18、太阳能预测中的深度学习技术

太阳能预测中的深度学习技术

1. 专利挖掘

1.1 光伏专利分布

光伏技术的创新进展可通过专利分析来展现。研究表明，光伏专利主要集中在三个领域：光伏半导体材料、光能直接转化为电能以及适用于屋顶结构的太阳能板。此外，有机聚合物、碳纳米结构、III - V 族化合物和镉电池等是光伏电池专利中的特殊案例。

1.2 专利聚类方法

聚类是一种利用单一人工智能的方法，它根据报告之间的关联将其划分为不同的组。一个好的聚类结果应使同一组内的相似度更高，而不同组之间的相似度更低。通过分析空间专利中出现的关键词，将具有相似关键词的专利聚类到一起。例如，Trappey 等人使用标准化的 TF - IDF 来找出 3D 打印专利语料库中的关键术语，考虑到专利文档的不同长度，采用渐进聚类、K - means 和 K - medoids 等方法来更好地分析专利子创新组。还有人提出通过计算专利报告之间的皮尔逊相关系数来构建平衡的专利 - 专利网络，然后使用 k - means 算法对专利进行聚类，并通过应用平均轮廓宽度来确定最佳的聚类数量。最后，分析专利指标（如前向引用、三元专利族和独立权利要求）来总结有前景的技术。

2. 潜在狄利克雷分配（LDA）

2.1 LDA 原理及应用

LDA 能够更好地消除单词的模糊性，并更精确地将文档分配到主题中。Zou 利用 LDA 主题建模构建了一种智能方法，从大量专利文档中识别每个主题下的关键表达。具体操作步骤如下：
1. 使用 k - means 和层次聚类技术对专利文档进行分组。
2. 基于每个组构建 LDA 主题模型。
3. 科学家通过观察模型