-
公开(公告)号：CN117055051B
公开(公告)日：2023-12-19
申请号：CN202311297102.X
申请日：2023-10-09
Applicant: 国家气象中心(中央气象台) , 南京信息工程大学
IPC: G01S13/95 , G01S7/41 , G01S13/86 , G01W1/00 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/24
Abstract: 本发明提出一种基于多源数据的冰雹识别方法、系统、设备及存储介质，涉及天气识别技术领域，方法包括：首先，获取冰雹识别深度学习模型输入的多源数据并进行数据预处理，多源数据包括三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据；随后计算冰雹单体的多属性特征，设置阈值，确定冰雹标签；最后，建立冰雹识别深度学习模型，冰雹识别深度学习模型包括融合模块和FEMU‑Net识别模块，融合模块负责实现多源数据的特征融合，FEMU‑Net识别模块负责将融合后的特征进行学习，输出冰雹识别结果。本发明的方案能准确区分冰雹和非冰雹区域，在冰雹识别方面取得了显著结果，在准确(56)对比文件张玉洁等.基于多源数据融合的综合气象观测产品系统设计与应用.气象与环境科学.2022,第45卷(第3期),96-102.
-
公开(公告)号：CN117055051A
公开(公告)日：2023-11-14
申请号：CN202311297102.X
申请日：2023-10-09
Applicant: 国家气象中心(中央气象台) , 南京信息工程大学
IPC: G01S13/95 , G01S7/41 , G01S13/86 , G01W1/00 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/24
Abstract: 本发明提出一种基于多源数据的冰雹识别方法、系统、设备及存储介质，涉及天气识别技术领域，方法包括：首先，获取冰雹识别深度学习模型输入的多源数据并进行数据预处理，多源数据包括三维雷达反射率因子数据、FY4B卫星数据、ERA5环境场数据和DEM数据；随后计算冰雹单体的多属性特征，设置阈值，确定冰雹标签；最后，建立冰雹识别深度学习模型，冰雹识别深度学习模型包括融合模块和FEMU‑Net识别模块，融合模块负责实现多源数据的特征融合，FEMU‑Net识别模块负责将融合后的特征进行学习，输出冰雹识别结果。本发明的方案能准确区分冰雹和非冰雹区域，在冰雹识别方面取得了显著结果，在准确性和鲁棒性方面均有明显提升。
-
公开(公告)号：CN118312925B
公开(公告)日：2024-08-06
申请号：CN202410734176.3
申请日：2024-06-07
Applicant: 国家气象中心(中央气象台)
IPC: G06F18/25 , G06F18/2431 , G06F18/2337 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01W1/02 , G01W1/10
Abstract: 本发明提出一种雷暴大风识别方法、系统、设备及介质，属于气象智能识别领域。方法包括：构建雷暴大风识别模型；将风速时序输入站点时序特征编码器，得到风速时序编码特征；将格点资料数据输入多源格点资料编码器，得到格点资料编码特征；将风速时序编码特征和格点资料编码特征输入多模态特征融合模块进行特征融合后得到解码，得到有无雷暴大风的二分类结果；通过将5km邻域命中、5km邻域漏报和5km邻域空报带入TS评分，构建TS_LOSS损失函数；根据TS_LOSS损失函数和BCE_LOSS损失函数，得到TG_LOSS损失函数训练雷暴大风识别模型。本发明提出的方案能够精确地识别雷暴大风，其命中率更高，空报和漏报更少。
-
公开(公告)号：CN118312925A
公开(公告)日：2024-07-09
申请号：CN202410734176.3
申请日：2024-06-07
Applicant: 国家气象中心(中央气象台)
IPC: G06F18/25 , G06F18/2431 , G06F18/2337 , G06N3/0455 , G06N3/0464 , G06N3/08 , G01W1/02 , G01W1/10
Abstract: 本发明提出一种雷暴大风识别方法、系统、设备及介质，属于气象智能识别领域。方法包括：构建雷暴大风识别模型；将风速时序输入站点时序特征编码器，得到风速时序编码特征；将格点资料数据输入多源格点资料编码器，得到格点资料编码特征；将风速时序编码特征和格点资料编码特征输入多模态特征融合模块进行特征融合后得到解码，得到有无雷暴大风的二分类结果；通过将5km邻域命中、5km邻域漏报和5km邻域空报带入TS评分，构建TS_LOSS损失函数；根据TS_LOSS损失函数和BCE_LOSS损失函数，得到TG_LOSS损失函数训练雷暴大风识别模型。本发明提出的方案能够精确地识别雷暴大风，其命中率更高，空报和漏报更少。
-
公开(公告)号：CN114521002B
公开(公告)日：2024-09-06
申请号：CN202210197990.7
申请日：2022-03-02
Applicant: 南京信息工程大学
IPC: H04W28/086 , H04L41/0833 , H04B7/185 , G06F9/50 , G06F9/445 , G06N3/126 , G06N3/092 , H04W84/06
