一种风要素修正模型的迁移学习方法、装置、设备及介质与流程

本发明涉及气象，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。

背景技术：

1、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。

2、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。

3、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

1、有鉴于此，本发明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。

2、第一方面，本发明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：

3、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。

4、本发明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。

5、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：

6、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。

7、本发明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。

8、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：

9、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。

10、本发明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。

11、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：

12、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。

13、本发明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。

14、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：

15、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。

16、本发明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。

17、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：

18、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。

19、本发明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。

20、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：

21、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。

22、本发明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。

23、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：

24、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。

25、本发明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。

26、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：

27、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。

28、本发明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。

29、在一种可选的实施方式中，方法还包括：将第二天气预报模式数据集输入风要素目标域修正模型，得到天气预报模式目标域修正数据；基于天气预报模式目标域修正数据计算误差指标；基于误差指标对修正结果进行评估。

30、本发明利用误差指标对修正结果进行评估，提高了修正结果的准确度。

31、第二方面，本发明提供了一种风要素修正模型的迁移学习装置，该风要素修正模型的迁移学习装置包括：

32、获取模块，用于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；建立模块，用于基于第一数据集，经过自适应动量随机优化算法，建立风要素源域修正模型；计算模块，用于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；迁移学习模块，用于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。修正模块，用于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。

33、在一种可选的实施方式中，建立模块，包括：

34、第一获取子模块，用于获取初始风要素源域修正模型的第一神经网络参数集；第一训练子模块，用于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。

35、在一种可选的实施方式中，第一训练子模块，包括：

36、第一划分单元，用于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；第二划分单元，用于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；第一训练单元，用于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；判断单元，用于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；第一确定单元，用于根据判断结果确定风要素源域修正模型。

37、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的风要素修正模型的迁移学习方法。

38、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的风要素修正模型的迁移学习方法。