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！

龙图腾网获悉山东大学申请的专利网格化数值天气特征降维提取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：CN118861660B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202410754217.5，技术领域涉及：G06F18/2135；该发明授权网格化数值天气特征降维提取方法及系统是由杨明;陶李丹澜;焦敏;刘昊;王传琦;李梦林;单帅杰;张元赫;周皓阳;卓敏仪;马浩宇;杨宝龙设计研发完成，并于2024-06-12向国家知识产权局提交的专利申请。

本网格化数值天气特征降维提取方法及系统在说明书摘要公布了：本发明属于网格化数值天气特征提取领域，提供了网格化数值天气特征降维提取方法及系统。其中，该方法包括得到含高比例新能源电力系统的负荷类型与负荷功率对应关系；根据不同类型负荷所属区域的典型日网格化数值天气实测数据，得到多元气象因子，进而计算与不同负荷类型的负荷功率的相关性，筛选出不同负荷类型相关的气象因子，构建出初始气象因子特征矩阵；利用主成分分析方法对初始气象因子特征矩阵进行降维，得到降维的气象因子特征矩阵；利用预设深度学习模型对降维的气象因子特征矩阵进行迭代学习，以细化网格化气象特征尺度，进一步提取不同负荷类型的隐含特征，得到表征不同类型负荷的网格化特征矩阵，以用于负荷预测。

本发明授权网格化数值天气特征降维提取方法及系统在权利要求书中公布了：1.一种网格化数值天气特征降维提取方法，其特征在于，包括： 获取含高比例新能源电力系统中的不同类型负荷的典型日负荷曲线，得到含高比例新能源电力系统的负荷类型与负荷功率对应关系； 多元气象因子与不同负荷类型的负荷功率的相关性采用皮尔逊相关系数表征； 采用皮尔逊相关系数对所有气象因子进行初步筛选与剔除，剔除同质的冗余气象因素和关联性低的非必要气象因素，避免影响主成分降维的结果； 根据不同类型负荷所属区域的典型日网格化数值天气实测数据，得到多元气象因子，进而计算与不同负荷类型的负荷功率的相关性，筛选出不同负荷类型相关的气象因子，构建出初始气象因子特征矩阵； 利用主成分分析方法对初始气象因子特征矩阵进行降维，得到降维的气象因子特征矩阵，以实现多元气象数据的降维处理，通过构建低维表达式表征原有的高维信息，在保留原有信息的同时降低数据维度；在利用主成分分析方法对初始气象因子特征矩阵进行降维的过程中，根据各气象因子的贡献率和总贡献率确定最终选定的主成分，并将初始气象因子特征矩阵降维转换为由主成分表示的新的关系式中； 计算贡献率具体为： 其中，为第个主成分的贡献率，为前个主成分的累积贡献率，选取的主成分累积贡献率达85%以上； 利用预设深度学习模型对降维的气象因子特征矩阵进行迭代学习，以细化网格化气象特征尺度，进一步提取不同负荷类型的隐含特征，得到表征不同类型负荷的网格化特征矩阵，以用于负荷预测；其中，不同类型负荷特征为空间特征，其包括经纬度信息；网格化特征矩阵包括负荷类型、负荷功率及对应网格化天气空间特征；网格化天气空间特征包括经纬度及其对应天气信息； 利用Res-Net残差网络对降维的气象因子特征矩阵进行迭代学习，提取不同负荷类型的所属区域网格化隐含特征，其过程为： 将经过降维的数据作为输入，输入到Res-Net残差神经网络模型当中进行深度学习； 考虑到气象所具有的地域相似性，在Res-Net残差神经网络中使用卷积层、残差模块对输入的气象数据进行学习，对现有网格的气象数据网格进行升尺度处理； 通过Res-Net网络中的全局平均池化层对划分后区域内气象特征的提取，形成具有表征意义的气象要素数值矩阵，完成对负荷特征的提取； 经过计算皮尔逊相关系数和主成分分析后的多维气象数组作为输入，输入到残差神经网络中，经过遍历上述卷积层、残差模块的学习与处理，将得到表征负荷特征的气象矩阵； 通过Res-Net的全局池化层进行特征降维，对气象矩阵进一步特征筛选，得到低维且具有高代表性的负荷特征矩阵，全局平均池化层作为Res-Net网络的最后一部分，将最后一层卷积特征图的空间维度压缩成1x1的网格，每个特征图对应一个全局的平均特征值。

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山东大学，其通讯地址为：250061 山东省济南市历下区经十路17923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。