CN116822658B - 一种风光资源的预警方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及风光资源预测技术领域，公开了一种风光资源的预警方法、装置、计算机设备及存储介质，该方法包括：将预获取的机器学习模型与地球系统模式进行耦合，得到预测模型；当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据；利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段；从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻；通过将预训练的机器学习模型与地球系统模式进行耦合，实现对各环境参量进行准确预测，从而使预警结果更准确。

Description

一种风光资源的预警方法、装置、计算机设备及存储介质

技术领域

本发明涉及风光资源预测技术领域，具体涉及一种风光资源的预警方法、装置、计算机设备及存储介质。

背景技术

风光资源是可再生能源的重要组成部分，其在电力生产中发挥着极其重要的作用。通过对风光资源进行异常预警，可以及时掌握资源波动和异常情况，以便提前计划应对措施，有助于稳定能源供应，避免电力供应中断，保障新型电力系统的正常运转，更好地规划和调整能源生产和使用，最大程度地提高经济效益。

当前对风光资源的预报大多以地球系统模式的数模仿真结果为准，但当前的地球系统模式中对某些变量采用人为经验所定的参数化方案，从而使得预测结果与实际情况存在较大的差别，进而导致预警结果不准确。

那么，如何对风光资源进行预测，从而得到准确的预警结果成为目前需要解决的问题。

发明内容

有鉴于此，本发明提供了一种风光资源的预警方法、装置、计算机设备及存储介质，以解决风光资源预警不准确的问题。

第一方面，本发明提供了一种风光资源的预警方法，方法包括：

获取预训练的机器学习模型；将机器学习模型与地球系统模式进行耦合，得到预测模型；当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据；利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段；从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。

本实施例提供的风光资源的预警方法，将机器学习模型与地球系统模式进行耦合，得到预测模型。利用预测模型中的机器学习模型对地球系统模式预测较差的变量进行预测，利用地球系统模式对其余变量进行预测，从而提高预测数据准确性，进而使基于预测数据得到的预警时刻更加准确。通过本方案可为能源供应商提供针对预警情况的辅助决策，提高经济利益，同时保障能源供应，避免能源紧缺和电力供应中断等民生问题。

在一种可选的实施方式中，预设预警信号的确定方式，包括：

获取目标变量在第二时间段中各时刻对应的实际值和目标变量在预设时刻对应的平均值，第二时间段在第一时间段之前，第二时间段包括多个子时间段，平均值基于目标变量在各子时间段预设时刻的实际值得到；基于实际值和平均值，确定目标变量在各时刻对应的偏差值，并从所有偏差值中确定出异常偏差值；对异常偏差值进行聚类，得到任一聚类簇中异常偏差值对应的异常时刻；获取第三时间段对应的环境数据，并对第三时间段对应的环境数据进行聚类训练，得到与聚类簇对应的预设预警信号，第三时间段是以异常时刻为终止时刻的时间段。

在一种可选的实施方式中，对环境数据进行聚类训练还得到与预设预警信号对应的预警特征。

在一种可选的实施方式中，从所有偏差值中确定出异常偏差值，包括：

对子时间段中各时刻对应的偏差值进行标准化处理，得到与子时间段对应的标准差；基于各时刻对应的实际值和时刻所属子时间段对应的标准差，确定异常偏差值。

本实施例通过自组织映射聚类算法，对处于预警范围的异常偏差值进行聚类，确定出具备相同异常原因的异常偏差值以及各异常偏差值对应的异常时刻。再对异常时刻前一时间段的环境数据进行特征学习和聚类训练，提取出造成风光资源异常的预警信号，以便出现预警信号时，可提早基于预警信号做出预案，从而减小风光资源异常对发电效益的损失，提高业主收益率。

在一种可选的实施方式中，利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，包括：

将环境数据输入至预测模型中，利用机器学习模型对预设异常变量进行预测，得到第一预测数据，环境数据为各环境变量分别对应的数据；利用地球系统模式对除预设异常变量之外的其余环境变量进行预测，得到第二预测数据；预测数据包括第一预测数据和第二预测数据。

本实施例通过定位地球系统模式中模拟结果较差的异常变量，利用全连接神经网络或双向长短时记忆循环神经网络对该变量构建机器学习模型，并通过搭建地球系统耦合模式与机器学习模型之间的耦合器完成对原本效果较差的参数化方案的替代，提升地球系统耦合模式对变量的数模仿真结果的精度，也提高了最终预测结果的准确性。

在一种可选的实施方式中，预设异常变量的确定方式，包括：

获取第四时间段对应的环境数据，第四时间段为与第三时间段相邻且在第三时间段之后的一段时间；利用第三时间段对应的环境数据驱动地球系统模式，对第四时间段的环境数据进行预测，得到第三预测数据；基于第三预测数据和第四时间段对应的环境数据，确定各环境变量分别对应的相关系数；将相关系数与预设相关阈值进行比较，基于比较结果从环境变量中确定预设异常变量。

