System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风场智能预报订正,具体为基于cbam-transunet的风场智能预报订正方法及系统。
技术介绍
1、有研究基于线性回归、递减平均法等统计方法对动力模式输出的风场预报进行订正。但由于传统的统计方法无法捕捉大气信号中的非线性特征,且无法有效提取风场的空间特性,因此该方案的订正效果较为有限。近年来,深度学习技术迅速发展,得益于其高度非线性、强鲁棒性以及对于空间信息的处理能力,卷积神经网络(cnn)已被应用风场预报订正中,并较传统统计方法有显著优势。但由于cnn更多关注的是局部特征,因此该方案往往难以很好地捕捉风场地全局特征,其在风场预报订正中仍存在显著不足。另一方面,已有的预报订正方案在复杂地形和极端天气情景下均有很大的局限性,亟须进一步探索和提高。
2、准确预报风的强度和方向对航空、航海、农业、能源等行业的决策和管理至关重要。过去几十年来,随着数值模式的迅速发展,风场的预报技巧已得到了很大的提高。但由于大气的混沌特性、数值模式自身的不完善,风场预报仍存在较大的误差,尤其是在复杂地形和极端天气情景下,风场预报技巧十分有限,是亟须解决的科学和技术问题。
技术实现思路
1、鉴于上述存在的问题,提出了本专利技术。
2、因此,本专利技术解决的技术问题是:如何提高传统风场预报方法在复杂气象条件下的不准确性和对极端风事件的低敏感性。
3、为解决上述技术问题,本专利技术提供如下技术方案:基于cbam-transunet的风场智能预报订正方法,其包括如
4、采集数据进行数据预处理;构建融合通道注意力机制和空间注意力机制的transnet模型;写入基于均方误差和heidke技能评分的加权损失函数;基于模型在验证集中的表现调整模型参数优化模型,输出智能订正后的风场预报产品。
5、作为本专利技术所述的基于cbam-transunet的风场智能预报订正方法的一种优选方案,其中:所述采集数据包括采集实际风场观测资料、地形数据以及动力模式输出的风场、位势高度场预报数据;
6、所述数据预处理是将收集到的状态数据去掉缺失值,异常值,以及错误格式的无效数据,把原始格式数据转换为符合数学模型需求分析的格式,最后将数据标准化完成数据预处理并划分为训练集、验证集和测试集。
7、作为本专利技术所述的基于cbam-transunet的风场智能预报订正方法的一种优选方案,其中:构建transnet模型进行预报订正,捕获局地特征和全局特征,引入通道注意力机制和空间注意力机制,构建融合cbam的transnet模型,表达式为:
8、
9、其中,q,k,v为输入注意力模块矩阵复制的三份相同的矩阵,d为序列长度,t为矩阵的转置。
10、作为本专利技术所述的基于cbam-transunet的风场智能预报订正方法的一种优选方案,其中:所述写入基于均方误差和heidke技能评分的加权损失函数是构建基于均方误差和heidke技能评分的加权损失函数,提高模型对于极端风的预报技巧,表达式为:
11、loss=a*mse+(1-a)*hss
12、其中,a为超参数,loss为最终的损失函数,mse和hss分别为均方差和heidke技能评分。
13、作为本专利技术所述的基于cbam-transunet的风场智能预报订正方法的一种优选方案,其中:所述mse和hss的技能评分表达式为:
14、
15、
16、其中,fi为第i个预报样本,oi为第i个观测样本,n为样本总数,h,f,m和cr分别表示命中样本数量、虚报样本数量、漏报样本数量和正确拒绝样本数量。
17、作为本专利技术所述的基于cbam-transunet的风场智能预报订正方法的一种优选方案,其中:针对中样本数量、虚报样本数量、漏报样本数量和正确拒绝样本数量进行可微处理,表达式为:
18、
19、
20、
21、
22、
23、其中,表示逐元素相乘,observed为观测值,predicted为预报值,α为各格点极端风速阈值。
24、作为本专利技术所述的基于cbam-transunet的风场智能预报订正方法的一种优选方案,其中:基于训练集数据展开训练,并评估测试集中的mse和hss,根据评估结果调整损失函数中的超参数a,当验证集中订正后预报产品的hss较原始预报hss低时,减小超参数a,当验证集中订正后预报产品的mse大于原始预报产品的mse时则增大超参数a。
25、本专利技术的另外一个目的是提供基于cbam-transunet的风场智能预报订正系统,其能通过融合通道注意力机制和空间注意力机制,以及动态调整损失函数中的超参数,有效地提高预报的准确性和稳定性,解决了现有传统方法对于复杂风场条件预测不足和对极端风事件反应迟钝的问题。
26、为解决上述技术问题,本专利技术提供如下技术方案:基于cbam-transunet的风场智能预报订正系统,包括:数据预处理模块、风场分类模块、模型训练与评估模块、超参数调整模块以及多任务学习模块。
27、所述数据预处理模块是对原始风场数据进行清洗、标准化和格式转换。
28、所述风场分类模块是根据风速或其他相关特性,将风场数据分为不同的类别。
