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！

龙图腾网恭喜广东工业大学申请的专利基于数据增强和隐藏层增量级联的风功率预测方法及系统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：CN119646407B 。

龙图腾网通过国家知识产权局官网在2025-05-16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：202510163171.4，技术领域涉及：G06F18/10；该发明授权基于数据增强和隐藏层增量级联的风功率预测方法及系统是由宋世豪;孟安波;黄钺;黄自谦设计研发完成，并于2025-02-14向国家知识产权局提交的专利申请。

本基于数据增强和隐藏层增量级联的风功率预测方法及系统在说明书摘要公布了：本发明提供一种基于数据增强和隐藏层增量级联的风功率预测方法及系统，方法包括：采集初始样本集并进行预处理，同时划分训练集、验证集和测试集；基于传统RVFL模型，引入隐藏层节点新增机制，构建HLICRVFL模型；利用训练集对HLICRVFL模型进行初步训练；在训练集中添加学生t分布噪声，生成新的训练集，并对新增节点进行训练，原始节点的参数保持不变，不断进行训练直到模型收敛，最后利用最优的模型进行风电功率预测；本发明采用隐藏层增量的训练模式，无需重新训练所有参数，只需训练新增节点，显著降低了计算成本；此外，本发明基于学生t分布进行数据增强，能够生成质量更高的训练样本，进一步提升模型的预测精度。

本发明授权基于数据增强和隐藏层增量级联的风功率预测方法及系统在权利要求书中公布了：1.一种基于数据增强和隐藏层增量级联的风功率预测方法，其特征在于，包括以下步骤：S1：采集风电集群若干天的历史发电数据，构建初始样本集并进行预处理，将预处理后的初始样本集划分为训练集、验证集和测试集；S2：基于传统的RVFL神经网络模型，引入隐藏层节点新增机制，构建HLICRVFL神经网络模型；所述HLICRVFL神经网络模型包括依次连接的输入层、隐藏层和输出层；所述隐藏层中包含若干个原始节点；所述隐藏层节点新增机制包括：每生成一次新的训练集，在HLICRVFL神经网络模型的隐藏层中新增若干个节点；S3：利用所述训练集对所述HLICRVFL神经网络模型进行初步训练，获取初步训练后的HLICRVFL神经网络模型；S4：在所述训练集中添加学生t分布噪声，生成新的训练集；S5：在初步训练后的HLICRVFL神经网络模型的隐藏层中新增若干个节点，并利用新的训练集对新增的节点进行训练，原始节点的参数保持不变，获取二次训练后的HLICRVFL神经网络模型；S6：判断二次训练后的HLICRVFL神经网络模型在所述验证集上是否收敛，若是，则完成训练，获取最优的HLICRVFL神经网络模型，执行步骤S7；否则，重新执行步骤S4~S5；S7：将测试集输入最优的HLICRVFL神经网络模型进行风电功率预测，并评估模型的预测效果。

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东工业大学，其通讯地址为：510080 广东省广州市越秀区东风东路729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”。