一种基于深度迁移学习的气象温度、光照的预测方法技术

本发明专利技术提供一种基于深度迁移学习的气象温度、光照的预测方法，具体步骤如下：获取目标区域内各个气象站点记录的历史数据，并对历史数据进行数据预处理，得到预处理数据；通过基于密度峰值的聚类算法预处理数据对气象探测点分类，并计算每一类的聚类中心点；使用每个类型的数据训练各自的空间预测神经网络模块，并根据优化后空间预测神经网络模块，对每个聚类得到的类型数据训练各自的预测模型；根据目标预测区域内有无数据样本使用不同的输入与模型结构对目标区域内的温度及光照进行预测，本发明专利技术适用于目标预测区域内有少量样本数据或零样本数据时的温度及日照的预测。

【技术实现步骤摘要】
一种基于深度迁移学习的气象温度、光照的预测方法
本专利技术涉及气象预测领域，特别是一种基于深度迁移学习的气象温度、光照的预测方法。
技术介绍
天气温度、光照的变化对人类生活、农业生产、社会活动及学术研究等有着密切的关系，人们针对天气的预测主要以专业气象台站为中心进行研究。随着科学技术的不断进步，气象数据逐渐丰富，对天气预测数据的时空分辨率及精度提出了更高的要求。如天气因素极大地影响着光伏发电站的效率，由于目前储能设备的限制，光伏发电主要采用即发即用的模式，为了防止由于天气随机变化带来的电网波动影响电网的稳定性，需要对天气进行精确的预测来防止天气变化带来的电网冲击和提高能源管理能力带来更高的能源效率。随着光伏发电的发展及普及，小型或独立发电站也将成为未来重要的能量来源，但如由于气象站台探测点分布及地区气候环境特征的不同，现有数据密度尚不能满足需求，如何对某些无法获得长久、精确气象数据的地区进行天气预测是该领域研究关注的重点之一。计算机数据挖掘技术的兴起，为气象预测方法研究提供了新的思路。传统的主流方法一般分为光流法与建模法，前者通过分析天本文档来自技高网...

【技术保护点】
1.一种基于深度迁移学习的气象温度、光照的预测方法，其特征在于，具体步骤如下：/n1)数据采集：获取目标区域内各个气象站点记录的历史数据，并对历史数据进行数据预处理，得到预处理数据；/n2)数据分类：通过基于密度峰值的聚类算法及步骤1)中各个气象站点的预处理数据对气象探测点分类，并计算每一类的聚类中心点；/n3)构建模型：使用每个类型的数据训练各自的空间预测神经网络模块，采用RMSprop算法对空间预测神经网络模块进行优化，并根据优化后空间预测神经网络模块，对每个聚类得到的类型数据训练各自的预测模型；/n4)预测温度及光照：若预测目标区域有样本数据，则根据样本数据匹配种类及预测模型，并对预测模...

【技术特征摘要】
1.一种基于深度迁移学习的气象温度、光照的预测方法，其特征在于，具体步骤如下：
1)数据采集：获取目标区域内各个气象站点记录的历史数据，并对历史数据进行数据预处理，得到预处理数据；
2)数据分类：通过基于密度峰值的聚类算法及步骤1)中各个气象站点的预处理数据对气象探测点分类，并计算每一类的聚类中心点；
3)构建模型：使用每个类型的数据训练各自的空间预测神经网络模块，采用RMSprop算法对空间预测神经网络模块进行优化，并根据优化后空间预测神经网络模块，对每个聚类得到的类型数据训练各自的预测模型；
4)预测温度及光照：若预测目标区域有样本数据，则根据样本数据匹配种类及预测模型，并对预测模型进行微调Fine-tuning，隔离空间预测网络模块对温度及日照进行预测，若预测目标区域无样本数据，则选取距离预测目标区域最近的气象站类型及预测模型，并对预测模型构建领域判别器进行领域自适应，包含使用空间网络模块进行预测。