29、所述模型训练与评估模块是使用训练数据集对cbam-transunet模型进行训练,并使用验证数据集进行性能评估。
30、所述超参数调整模块是基于模型在验证集上的表现,动态调整超参数a的值。
31、所述多任务学习模块是使模型在预测不同风场条件时能够共享部分知识。
32、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述基于cbam-transunet的风场智能预报订正方法的步骤。
33、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,所述计算机程序被处理器执行时实现如上所述基于cbam-transunet的风场智能预报订正方法的步骤。
34、本专利技术的有益效果:本专利技术考虑地形对于风场的影响,在输入变量中加入了地形数据,能有效提高复杂地形下的风场预报技巧。本专利技术同时对经向风和纬向风进行订正,能有效提高风场的协同预报效果。位势高度预报场的引入也为风场预报提供了额外的可预报性来源。本专利技术搭建了融合通道注意力机制和空间注意力机制(cbam)的transunet模型,较传统的transunet模型而言对不同影响因子、不同影响区域有更强的敏感性。引入了基于均方误差和heidke技能评分的加权损失函数,能有效提高极端风的预报技巧。
本文档来自技高网...【技术保护点】
1.基于CBAM-TransUnet的风场智能预报订正方法,其特征在于,包括:
2.如权利要求1所述的基于CBAM-TransUnet的风场智能预报订正方法,其特征在于:所述采集数据包括采集实际风场观测资料、地形数据以及动力模式输出的风场、位势高度场预报数据;
3.如权利要求2所述的基于CBAM-TransUnet的风场智能预报订正方法,其特征在于:构建TransNet模型进行预报订正,捕获局地特征和全局特征,引入通道注意力机制和空间注意力机制,构建融合CBAM的TransNet模型,表达式为:
4.如权利要求3所述的基于CBAM-TransUnet的风场智能预报订正方法,其特征在于:所述写入基于均方误差和Heidke技能评分的加权损失函数是构建基于均方误差和Heidke技能评分的加权损失函数,提高模型对于极端风的预报技巧,表达式为:
5.如权利要求4所述的基于CBAM-TransUnet的风场智能预报订正方法,其特征在于:所述MSE和HSS的技能评分表达式为:
6.如权利要求5所述的基于CBAM-TransUnet的风
7.如权利要求6所述的基于CBAM-TransUnet的风场智能预报订正方法,其特征在于:基于训练集数据展开训练,并评估测试集中的MSE和HSS,根据评估结果调整损失函数中的超参数a,当验证集中订正后预报产品的HSS较原始预报HSS低时,减小超参数a,当验证集中订正后预报产品的MSE大于原始预报产品的MSE时则增大超参数a。
8.一种采用如权利要求1~7任一所述的基于CBAM-TransUnet的风场智能预报订正方法的系统其特征在于:包括数据预处理模块、风场分类模块、模型训练与评估模块、超参数调整模块以及多任务学习模块;
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于CBAM-TransUnet的风场智能预报订正方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于CBAM-TransUnet的风场智能预报订正方法的步骤。
...【技术特征摘要】
1.基于cbam-transunet的风场智能预报订正方法,其特征在于,包括:
2.如权利要求1所述的基于cbam-transunet的风场智能预报订正方法,其特征在于:所述采集数据包括采集实际风场观测资料、地形数据以及动力模式输出的风场、位势高度场预报数据;
3.如权利要求2所述的基于cbam-transunet的风场智能预报订正方法,其特征在于:构建transnet模型进行预报订正,捕获局地特征和全局特征,引入通道注意力机制和空间注意力机制,构建融合cbam的transnet模型,表达式为:
4.如权利要求3所述的基于cbam-transunet的风场智能预报订正方法,其特征在于:所述写入基于均方误差和heidke技能评分的加权损失函数是构建基于均方误差和heidke技能评分的加权损失函数,提高模型对于极端风的预报技巧,表达式为:
5.如权利要求4所述的基于cbam-transunet的风场智能预报订正方法,其特征在于:所述mse和hss的技能评分表达式为:
6.如权利要求5所述的基于cbam-transunet的风场智能预报订正方法,其特征在于:针对中样本数量...
【专利技术属性】
技术研发人员:张杰,刘双全,智协飞,黄伟芝,吕阳,符凯祥,王靖宇,陈凯,段睿钦,季焱,王有香,杨泽泰,朱寿鹏,
申请(专利权)人:云南电网有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。