【技术实现步骤摘要】
本专利技术涉及风气候，涉及的是一种基于多维注意力机制的复杂地形条件下风场重构方法。
技术介绍
1、风气候对水循环、与风相关的自然灾害，如龙卷风、台风和风暴潮等均有紧密联系，尤其是对风电行业、粮食生产、生态稳定等均有重大影响。因此，研究风速的空间变化特征及变化趋势对风能资源开发、生态环境保护和粮食安全具有重要意义。
2、在风速研究中，人们根据数据空间分布形式将数据分为站点数据与格点数据两种。站点数据是由各测站实际观测到的，具有准确性和实时性，但受各测站空间分布不均匀、建站时间不统一、测站周围环境变迁等影响，导致站点数据存在时间序列长短不一、空间分布不均匀、数据代表性差等问题，因此，在具体的风速分析和数值模拟等研究中，离散的站点数据不利于可视化与分析，不能完全真实代表区域风速变化特征。格点数据凭借一定的几何形态格子归并区域范围内的数据，具有时空分辨率高、数据可代表性强的特点，常用于风速特征诊断、预测分析等研究。
3、格点数据集根据生产方式的不同，可以分为三类，一类是基于全球海-气耦合模式直接输出，如：第六次国际耦合模式比较计划（简称cmip6）。当前研究表明，该类数据低估近地面风速的年际变化，无法再现观测风速的下降趋势。为此，人们提出动力降尺度方法来改进模型的模拟性能，但该方法不能很好模拟复杂区域的近地面风速时空变化特征。另一类是基于观测数据的格点化再生产，该类数据集是由全球气候模式数据与来自世界各地的观测数据结合起来，形成一个全球的、均一化较高的数据集，如欧洲中期天气预报中心第五代再分析数据（简称era5）
4、基于机器学习的模型具有从原始数据序列中提取潜在特征的强大能力，在逼近类似风速数据这样的非线性序列方面表现出比传统统计模型更好的性能，已经被广泛用于风速的诊断与预测中，例如，支持向量机（svm）、最小二乘支持向量机、极限学习机（elm）、核elm（kelm）、模糊逻辑方法、卡尔曼滤波器和不同类型的人工神经网络包括反向传播神经网络（bpnn）、多层感知器（mlp）、小波神经网络（wnn），elman网络和广义回归神经网络（grnn）。由于不能共享模型内部权值参数，导致该类模型在大量数据面前存在参数过多、过拟合等问题。
5、因此，设计一种基于多维注意力机制的复杂地形条件下风场重构方法是十分有必要的。
技术实现思路
1、为了克服现有技术的缺点，本专利技术的目的是提供一种基于多维注意力机制的复杂地形条件下风场重构方法。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术第一方面提供了一种基于多维注意力机制的复杂地形条件下风场重构方法，包括：
4、采集风场数据；
5、基于多维注意力深度学习模型构建风场重构模型；风场重构模型包括多维特征提取模块、特征编码模块及特征解码模块，所述多维特征提取模块用于将输入的变量构建为因子变量及位置变量，其中，输入的变量为输入多维特征提取模块的变量，基于气象物理因子对风场的影响确定因子变量，基于获取输入的变量的研究区域的某一区域与其余区域的遥相关系，确定位置变量；基于因子变量及位置变量从因子维度及空间维度提取变量内部及变量间的多维特征，其中，多维特征包括各个因子变量之间的相互作用的因子特征图以及各个区域的组合因子变量的位置特征图；所述特征编码模块用于对多维特征进行编码，得到编码信息，所述特征解码模块用于编码信息进行扩容及对输出风场进行平滑处理；
6、基于风场数据对风场重构模型进行训练；
7、利用训练后的风场重构模型进行风场重构。
8、优选地，所述多维特征提取模块包括z-score处理模块、embed编码模块及多维自注意模块，通过z-score处理模块将输入的变量进行z-score处理，将每个时刻的变量场构造成h×w×n的输入因子张量形式，其中，h为high，w为wide，f为factor；将变换后的输入因子张量拆分为因子矩阵张量及位置矩阵张量；基于embed编码模块分别对因子矩阵张量及位置矩阵张量进行embed编码；多维自注意模块通过多头自注意力机制对经过embed编码的张量进行多维特征提取。
9、优选地，所述多维自注意模块包括因子注意力模块及位置注意力模块，其中，因子注意力模块用于考虑多气象物理因子对风场的影响，为：（1）
10、式中，为将大小为h×w×n的输入因子张量转换为大小为n×1×h×w的矩阵；
11、位置注意力模块用于将研究区域分为p×p大小的独立子区域，计算任一区域与其余区域的注意力，为：（2）式中，为大小为h×w×n的输入因子张量的研究区域分为p×p大小的独立子区域；
12、采用残差结构进行多维特征提取，为：（3）式中，o表示多维自注意模块的输出，表示因子特征图，表示位置特征图。
13、优选地，所述特征编码模块由两个swin transformer结构组成，所述swintransformer结构由两部分组成，第一部分由标准化层及滑动多头注意力子模块组成，第二部分由标准化层及两层结构的多层感知机组成，所述第一部分及第二部分通过残差结构相连接。
14、优选地，所述特征解码模块由两个upconv block结构和一个head block结构组成，所述upconv block结构由一个conv层加一个upsampling 层再加两个conv层构成。
15、优选地，在对风场重构模型进行训练的过程中，采用均方根误差损失函数计算模型输出风场和地面实际风场之间的差距，其中，均方根误差损失函数为：
16、（4）式中，n为格点总数，为第i个格点处的实际风速，为对应格点处的风场重构模型的输出风速。
17、优选地，在对风场重构模型进行训练的过程中，采用adam算法进行优化更新，在训练过程中，学习率采用动态调整的方式进行设置，分为两个阶段进行调整，在预热阶段采用线性衰减的方式进行调整，在预热阶段结束后采用半周期余弦衰减学习率，为：（5）式中， an为第n个epoch的学习率， as为初始学习率，en表示第n次迭代，ew为预热启动迭代次数， amin为学习率最小边界值，emax为训练最大的迭代次数。 ...
