技术领域
[0001] 本发明涉及风场风速插值技术领域，特别是涉及一种基于深度学习的SDAE‑LSTM风场时序风速数据插值方法。
相关背景技术
[0002] 风速插值是气象学和环境科学领域中的重要技术，用于估算或预测某一地点上的风速，尤其是当实际观测数据点之间存在间隔或缺失数据时。气象数据的空间不均匀性：气象站点通常分布在有限的地理区域内，而气象现象如风速却在整个地区内具有空间变化。这导致了在气象预测、气候研究和环境监测等领域中需要在没有观测站点的地方进行风速估算的需求。风速的重要性：风速是气象学中一个关键的参数，它影响天气模式、气候、能源生产和建筑设计等各个领域。因此，准确的风速数据对于风能发电、气象灾害预警和城市规划等方面至关重要。观测数据的缺失和间隔：气象观测站点不可能覆盖每个地方，并且观测数据有时可能因故障或其他原因而不可用。这导致了气象学家和研究人员需要开发风速插值方法，以便在观测点之间填补空白或缺失的数据，以便全面评估风速分布。气象模型和预测需求：在气象预测中，需要对风速进行插值以生成高分辨率的天气模型。此外，气象学家还需要估算未来气象条件，因此对风速的插值在建立可靠的预测模型方面至关重要。空间和时间尺度：风速插值不仅仅在地理空间上有需求，还在时间尺度上具有重要性。短期和长期风速预测都需要插值技术，以获得更准确的结果。总的来说，风速插值是一项关键技术，它通过分析现有气象数据并应用数学和统计方法，填补数据缺失，生成空间和时间上连续的风速场。这有助于提高天气预测的准确性、风能生产的可行性以及环境监测的有效性。因此，风速插值在气象学、气候研究和多个应用领域中都具有重要的必要性。
[0003] 目前，针对风场的短期风速插值准确性较差，可靠的短期风况插值迫在眉睫，数据的统计特性在充满不确定和非平稳环境中随时间动态变化，训练样本与测试样本分布存在差异情况下模型的泛化能力无法保证。而深度学习的方法可以解决此问题，因此亟待将深度学习技术与时序数据分析有效结合一起。
具体实施方式
[0020] 本发明实施时，构建网络模型具体是：G＝20000，tfu＝150，N＝1,m＝2000，K＝95，学习率为0.0005，迭代阈值0.1，最大训练迭代次数为100如图1所示，本发明提供的基于深度学习网络的风场风速插值方法，包括如下步骤：
[0021] 1)获取多风场站点与环境数据，其中包括记录风场数据D和风速V、风向W、温度T、湿度S、高程H、压强P。其中风场数量为N，采样时间分辨率为f。
[0022] 2)将风场经过[0,1]归一化之后作为历史数据集，下角标表示时刻点，第i个时刻点多参数风场数据为xi＝
{Di,V1,i,W1,i,T1,i,S1,i,H1,iP1,i}。
[0023] 3)从步骤(2)中的历史数据集构造风速插值训练样本集与测试样本集。取时间戳300作为固定滑窗大小,从风场的历史数据 采样，设从风场的历史数据集中可以得到训练样 本集 包 含G 1个样 本测试 样本 集为风 速V1 数据 ,表示 为
包含G2个样本,本发明的任务是对未来短期tfx个时刻风速
的插值，即t+1到t+tfx时刻V1风速的数值。
[0024] 4)将步骤(3)中构造的风速插值训练样本集 和测试样本集 输入SDAE‑LSTM。由于风场情况复杂，采集时序数据存在不确定性与非平稳性，历史数据作为训练数据无法直接使用,因此在SDAE‑LSTM中加入移动平均滤波使数据变得平滑。
[0025] 5)构建步骤(4)中的风速预测的SDAE‑LSTM网络中的绝对损失预测损失函数。
[0026] 进一步，步骤(5)具体包括：
[0027] 5‑1)在SDAE‑LSTM网络中加入移动平均滤波获取平滑数据，表示为公式(1)。
[0028]
[0029] 5‑2)构建风速预测的SDAE‑LSTM网络中风场风速的测试样本集上的损失为l1，表示为公式(2)，计算风速测试集上网络的预
测值 与标签atest的误差。
[0030]
[0031] 6)、构造步骤(4)风速插值的SADE‑LSTM网络中风场风速的测试集样本上的对齐损失，用Hellinger距离来度量训练集与测试集之间的差异l2，表示公式为(2)，其中P代表概率分布， 代表2范数下的Hellinger距离，为网络参数，计算风场训练集与测试集之间的差异；
[0032]
[0033] 进一步，步骤(6)具体包括：
[0034] 6‑1)对于公式(3)的求解，需要对公式(3)来进行变换，变换后的公式如公式(4)，参数Θ变为参数Θ′colp，下角标中的“a”和“e”分别代表“train”“,test”,例如xe,1代表的是测试集中时刻1的值；
[0035]
[0036] 6‑2)然后建立公式(5)的三价ARMA模型中
[0037]
[0038] 与上时刻所训练数据xa,G和上时刻的测试数据 有关,即为耦合项, 是随机干扰项，为 的正态分布,ρ1为一阶系数，ρ2为二阶系数，ρ3为三
阶系数；
[0039] 6‑3)更新风速插值损失函数为(6)，其中G＝G1+G2
[0040]
[0041] 6‑4)对于公式(3)的参数估计，将l2取对数后取最大似然函数，进行本模型中的参数估计，其中参数取： 分别对应ρ1,ρ2,σcoup的最优参解，采用公式(7)
[0042]
[0043] (7)步骤(5)与步骤(6)中的损失相加为总损失Lθ，更新任务时刻t的SDAE‑LSTM后的总网络损失表示为公式(3)。
[0044] (8)采用马尔科夫链蒙特卡洛积分步骤(7)中总网络损失公式(8)得到最优参数，表示为公式(3)，其中表示任务t时刻的任务，任务总数为T。
[0045]
[0046] (9)定义方法迭代更新最优参数具体包括：
[0047] 9‑1)采用公式(9)迭代更新公式(8)的参数，其中τ为迭代次数， 为微分算子；
[0048]
[0049] 9‑2)每次迭代时，将实测风速和预测风速的误差errmn计算公式(9)中的评价准则R，R即为公式(10)中的Taskt的数值；
[0050]
[0051] 其中，errmn是第m,(m∈N)个风场在第n,(n∈H)个时段的平均预测误差，其计算公式如(11)：
[0052]
[0053] 其中,
[0054]为第k个30秒钟风速插值， 为第k个30秒钟风向插值，dk为第k个
30秒钟风向实际值，％代表求余，wk与αk分别代表风速大小和风速方向在不同时间的预测误差的权重值。
[0055]
[0056] 9‑3)迭代多次SDAE‑LSTM,进行K次采样后，当迭代参数Θτ‑Θτ+1小于一个阈值后，*停止迭代，此时参数为最优参数Θ 如公式(12)
[0057]
[0058] 通过本申请中的方法，可以填补观测点之间的空白或缺失的数据，以便全面评估风速分布，满足后续的气象模型和预测需求。
