1.一种数值模拟风场的智能订正方法,其特征在于:所述的方法包括:收集站点观测风场数据和数值模式模拟数据,并进行数据处理;
使用随机森林模型筛选重要特征变量,通过随机森林模型量化各特征变量对观测风场影响的相对权重;
将观测风场和数值模拟重要特征变量的数据集划分为训练集、验证集和测试集;
构建BP神经网络模型,将筛选出的重要特征变量作为BP神经网络模型的输入,观测风场数据作为BP神经网络目标输出;
所述构建BP神经网络模型具体步骤方法如下
S401、构建BP神经网络模型,设定模型关键参数,包括网络层数、各层神经元数量、适用的激活函数、学习率、损失函数以及优化器类型;反映观测风场与重要特征变量之间的内在关联;
BP神经网络由输入层、隐藏层和输出层组成;输入层接收重要特征变量作为输入信号,隐藏层是中间层,输出层则给出最终的预测结果;BP神经网络的训练过程包括前向传播和反向传播两个阶段;
在前向传播过程中,输入信号从输入层经过权重和激活函数的处理,逐层传递至输出层,得到预测结果;
在反向传播过程中,通过计算预测结果与观测数据之间的误差,利用梯度下降算法来调整网络中各层之间的权重;
前向传播计算预测结果,然后通过反向传播计算梯度,按照一定学习率更新权重和偏置,公式如下:;
其中,表示权重更新量,是学习率,是关于权重的损失函数梯度;
S402、对模型进行循环优化处理,获取最优模型;
通过调整隐藏层的层数以及各层神经元的数量,进行多次重复训练,使用验证集计算不同参数设置模型的均方误差,依据均方误差最小的原则,筛选出性能最优的数值模拟风场订正模型;
评估最优BP神经网络模型性能,将测试集数据输入最优BP神经网络模型,评估最优BP神经网络模型对数值模拟风场的订正性能;
所述的评估最优BP神经网络模型性能,将测试集数据输入最优BP神经网络模型,使用均方误差,评估最优BP神经网络模型对数值模拟风场的订正性能;首先计算数值模拟风场与观测风场的均方误差,然后计算使用最优BP神经网络模型订正后的数值模拟风场与观测数据的均方误差,对比订正前后均方误差的减小度,评估BP神经网络模型对模拟风场的订正性能。
2.根据权利要求1所述的一种数值模拟风场的智能订正方法,其特征在于:所述的收集站点观测风场数据包括:10 m风速和风向;
所述的数值模式模拟变量包括10 m纬向风速、10 m经向风速、2 m相对湿度、2 m气温和海平面气压对风场有影响的特征变量。
3.根据权利要求1所述的一种数值模拟风场的智能订正方法,其特征在于:所述的使用随机森林模型筛选重要特征变量,通过构建多个决策树形成随机森林后,利用袋外样本评估特征变量的重要性;
基于袋外样本的预测误差,计算每个特征变量的重要性得分,反映其在随机森林模型中的贡献程度;
根据重要性得分,筛选最具代表性和模拟能力的重要特征变量,实现重要特征变量的提取。
4.根据权利要求1所述的一种数值模拟风场的智能订正方法,其特征在于:所述的训练集、验证集和测试集,将筛选出的重要特征变量的数据集与观测风场数据一同按照时间序列进行划分;将前70%的数据划分为训练集、中间10%的数据划分为验证集、后20%的数据划分为测试集。
5.根据权利要求1所述的一种数值模拟风场的智能订正方法,其特征在于:所述的数据处理由于观测数据的站点与模式数据的格点并不重合,在空间上使用反距离加权插值将模式数据插值到观测数据的站点上;
由于观测数据和模式数据的时间分辨率不统一,使用线性插值法,将模式数据与观测数据的时间分辨率相统一,即对齐动力数值模式模拟数据和观测数据的时空维度信息;
近海面风速廓线反演算法公式为:;
其中,为距地面高度处风速;为距地面高度处风速;为地面状况系数,对于平坦下垫面,其取值为0.003;为风速高度系数;
反距离加权插值公式为:;
其中,表示点与已知点之间的距离;是权重指数,即幂次参数,控制着距离对权重的影响程度;是已知点数量;
线性插值算法公式为:;
其中,和 为两个已知的数据点,并且,为其对应的插值。
6.根据权利要求3所述的一种数值模拟风场的智能订正方法,其特征在于:所述的重要特征变量筛选如下:对于一个特征f,在随机森林中袋外样本预测误差下的特征重要性得分近似表示为:;
其中,是森林中决策树的数量;表示第棵决策树的训练数据集;是第棵决策树划分前的数据集不纯度;是在特征的最佳分割点上划分后的数据子集的平均不纯度。