一种风要素修正模型的迁移学习方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及气象技术领域，公开了一种风要素修正模型的迁移学习方法、装置、设备及介质，该方法包括：获取海上风电场内预设点位处的第一数据集和待修正点位处的第二数据集，经过自适应动量随机优化算法，建立风要素源域修正模型；计算判定系数；基于第二数据集和判定系数，对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型并进行修正，得到修正结果。本发明专利技术通过将其他预设点位处训练好的风要素源域修正模型进行迁移，从而解决数据资料缺乏点位的模式修正问题；将判定系数的计算创新性的用于风要素修正模型的迁移学习过程中，进一步拓展了该指标的使用场景。步拓展了该指标的使用场景。步拓展了该指标的使用场景。

【技术实现步骤摘要】
一种风要素修正模型的迁移学习方法、装置、设备及介质


[0001]本专利技术涉及气象
，具体涉及一种风要素修正模型的迁移学习方法、装置、设备及介质。

技术介绍

[0002]现有的天气预报数据通常基于天气预报模式（WRF模式）进行模拟，但是其模拟结果通常与实际测风数据存在一定差异。为了提升数据准确度，通常需要采用一定的修正策略对天气预报模拟数据进行修正。
[0003]目前，常用的修正策略通常基于机器学习模型，该类模型具有拟合精度高、学习能力强等特点。但是，深度学习等机器学习模型训练需要大量的数据样本，样本量不足则易出现学习不充分、过拟合等问题，导致模型适用性较差，因此，数据资料缺乏的点位则难以构建合适的修正模型。
[0004]目前，针对缺数据资料点位天气预报模式风要素修正的难题，通常采用的方式为直接借用邻近点位的修正模型进行修正，虽然能够取得一定修正效果，但是修正效果较为有限。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种风要素修正模型的迁移学习方法、装置、设备及介质，以解决现有借用邻近点位的修正模型对缺数据资料点位天气预报模式风要素的修正效果较差的问题。
[0006]第一方面，本专利技术提供了一种风要素修正模型的迁移学习方法，该风要素修正模型的迁移学习方法包括：在海上风电场处于预设天气预报模式下，获取海上风电场内预设点位处的第一数据集和待修正点位处的第二数据集，第一数据集包括第一天气预报模式数据集和第一实测风速数据集，第二数据集包括第二天气预报模式数据集和第二实测风速数据集；基于第一数据集，经过自适应动量随机优化算法，建立风要素源域修正模型；计算第一实测风速数据集和第二实测风速数据集的判定系数；基于第二数据集和判定系数，对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型；利用风要素目标域修正模型对待修正点位处的第二天气预报模式数据集进行修正，得到修正结果。
[0007]本专利技术提供的风要素修正模型的迁移学习方法，通过将其他预设点位处的训练好的风要素源域修正模型采用一定策略进行迁移，从而解决数据资料缺乏点位的模式修正问题；将判定系数的计算创新性的用于风要素修正模型的迁移学习过程中，进一步拓展了该指标的使用场景。
[0008]在一种可选的实施方式中，基于第一数据集，经过自适应动量随机优化算法，建立风要素源域修正模型，包括：获取初始风要素源域修正模型的第一神经网络参数集；基于第一数据集和第一神
经网络参数集，利用自适应动量随机优化算法对初始风要素源域修正模型进行训练直至得到满足预设第一条件的风要素源域修正模型。
[0009]本专利技术利用自适应动量随机优化算法进行模型训练，提高了模型训练的精度。
[0010]在一种可选的实施方式中，基于第一数据集和第一神经网络参数集，利用自适应动量随机优化算法对初始风要素源域修正模型进行训练直至得到满足预设第一条件的风要素源域修正模型，包括：将第一数据集按照时间顺序划分为第一训练数据集和第一测试数据集；将第一训练数据集按照批尺寸大小顺序划分为至少一个批次训练数据；基于每个批次训练数据和第一神经网络参数集，利用自适应动量随机优化算法对初始风要素源域修正模型进行训练；利用第一测试数据集判断训练后的初始风要素源域修正模型是否满足预设第一条件；根据判断结果确定风要素源域修正模型。