【技术保护点】
1.一种基于多维注意力机制的复杂地形条件下风场重构方法，其特征在于：
2.根据权利要求1所述的方法，其特征在于，所述多维特征提取模块包括Z-SCORE处理模块、Embed编码模块及多维自注意模块，通过Z-SCORE处理模块将输入的变量进行Z-SCORE处理，将每个时刻的变量场构造成h×w×n的输入因子张量形式，其中，h为high，w为wide，n为factor；将变换后的输入因子张量拆分为因子矩阵张量及位置矩阵张量；基于Embed编码模块分别对因子矩阵张量及位置矩阵张量进行Embed编码；多维自注意模块通过多头自注意力机制对经过Embed编码的张量进行多维特征提取。
3.根据权利要求2所述的方法，其特征在于，所述多维自注意模块包括因子注意力模块及位置注意力模块，其中，因子注意力模块用于考虑多气象物理因子对风场的影响，为：（1）式中，为将大小为h×w×n的输入因子张量转换为大小为n×1×h×w的矩阵；
4.根据权利要求1所述的方法，其特征在于，所述特征编码模块由两个SwinTransformer结构组成，所述Swin Transformer结构由
5.根据权利要求1所述的方法，其特征在于，所述特征解码模块由两个UPConv block结构和一个head block结构组成，所述UPConv block结构由一个conv层加一个UPSampling层再加两个conv层构成。
6.根据权利要求1所述的方法，其特征在于，在对风场重构模型进行训练的过程中，采用均方根误差损失函数计算模型输出风场和地面实际风场之间的差距，其中，均方根误差损失函数为：（4）式中，n为格点总数，为第i个格点处的实际风速，为对应格点处的风场重构模型的输出风速。
7.根据权利要求1所述的方法，其特征在于，在对风场重构模型进行训练的过程中，采用Adam算法进行优化更新，在训练过程中，学习率采用动态调整的方式进行设置，分为两个阶段进行调整，在预热阶段采用线性衰减的方式进行调整，在预热阶段结束后采用半周期余弦衰减学习率，为：（5）
...【技术特征摘要】
1.一种基于多维注意力机制的复杂地形条件下风场重构方法，其特征在于：
2.根据权利要求1所述的方法，其特征在于，所述多维特征提取模块包括z-score处理模块、embed编码模块及多维自注意模块，通过z-score处理模块将输入的变量进行z-score处理，将每个时刻的变量场构造成h×w×n的输入因子张量形式，其中，h为high，w为wide，n为factor；将变换后的输入因子张量拆分为因子矩阵张量及位置矩阵张量；基于embed编码模块分别对因子矩阵张量及位置矩阵张量进行embed编码；多维自注意模块通过多头自注意力机制对经过embed编码的张量进行多维特征提取。
3.根据权利要求2所述的方法，其特征在于，所述多维自注意模块包括因子注意力模块及位置注意力模块，其中，因子注意力模块用于考虑多气象物理因子对风场的影响，为：（1）式中，为将大小为h×w×n的输入因子张量转换为大小为n×1×h×w的矩阵；
4.根据权利要求1所述的方法，其特征在于，所述特征编码模块由两个swintransformer结构组成，所述swin t...
【专利技术属性】
技术研发人员：查进林，孙欣雨，吕艳军，张浩，传婷，陆雯茜，陈思源，张鹏伟，
申请(专利权)人：中国电建集团贵阳勘测设计研究院有限公司，
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。