2.如权利要求1所述的一种基于深度迁移学习的气象温度、光照的预测方法，其特征在于，步骤1)中数据采集的具体步骤如下：
1-1)以日为数据单位，采集目标区域内各个气象站点记录的平均、最大、最小气温、20-20时降水量、平均风速、日照时数、平均相对湿度、平均气压、气象站经纬度、数据采集时间，获得历史数据；
1-2)将历史数据中平均、最大、最小气温、20-20时降水量、平均风速、日照时数、平均相对湿度、平均气压的缺失值或异常值替换为缺失值或异常值前后两个值的平均值，或替换为3—5日时间范围的均值；
1-3)对历史数据添加晴雨值，其值为当降水量大于0时为1，降雨量等于0时为0；
1-4)对气象站经纬度数据进行变换：



式(1)中，xi与分别代表变换前后的经度，yi与分别代表变换前后的纬度；
1-5)对温度数据T进行变换：



式(2)中，其中是变换后的温度；
1-6)日期数据D值域为0-365，将其表示为：



式(3)中，Disin，Dicos为处理后的日期数据，由于Di的取值范围有限且所有数据共享，为了简化计算在计算时直接使用Disin，Dicos替换Di；
1-7)对历史数据中20-20时降水量、平均风速、日照时数、平均相对湿度、平均气压数据进行归一化处理；
1-8)根据步骤1-7)得到的数据以年为单位截取为时序序列，选择温度、降雨量、气压数据的最大值、最小值、平均值、方差、最大值对应的时间、最小值对应的时间数据作为各个气象站数据点Xi。


3.如权利要求1所述的一种基于深度迁移学习的气象温度、光照的预测方法，其特征在于，步骤2)中数据分类的具体步骤如下：
2-1)通过基于密度峰值的聚类算法及步骤1)中各个气象站点的预处理数据计算每个气象站点的簇中心权值Υi及logΥi，并按照降序对logΥi进行排列；
2-2)计算排序后的logΥi序列相邻两数间的差值向量Di，根据差值向量Di获取气象站点数据的聚类中心点，并将非聚类中心点进行聚类；
2-3)在每一类中计算每个气象站点的数据Xi与其他气象探测点的数据Xj的欧氏距离dij，并进行求和得到第i个气象站点与其他气象站点总的距离值Di，并找出Di最小的气象站点，该气象站点即为该类的聚类中心点。


4.如权利要求1所述的一种基于深度迁移学习的气象温度、光照的预测方法，其特征在于，步骤2-1)中计算每个气象站点的簇中心权值Υi及logΥi，并按照降序对logΥi进行排列的具体步骤如下：
2-1-1)运用欧式距离计算各个气象站点的距离矩阵dij；
2-1-2)计算第i个气象站点的簇中心权值Υi：
Υi＝ρiδi(4)式(4)中，ρi为第i个气象站点对应的局部密度，δi为相对距离；
相对距离δi：



式(5)中，dij为第i个气象站点和其他气象站点之间的欧式距离；
第i个气象站点对应的局部密度ρi：



式(6)中，dij为第i个气象站点和其他气象站点之间的欧式距离，dc为截断距离，其中：
使用基于基尼系数最小化的自适应方法确定最佳的截断距离dc，不断调整截断距离dc，当基尼系数G取得最小值时所对应的就是最佳的截断距离dc，G的公式为：



式(7)中，G代表气象站数据集的基尼系数值大小，Z代表气象站数据集总的簇中心权值大小。
2-1-3)计算logΥi，并按照降序进行排列。


5.如权利要求1所述的一种基于深度迁移学习的气象温度、光照的预测方法，其特征在于，步骤2-2)中计算气象站点数据的聚类中心点，并将非聚类中心点进行聚类的具体步骤如下：
2-2-1)计算排序后的logΥi序列相邻两数间的差值向量...

【专利技术属性】
技术研发人员：毛永芳，王腾，魏铨，郭铭磊，柴毅，国祎晴，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50