[0011]本专利技术利用自适应动量随机优化算法进行模型训练，提高了模型训练的精度。
[0012]在一种可选的实施方式中，根据判断结果确定风要素源域修正模型，包括：当训练后的初始风要素源域修正模型满足预设第一条件时，将训练后的初始风要素源域修正模型确定为风要素源域修正模型；当训练后的初始风要素源域修正模型不满足预设第一条件时，基于每个批次训练数据对第一神经网络参数集进行调整；基于每个批次训练数据和调整后的第一神经网络参数集，利用自适应动量随机优化算法对初始风要素源域修正模型进行训练直至得到满足预设第一条件的风要素源域修正模型。
[0013]本专利技术在训练过程中根据训练结果实时调整模型参数，提高了模型训练的精度。
[0014]在一种可选的实施方式中，计算第一实测风速数据集和第二实测风速数据集的判定系数，包括：计算第一数据集中的第一实测风速数据集的第一实测数据平均值；计算第二数据集中第二实测风速数据集的第二实测数据平均值；基于第一实测数据平均值和第二实测数据平均值，计算判定系数。
[0015]本专利技术将判定系数的计算创新性的用于风要素修正模型的迁移学习过程中，进一步拓展了该指标的使用场景。
[0016]在一种可选的实施方式中，基于第二数据集和判定系数，对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型，包括：获取预设第一阈值和预设第二阈值；将判定系数分别与预设第一阈值和预设第二阈值进行比对；根据比对结果和第二数据集对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型。
[0017]本专利技术根据判定系数的不同取值设置了不同的迁移学习策略，能够尽可能的减轻风要素目标域修正模型的训练代价并保证训练效果。
[0018]在一种可选的实施方式中，根据比对结果和第二数据集对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型，包括：当判定系数大于预设第二阈值时，获取风要素源域修正模型的第二神经网络参数集；基于第二神经网络参数集和第二数据集，利用自适应动量随机优化算法对风要素源域修正模型进行训练直至得到满足预设第二条件的风要素目标域修正模型。
[0019]本专利技术根据判定系数的不同取值设置了不同的迁移学习策略，能够尽可能的减轻
风要素目标域修正模型的训练代价并保证训练效果。
[0020]在一种可选的实施方式中，根据比对结果和第二数据集对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型，还包括：当判定系数大于预设第一阈值且小于预设第二阈值时，获取第二神经网络参数集中的输出层权值参数和其他神经网络层权值参数；对输出层权值参数进行初始化，得到目标输出层权值参数；基于目标输出层权值参数和其他神经网络层权值参数确定第三神经网络参数集；基于第三神经网络参数集和第二数据集，利用自适应动量随机优化算法对风要素源域修正模型进行训练直至得到满足预设第二条件的风要素目标域修正模型。
[0021]本专利技术根据判定系数的不同取值设置了不同的迁移学习策略，能够尽可能的减轻风要素目标域修正模型的训练代价并保证训练效果。
[0022]在一种可选的实施方式中，根据比对结果和第二数据集对风要素源域修正模型进行迁移学习，生成风要素目标域修正模型，还包括：当判定系数小于预设第一阈值时，对第二神经网络参数集中包含的每个神经网络层权值参数进行初始化，得到第四神经网络参数集；基于第四神经网络参数集和第二数据集，利用自适应动量随机优化算法对风要素源域修正模型进行训练直至得到满足预设第二条件的风要素目标域修正模型。
