专利交易市场

本发明提供一种风电功率预测方法，包括：获取实际风电功率数据集，然后得到处理后的数据集；将处理后的数据集进行自适应噪声的完备经验模态分解，将数据分解为若干固有模态函数分量；利用贝叶斯优化算法对基于物理约束的Mamba模型的超参数进行全局搜索，得到最优超参数；将固有模态函数分量作为基于物理约束的Mamba模型的输入特征，并结合最优超参数，整合至基于物理约束的Mamba模型中进行训练，得到经过训练的基于物理约束的Mamba模型；利用经过训练的基于物理约束的Mamba模型进行风电功率预测。本发明能够提高风电功率预测的精度和稳定性，进而减少MPPT系统因风速快速变化带来的频繁调整问题。

本发明公开了一种基于灰色神经网络的太阳能收集功率预测方法。首先选取若干天每天同一时刻原始太阳能收集功率和影响太阳能收集的因素数据序列，运用灰色预测方法对太阳能收集功率序列进行预测，得到初步预测结果；然后将灰色预测结果和原始影响太阳能因素数据序列归一化，作为神经网络的输入，原始太阳能数据序列作为神经网络的输出，建立神经网络模型，对神经网络进行训练，直至收敛；最后调用已训练好的神经网络来进行太阳能收集功率的最终预测。本发明结合灰色建模方法和神经网络方法建立灰色神经网络模型，与普通神经网络模型相比，引入灰色预测模型，减少了预测时的计算量，在少样本情况下也可达到较高精度；且预测准确率更高。

本发明公开了一种基于数据驱动的小区接收功率预测方法，先对采集到的小区数据进行预处理，再按功能进行划分，划分为工程参数和地图参数，工程参数全部保留并在此基础上设计特征链路距离、实际高度、信号线下倾角和目标栅格与信号线垂直距离，地图参数通过计算方差和皮尔逊相关系数进行特征筛选，扩充后的工程参数与筛选后的地图参数合并，随后利用上述数据输入级联模型XGBoost+LR进行训练，得到预测模型；最好利用预测模型预测新环境下的无线信号覆盖强度，从而大大减少无线网络建设成本，提高网络建设效率。

本发明公开了一种教室灯照明功率预测方法，包括S1根据教室人流量、室外自然光亮度、室内能见度作为照明功率的影响因数，建立教室灯具的功率输出模型：S2设置损失函数模型： 保证输出功率的准确性。S3对步骤S2中的损失开始进行泰勒五项公式展开，并通过通过混合粒子群算法来优化正则项，以获得新的损失函数模型： S4依据优化过的损失函数模型、对步骤S1中的功率输出模型进行教室照明需求功率估算。本发明在教室使用过程中，根据教室人流量、室外自然光亮度以及室内能见度，进行实时估算室内光照功率进而实时调整照明方案；减少电能浪费。