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！

龙图腾网获悉三峡金沙江川云水电开发有限公司申请的专利基于深度特征挖掘与自适应聚类的风光出力场景生成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：CN120849990B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202511348937.2，技术领域涉及：G06Q50/06；该发明授权基于深度特征挖掘与自适应聚类的风光出力场景生成方法是由米文超;刘志辉;肖江滔;夏建华;刘刚;姬升阳;罗腾;崔勇超;王基发设计研发完成，并于2025-09-22向国家知识产权局提交的专利申请。

本基于深度特征挖掘与自适应聚类的风光出力场景生成方法在说明书摘要公布了：本申请公开了一种基于深度特征挖掘与自适应聚类的风光出力场景生成方法，其包括：清洗风光出力数据并对其归一化处理，使其映射到预设区间，以消除量纲影响；构建深度卷积特征提取网络，以从归一化后的风光出力数据中提取出对应的深度特征向量；采用K‑Means++算法初始化聚类中心，基于密度阈值动态分裂机制执行改进的ISODATA聚类算法，通过贝叶斯优化实现聚类参数的优化，生成典型场景。本申请显著提升了风光出力场景的准确性。

本发明授权基于深度特征挖掘与自适应聚类的风光出力场景生成方法在权利要求书中公布了：1.一种基于深度特征挖掘与自适应聚类的风光出力场景生成方法，其特征在于，包括： 步骤1：清洗风光出力数据并对其归一化处理，使其映射到预设区间，以消除量纲影响； 步骤2：构建深度卷积特征提取网络，以从归一化后的风光出力数据中提取出对应的深度特征向量； 步骤3：采用K‑Means++算法初始化聚类中心，基于密度阈值动态分裂机制执行改进的ISODATA聚类算法，通过贝叶斯优化实现聚类参数的优化，生成典型场景； 所述步骤3包括： 步骤31：设置聚类参数；聚类参数包括预期聚类中心数，每个簇中最少样本数，簇类内的最大距离标准差阈值，簇类间的最小距离阈值，以及迭代次数； 步骤32：使用K‑MEANS++算法初始化个聚类中心：随机选择第一个聚类中心，计算每个样本到最近已选聚类中心的距离及选择下一个聚类中心的概率，重复此过程，直到选择个聚类中心为止； 步骤33：簇状态更新：通过距离公式计算每个样本与各聚类中心之间的距离，距离公式通过实现特征维度的动态加权符合风电出力波动大和光伏间歇性出力的特性，并引入局部均值偏差乘积项放大偏离整体趋势的样本对距离的影响，依据距离判定样本所属簇，完成簇划分；基于划分后各簇包含的样本，重新计算簇的中心，实现迭代更新簇的中心； 步骤34：簇有效性检验：检查每个簇内样本数量，若簇样本数小于，则取消该簇，剔除无效小簇；计算簇密度，若簇密度小于预设密度阈值，则执行 “分裂操作”，即执行步骤35，调整簇结构；调整簇结构包括拆分簇、重新分配样本； 步骤35：分裂流程：对且的聚类中心，先针对其所属簇提取风光出力波动率、峰谷差，结合全局对应指标动态适配分裂幅度；再对做 PCA 降维，沿主成分方向，引入当前聚类中心与其最近已选聚类中心之间距离的衰减项，以及所有聚类中心分别与其最近已选聚类中心之间的距离平均值的衰减项，避免当前聚类中心分裂后的新中心与最近已选聚类中心的距离小于预设距离，最终执行分裂；是第j个簇的簇密度，是第j个聚类中心； 步骤36：合并流程：对的簇，将该簇合并至与其距离最近的簇；对距离的簇对，合并相似度最高的簇对； 步骤37：聚类过程中，通过贝叶斯优化对聚类参数进行优化时，以样本与聚类中心的平均相关性为目标函数，在计算该相关性时，在计算样本与中心的余弦相似度的基础上，融入样本与中心的波动率相似性作为修正项，同时引入离群惩罚项抑制极端样本的干扰，以此最大化优化目标，找到分裂时的最优密度阈值； 步骤38：若达到最大迭代次数，或聚类结果趋于稳定，则停止迭代；否则重复执行步骤33至步骤38，继续迭代优化；聚类结果趋于稳定包括连续迭代中簇中心的变化值小于第一预设值，样本簇归属的变化值小于第二预设值； 步骤39：生成典型场景：迭代终止后，输出最终聚类结果，以呈现聚类分析的典型场景； 最终聚类结果包括各簇的聚类中心、簇内样本分布、数量。

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三峡金沙江川云水电开发有限公司，其通讯地址为：610023 四川省成都市中国(四川)自由贸易试验区高新区府城大道东段288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。