在一种可选的实施方式中，机器学习模型基于第三时间段对应的历史环境数据、第四时间段对应的历史环境数据和预警特征训练得到。

第二方面，本发明提供了一种风光资源的预警装置，装置包括：

第一获取模块，用于获取预训练的机器学习模型；耦合模块，用于将机器学习模型与地球系统模式进行耦合，得到预测模型；第二获取模块，用于当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据；预测模块，用于利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测 ，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段；确定模块，用于从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。

在一种可选的实施方式中，第二获取模块中确定预设预警信号的模块，包括：

获取子模块，用于获取目标变量在第二时间段中各时刻对应的实际值和目标变量在预设时刻对应的平均值，第二时间段在第一时间段之前，第二时间段包括多个子时间段，平均值基于目标变量在各子时间段预设时刻的实际值得到；第一确定子模块，用于基于实际值和平均值，确定目标变量在各时刻对应的偏差值，并从所有偏差值中确定出异常偏差值；聚类子模块，用于对异常偏差值进行聚类，得到任一聚类簇中异常偏差值对应的异常时刻；第二确定子模块，用于获取第三时间段对应的环境数据，并对第三时间段对应的环境数据进行聚类训练，得到与聚类簇对应的预设预警信号，第三时间段是以异常时刻为终止时刻的时间段。

在一种可选的实施方式中，第二获取模块中确定预设预警信号的模块，还包括：

第三确定子模块，用于对环境数据进行聚类训练还得到与预设预警信号对应的预警特征。

在一种可选的实施方式中，第一确定子模块中确定异常偏差值的子模块，包括：

处理单元，用于对子时间段中各时刻对应的偏差值进行标准化处理，得到与子时间段对应的标准差；第一确定单元，用于基于各时刻对应的实际值和时刻所属子时间段对应的标准差，确定异常偏差值。

在一种可选的实施方式中，预测模块，包括：

第一预测子模块，用于将环境数据输入至预测模型中，利用机器学习模型对预设异常变量进行预测，得到第一预测数据，环境数据为各环境变量分别对应的数据；第二预测子模块，用于利用地球系统模式对除预设异常变量 之外的其余环境变量进行预测，得到第二预测数据，预测数据包括第一预测数据和第二预测数据。

在一种可选的实施方式中，第一预测子模块中确定预设异常变量的子模块，包括：

获取单元，用于获取第四时间段对应的环境数据，第四时间段为与第三时间段相邻且在第三时间段之后的一段时间；预测单元，用于利用第三时间段对应的环境数据驱动地球系统模式，对第四时间段的环境数据进行预测，得到第三预测数据；第二确定单元，用于基于第三预测数据和第四时间段对应的环境数据，确定各环境变量分别对应的相关系数；第三确定单元，用于将相关系数与预设相关阈值进行比较，基于比较结果从环境变量中确定预设异常变量。

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光资源的预警方法。

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光资源的预警方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的风光资源的预警方法的流程示意图；

图2是根据本发明实施例的另一风光资源的预警方法的流程示意图；

图3是根据本发明实施例的又一风光资源的预警方法的流程示意图；

图4是根据本发明实施例的风光资源的预警装置的结构框图；

图5是本发明实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

风光资源在电力生成中发挥着极其重要的作用，但由于风光资源的波动性导致能源供应情况不稳定。因此，需要对风光资源进行预测，并基于预测结果判断是否存在异常，当存在异常时，通过预警可以便于提前提供应对措施，以保证电力系统的正常运行。故，风光资源的预警就显得尤为重要。相关技术中，通常通过地球系统模式对风光资源进行预测，从而基于预测数据作出预警。但由于地球系统模式中对某些变量采用人为经验所定的参数化方案，因此，使得预测结果与实际不符，从而导致预警结果准确性较差。基于此，本发明实施例提供了一种风光资源的预警方法，通过将预训练的机器学习模型与地球系统模式进行耦合，使得最终得到的预测模型可以对各参量进行准确预测，从而得到更准确的预警结果。

根据本发明实施例，提供了一种风光资源的预警方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种风光资源的预警方法，可用于计算及设备，图1是根据本发明实施例的风光资源的预警方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，获取预训练的机器学习模型。

具体的，机器学习模型为物理知情机器学习模型，该机器学习模型是利用全连接神经网络或双向长短时记忆循环神经网络构建而成的，用于对预确定的异常变量进行预测，异常变量是对风光资源影响较大的、但地球系统模式预测偏差较大或预测不准确的变量。

步骤S102，将机器学习模型与地球系统模式进行耦合，得到预测模型。

具体的，可通过预搭建的耦合器完成机器学习模型与地球系统模式之间的耦合操作。耦合器可由本领域技术人员自行搭建，此处不作具体限定。如，可利用Python或Julia语言搭建耦合器。