[0023]本专利技术根据判定系数的不同取值设置了不同的迁移学习策略，能够尽可能的减轻风要素目标域修正模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风要素修正模型的迁移学习方法，其特征在于，所述方法包括：在海上风电场处于预设天气预报模式下，获取所述海上风电场内预设点位处的第一数据集和待修正点位处的第二数据集，所述第一数据集包括第一天气预报模式数据集和第一实测风速数据集，所述第二数据集包括第二天气预报模式数据集和第二实测风速数据集；基于所述第一数据集，经过自适应动量随机优化算法，建立风要素源域修正模型；计算所述第一实测风速数据集和所述第二实测风速数据集的判定系数；基于所述第二数据集和所述判定系数，对所述风要素源域修正模型进行迁移学习，生成风要素目标域修正模型；利用所述风要素目标域修正模型对所述待修正点位处的所述第二天气预报模式数据集进行修正，得到修正结果。2.根据权利要求1所述的方法，其特征在于，基于所述第一数据集，经过自适应动量随机优化算法，建立风要素源域修正模型，包括：获取初始风要素源域修正模型的第一神经网络参数集；基于所述第一数据集和所述第一神经网络参数集，利用自适应动量随机优化算法对所述初始风要素源域修正模型进行训练直至得到满足预设第一条件的所述风要素源域修正模型。3.根据权利要求2所述的方法，其特征在于，基于所述第一数据集和所述第一神经网络参数集，利用自适应动量随机优化算法对所述初始风要素源域修正模型进行训练直至得到满足预设第一条件的所述风要素源域修正模型，包括：将所述第一数据集按照时间顺序划分为第一训练数据集和第一测试数据集；将所述第一训练数据集按照批尺寸大小顺序划分为至少一个批次训练数据；基于每个批次训练数据和所述第一神经网络参数集，利用自适应动量随机优化算法对所述初始风要素源域修正模型进行训练；利用所述第一测试数据集判断训练后的所述初始风要素源域修正模型是否满足所述预设第一条件；根据判断结果确定所述风要素源域修正模型。4.根据权利要求3所述的方法，其特征在于，根据判断结果确定所述风要素源域修正模型，包括：当训练后的所述初始风要素源域修正模型满足所述预设第一条件时，将训练后的所述初始风要素源域修正模型确定为所述风要素源域修正模型；当训练后的所述初始风要素源域修正模型不满足所述预设第一条件时，基于每个批次训练数据对所述第一神经网络参数集进行调整；基于每个批次训练数据和调整后的所述第一神经网络参数集，利用自适应动量随机优化算法对所述初始风要素源域修正模型进行训练直至得到满足所述预设第一条件的所述风要素源域修正模型。5.根据权利要求1所述的方法，其特征在于，计算所述第一实测风速数据集和所述第二实测风速数据集的判定系数，包括：计算所述第一数据集中的所述第一实测风速数据集的第一实测数据平均值；计算所述第二数据集中所述第二实测风速数据集的第二实测数据平均值；
基于所述第一实测数据平均值和所述第二实测数据平均值，计算所述判定系数。6.根据权利要求1所述的方法，其特征在于，基于所述第二数据集和所述判定系数，对所述风要素源域修正模型进行迁移学习，生成风要素目标域修正模型，包括：获取预设第一阈值和预设第二阈值；将所述判定系数分别与所述预设第一阈值和所述预设第二阈值进行比对；根据比对结果和所述第二数据集对所述风要素源域修正模型进行迁移学习，生成所述风要素目标域修正模型。7.根据权利要求6所述的方法，其特征在于，根据比对结果和所述第二数据集对所述风要素源域修正模型进行迁移学习，生成所述风要素目标域修正模型，包括：当所述判定系数大于所述预设第二阈值时，获取所述风要素源域修正模型的第二神经网络参数集；基于所述第二神经网络参数集和所述第二数据集，利用自适应动量随机优化算法对所述风要素源域修正模型进行训练直至得到满足预设第二条件的所述风要素目标域修正模型。8.根据权利要求7所述的方法，其特征在于，根据比对结果和所述第二数据集对...

【专利技术属性】
技术研发人员：张皓，文仁强，杜梦蛟，张子良，贾天下，王浩，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：