Abstract: 本发明公开了一种云边端合作的边缘计算方法，使用基站、无人机和任务处理设备协作帮助移动设备处理计算任务，采用DDQN深度强化学习求解卸载策略，使用拉格朗日对偶法求解无人机的总资源分配，使用遗传算法求解无人机的部署。本发明综合考虑了网络内的所有可利用的计算设备，有效地降低计算任务的系统处理能耗，提高用户的服务质量，具有一定灵活性。本发明采用DDQN深度强化学习计算得到最优卸载策略，能够以较低的复杂度获得大量移动设备的卸载动作，能够适应动态的环境变化。降低复杂度后一是可以节约计算资源，降低移系统的功耗，二是节约计算时间，可以提高系统的实时性，三是高效利用太阳能清洁能源。
-
Patent Agency Ranking
公开(公告)号：CN118336721B
公开(公告)日：2024-08-27
申请号：CN202410753423.4
申请日：2024-06-12
Applicant: 南京信息工程大学
IPC: H02J3/00 , G06F18/213 , G06F18/15 , G06F18/25 , G06F18/2431 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06Q50/06 , G06F123/02
Abstract: 本发明提供了基于小波包分解和ConvLSTM的电力负荷预测方法，所述方法采用小波包分解模块分解电力负荷数据得到多个表示不同时序规律的子序列数据，将气象要素、用地类型以及子序列数据作为多源融合数据输入赋权耦合Conv‑LSTM网络中，使用赋权耦合模块计算通道赋权特征，进行电力负荷预测。在相同条件下，本方法能够实现更准确的电力负荷短期预测，评价指标MAPE达到2.73，与其他主流方法相比整体预测性能显著提升。
-
-
公开(公告)号：CN117233869B
公开(公告)日：2024-02-23
申请号：CN202311516084.X
申请日：2023-11-15
Applicant: 南京信息工程大学
IPC: G01W1/10 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于GRU‑BiTCN的站点短期风速预测方法，包括：获取设定时间窗口内的待预测目标站点的站点历史气象数据、待预测目标站点周围 个格点的格点历史气象数据，以及获取设定时间窗口内的各格点的地形历史数据；对获取到的站点历史气象数据、格点历史气象数据和地形历史数据进行归一化处理；将归一化后的格点历史气象数据和归一化后的地形历史数据进行拼接，得到第一拼接数据；将第一拼接数据按照时间步长划分成多个批次，按照时间顺序，将多个批次依次输入至训练好的GRU‑BiTCN模型中，同时将归一化后的站点历史气象数据输入至训练好的GRU‑BiTCN模型中，由训练好的GRU‑BiTCN模型输出在设定时间窗口后一个时间步长时，待预测目标站点的风速预测值。
-
公开(公告)号：CN117424232A
公开(公告)日：2024-01-19
申请号：CN202311744003.1
申请日：2023-12-19
Applicant: 南京信息工程大学
IPC: H02J3/00 , G06Q10/04 , G06Q50/06 , G06N3/0475 , G06N3/094 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 本发明提出了一种基于三维气象数据多源融合的短期光伏功率预测方法，构建时空条件扩散模型用于生成预测卫星云图，通过时空LSTM提取历史卫星图像和历史ERA5气象数据中的时空特征，结合条件生成对抗网络生成高精度的预测卫星云图，再通过U型气象特征嵌入网络建立二维云特征及三维气象要素特征与光伏功率的映射关系，实现高精度的光伏功率预测。本发明充分考虑了云层高度、太阳位置和气象条件对光伏功率的影响，能够实现高精度的短期光伏功率预测，帮助电力公司更好地管理电力网络和输电线路，确保系统的安全和稳定运行。
-
公开(公告)号：CN116432702B
公开(公告)日：2023-08-29
申请号：CN202310678856.3
申请日：2023-06-09
Applicant: 南京信息工程大学
IPC: G06N3/045 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/082 , G06F17/17 , G06F18/25 , G01W1/10 , G01W1/18
Abstract: 本发明公开了一种用于ECMWF预报产品订正的深度学习NFC‑Net网络模型。首先获取待订正区域内的DEM数据、FY‑4A卫星数据、ECMWF格点预报数据和ERA5再分析数据；随后构建预报订正网络NFC‑Net，该网络包括空间分辨率对齐模块、时空特征提取模块和UNet订正模块。空间分辨率对齐模块用于将FY‑4A卫星数据、DEM数据与ECMWF数据进行对齐。时空特征提取模块用于提取ERA5历史再分析数据和FY‑4A卫星数据的时空特征，UNet订正模块用于将上述多源异构数据的时空特征进行学习，输出订正结果。本方法能够融合多源异构数据的特征，对ECMWF预报产品进行有效订正。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.041 seconds)
