適性。通過自適應蟻群算法的參數優化，可以進一步提高光伏功率預測模型的性能和效率，為光伏發電系統的智能管理和優化運行提供有力支持。

本發明授權基于自適應蟻群整定長短期記憶網絡的分布式光伏功率預測方法在權利要求書中公布了：1.基于自適應蟻群整定長短期記憶網絡的分布式光伏功率預測方法，其特征在于，包括以下步驟：步驟1：建立用于預測分布式光伏功率的多維度特征數據向量集；步驟2：針對步驟1建立的用于預測分布式光伏功率的多維度特征數據向量集，建立用于預測分布式光伏功率的長短期記憶網絡；步驟3：針對步驟2建立的長短期記憶網絡，建立用于優化長短期記憶網絡參數的自適應蟻群算法模型；所述步驟2中長短期記憶網絡包括有若干輸入變量、若干LSTM單元，所述輸入變量順序經過長短期記憶網絡中的隱含層中的各LSTM單元進行訓練；所述LSTM單元中引入可保留輸入變量的關鍵時序關聯信息的更新門函數，LSTM網絡通過更新門函數可選擇性更新每個時刻的狀態；LSTM單元中引入可去除輸入變量的非必要時序關聯信息的重置門函數，LSTM網絡通過重置門函數可選擇性丟棄不必要信息；所述步驟2包括：S201：將步驟1獲得的優化后的分布式光伏功率預測多維度特征數據向量集作為分布式光伏功率預測模型的輸入變量x；S202：基于步驟S201所述的輸入變量x，構建分布式光伏功率LSTM預測模型；分布式光伏功率LSTM預測模型包括輸入層、隱含層和輸出層；輸入層接收優化后的分布式光伏功率預測多維度特征數據作為輸入，隱含層包含若干個用于學習時間序列的長期依賴關系的LSTM單元，輸出層用于預測分布式光伏功率；每個LSTM單元包括t時刻的更新門、重置門和輸出門；更新門用于記憶當前t時刻的分布式光伏功率預測多維度特征信息，重置門用于選擇分布式光伏功率預測多維度特征中非必要的特征信息；輸出門用于將當前隱含層的結果輸出至下個LSTM單元；所述S202中的更新門和重置門同時基于輸入變量進行操作；更新門通過一個Sigmoid激活函數來決定每個輸入特征的重要性，以控制信息輸入到記憶單元中；更新門根據當前時刻的輸入數據和上一個時刻的隱藏狀態，選擇性地將相關的信息傳遞給記憶單元，以更新當前的狀態；重置門也通過一個Sigmoid激活函數來決定每個記憶單元中的信息是否需要被保留；重置門通過過去的狀態和當前輸入，通過不斷迭代決定應該被遺忘的信息；更新門的輸出Lt表示為：Lt＝ftLt-1+jtCtjt＝gWjxt+Vjht-1+bjCt＝tanhWixt+Viht-1+bi式中，Lt為更新門的輸出，ft為重置門的輸出；xt為t時刻的輸入向量；ht-1為t-1時刻隱含層的輸出量，即輸出門的輸入結果；g為Sigmoid激活函數；jt為Sigmoid激活函數的輸出；Wj、Vj為從xt與ht-1映射到更新門激活函數輸出jt的權重矩陣，矩陣中元素分別為初始值隨機的實數；bj為更新門激活函數輸出的偏置向量，向量元素為初始值隨機的實數；Ct為tanh函數的輸出；Wi、Vi為從xt與ht-1映射到更新門tanh函數輸出Ct的權重矩陣，矩陣中元素分別為初始值隨機的實數；bi為更新門tanh函數輸出的偏置向量，向量元素為初始值隨機的實數；重置門的輸出ft由如下公式確定：ft＝gWfxt+Vfht-1+bf式中，Wf、Vf為從xt與ht-1映射到重置門激活函數輸出ft的權重矩陣，矩陣中元素分別為初始值隨機的實數；bf為重置門激活函數輸出的偏置向量，向量元素為初始值隨機的實數；輸出門的輸出ot由如下公式確定：ot＝gWoxt+Voht-1+bo式中，Wo、Vo為從xt與ht-1映射到重置門激活函數輸出ot的權重矩陣，矩陣中元素分別為初始值隨機的實數；bo為從xt與ht-1映射到重置門激活函數輸出偏置向量，向量元素為初始值隨機的實數；輸出門基于更新門的輸出和重置門的輸出，獲得當前隱含層的輸出；t時刻的隱含層輸出ht表示為：ht＝ot·tanhLt經過多層LSTM單元的迭代，最終形成基于長短期記憶網絡的分布式光伏功率預測模型的輸出；所述步驟3包括：S301：初始化自適應蟻群算法參數；S302:計算自適應蟻群算法食物位置信息素含量函數；S303:采用引入自適應系數的自適應蟻群算法鄰域搜索方程進行鄰域搜索尋找新的食物位置；S304:設計概率選擇公式決定螞蟻是否向食物位置信息素含量函數值更高的位置搜索食物；S305:判斷搜索次數是否達到最大迭代次數；若是，輸出自適應蟻群算法當前輪次最優解；若否，則進行下一輪次的食物位置搜索，返回S302；所述步驟3包括：S301：初始化自適應蟻群算法參數；所述自適應蟻群算法包括自適應蟻群算法中的螞蟻數量n，最大搜索食物次數為Imax以及食物位置xm；其中，食物位置xm中存儲的多維度信息包含長短期記憶網絡模型中Wj，Vj，bj，Wf，Vf，bf，Wo，Vo，bo的待優化參數；S302：計算自適應蟻群算法食物位置信息素含量函數F，用于量化當前長短期記憶網絡待優化參數的優劣；所述自適應蟻群算法食物位置信息素含量函數F表示為: 式中，em為基于長短期記憶網絡的分布式光伏功率預測模型的預測平均誤差；er為基于長短期記憶網絡的分布式光伏功率預測模型的預測均方根誤差；Np為分布式光伏功率預測時間點的總數；分別為第i個點的真實值和預測值；S303：采用引入自適應系數的自適應蟻群算法鄰域搜索方程進行鄰域搜索，具體為： 式中，為鄰域食物位置；ut為自適應蟻群算法的自適應函數；k與j為不同于i的食物位置；為自適應系數；Vig為當前循環中的最優解；S304：建立輪盤概率公式對螞蟻搜索得到的食物位置進行選擇，具體表示為： 式中，fi為螞蟻i的食物位置選擇概率；Fi為螞蟻i的食物位置信息素含量函數值；S305：判斷自適應蟻群算法計算次數是否達到最大探索次數Imax；若達到最大探索次數，則自適應蟻群算法當前計算得到的LSTM參數為最優參數；若尚未達到最大探索次數，則繼續利用自適應蟻群算法進行LSTM參數尋優，返回步驟302；所述步驟1中用于預測分布式光伏功率的多維度特征數據向量集中的特征數據包括輻照度數據、氣溫數據、濕度數據、氣壓數據、分布式光伏發電功率數據以及負荷用電數據。

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國網江蘇省電力有限公司灌云縣供電分公司，其通訊地址為：222000 江蘇省連云港市灌云縣幸福大道305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”。