本发明属于网格化数值天气特征提取领域，尤其涉及一种网格化数值天气特征降维提取方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、新能源电力系统是指综合利用太阳能、风能、水能、生物质能、地热能等可再生能源形成的电力系统。含高比例新能源电力系统是将新能源的利用比例提高到设定高的水平。含高比例新能源电力系统的负荷特征是指含高比例新能源电力系统的电力负荷从电力系统的电源中吸取的有功功率和无功功率如何随着负荷端点的电压及系统频率的变化而发生改变的规律。这一特性是含高比例新能源电力系统运行中的核心要素，它深刻影响着电力系统的整体性能。作为电能的最终消耗者，负荷特性的变化直接关联到含高比例新能源电力系统的分析、设计与控制策略。
3、然而在实际的工业生产和生活中，含高比例新能源电力系统的负荷类型多种多样，不同类型的负荷有着不同的代表特征和用电行为方式，负荷历史数据与网格化数值天气预报数据信息含量巨大，直接分析的难度和复杂度也很大。
技术实现思路
1、为了解决上述问题，本发明提供一种网格化数值天气特征降维提取方法及系统，其能够准确地快速提取天气特征，以用于负荷预测。
2、为了实现上述目的，本发明采用如下技术方案：
3、本发明的第一个方面提供了一种网格化数值天气特征降维提取方法。
4、一种基于网格化数值天气预报特征降维的负荷特征提取方法，包括：
5、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；
6、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；
7、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；
8、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。
9、本发明的第二个方面提供了一种网格化数值天气特征降维提取系统。
10、一种网格化数值天气特征降维提取系统，其包括：
11、负荷类型与功率关系确定模块，其用于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；
12、气象因子特征矩阵构建模块，其用于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；
13、气象因子特征矩阵降维模块，其用于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；
14、网格化气象特提取模块，其用于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。
15、本发明的第三个方面提供了一种计算机可读存储介质。
16、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的网格化数值天气特征降维提取方法中的步骤。
17、本发明的第四个方面提供了一种电子设备。
18、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的网格化数值天气特征降维提取方法中的步骤。
19、与现有技术相比，本发明的有益效果是：
20、(1)本发明通过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，能够探寻同类负荷不同季度之间、不同类别负荷同季度内功率的异同，挖掘负荷用电行为的特性。
21、(2)本发明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，对多维气象数据实现初步筛选，简化同质气象数据，避免数据重复性，剔除低相关性气象因子，提高可靠性。
22、(3)本发明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，实现了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，降低计算复杂度。
23、(4)本发明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，进一步提取不同负荷类型的所属区域网格化隐含特征，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，不同类型负荷特征主要为空间特征，包括经纬度信息为负荷预测提供理论基础。
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：
2.如权利要求1所述的网格化数值天气特征降维提取方法，其特征在于，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。
3.如权利要求1所述的网格化数值天气特征降维提取方法，其特征在于，构建初始气象因子特征矩阵的过程包括：
4.如权利要求1所述的网格化数值天气特征降维提取方法，其特征在于，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。
5.如权利要求1所述的网格化数值天气特征降维提取方法，其特征在于，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。
6.如权利要求1所述的网格化数值天气特征降维提取方法，其特征在于，多元气象因子包括气温、气压、辐照度、风向风速、云量和降水量。
7.一种网格化数值天气特征降维提取系统，其特征在于，包括：
8.如权利要求7所述的网格化数值天气特征降维提取系统，其特征在于，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；或利用res-net残差网络对降维的气象因子特征矩阵进行迭代学习。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的网格化数值天气特征降维提取方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的网格化数值天气特征降维提取方法中的步骤。