步骤S103，当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据。

具体的，预设预警信号即预确定的可导致风光资源异常的信号，该信号可能是环境变量中的任一变量，通过大量历史环境数据和异常情况得到。

具体的，环境数据指各环境变量分别对应的数据，环境数据包括高空大气数据、地表数据、全球海洋预报数据、区域海洋模式分析场数据、下垫面静态数据等。其中，高空大气数据和地表数据具体包括：位势高度、湿度、风速、温度、云量、海平面气压、海表温度和地表入射太阳辐照度等；下垫面静态数据具体包括：陆地地形数据、海洋地形数据、土地覆盖数据、土地利用数据等。

步骤S104，利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据。

具体的，对环境数据中的高空大气数据、地表数据、全球海洋预报数据、区域海洋模式分析场数据做预处理，得到驱动预测模型运转所需要的初始场和边界场；对环境数据中的下垫面静态数据做预处理，得到预测模型运行所需要的区域地形文件。

将确定好的初始场、边界场、区域地形文件输入至预测模型中，并设置模式格点大小和预测时长，准备就绪后，驱动预测模型进行运转，得到预测时长对应的预测数据，预测数据为监测到预设预警信号后未来一段时间内的环境数据。

需要说明的是，模式格点大小需与欧洲中期天气预报中心（ERA5）再分析数据集的空间分辨率一致，预测时长即第一时间段，第一时间段可以是以首次监测到预设预警信号的时刻为起始的任一时间段。第一时间段的时长即上述预测时长，可在运行地球系统模式前可自行选择。

步骤S105，从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。

具体的，目标变量即风光资源对应的变量，如光资源对应的变量为地表入射太阳辐照度，风资源对应的变量为100米高度处的风速。

具体的，基于目标数据确定出异常数据，从而通过异常数据确定出各时刻分别对应的异常风险值，基于异常风险值确定预警时刻。预警时刻即风光资源波动性较大，稳定性较差的时刻。

本实施例提供的风光资源的预警方法，将机器学习模型与地球系统模式进行耦合，得到预测模型。利用预测模型中的机器学习模型对地球系统模式预测较差的变量进行预测，利用地球系统模式对其余变量进行预测，从而提高预测数据准确性，进而使基于预测数据得到的预警时刻更加准确。通过本方案可为能源供应商提供针对预警情况的辅助决策，提高经济利益，同时保障能源供应，避免能源紧缺和电力供应中断等民生问题。

在一可选实施例中，步骤S103中预设预警信号的确定方式，如图2所示，包括如下步骤：

步骤S201，获取目标变量在第二时间段中各时刻对应的实际值和目标变量在预设时刻对应的平均值。

具体的，第二时间段在第一时间段之前，第二时间段包括多个子时间段，平均值基于目标变量在各子时间段预设时刻的实际值得到。实际值的获取方式此处不作具体限定，本领域技术人员可基于实际情况进行获取。如，实际值可以从中尺度再分析气象数据集中获取。中尺度再分析气象数据集包括ERA5、 MERRA2、JRA-55和NCEP/NCAR等。

示例性地，以光资源对应的变量为地表入射太阳辐照度为例，从中尺度再分析气象数据集中获取第二时间段中各时刻分别对应的地表入射太阳辐照度。本实施例中，第二时间段为15天，子时间段为15天中的每一天，预设时刻指每一天中的第t个时刻。基于目标变量在各子时间段预设时刻的实际值确定平均值的方式如下：

=/>

其中，代表第/>个时刻的平均地表入射太阳辐照度，/>为第/>天第/>个时刻的地表入射太阳辐照度预测值，/>为第二时间段包含的天数。

步骤S202，基于实际值和平均值，确定目标变量在各时刻对应的偏差值，并从所有偏差值中确定出异常偏差值。

示例性地，目标变量在各时刻对应的偏差值的确定方式如下：

=/>

其中，代表第/>天第/>个时刻对应的地表入射太阳辐照度偏差值，/>为第/>天第/>个时刻的地表入射太阳辐照度实际值，/>代表第/>个时刻的平均地表入射太阳辐照度。

基于同一天中24个时刻分别对应的地表入射太阳辐照度偏差值，确定该天偏差值的标准差。

=/>

其中，为第/>天偏差值的标准差，/>代表第/>天第/>个时刻对应的地表入射太阳辐照度偏差值。

基于第二时间段中每一天偏差值的标准差以及该天各时刻的地表入射太阳辐照度偏差值得到异常风险值，并将异常风险值对应的偏差值确定为异常偏差值。

其中，为第/>天第/>个时刻的异常风险值，/>代表第/>天第/>个时刻对应的地表入射太阳辐照度偏差值，/>为第/>天偏差值的标准差。

将大于或等于2的确定为异常风险值，将该异常风险值对应的偏差值/>确定为异常偏差值。其中，异常风险值的判断标准可由本领域技术人员基于实际情况进行确定。本实施例之所以将2作为异常风险值的判断标准，是因为基于标准正态分布可知，数据在其平均值2个标准差之内的概率为95%，超过2个标准差的数据出现概率小于5%，因此，将2定义为光资源预警出现的标志。

步骤S203，对异常偏差值进行聚类，得到任一聚类簇中异常偏差值对应的异常时刻。

具体的，聚类方式可由本领域技术人员随机选择，本实施例中利用自组织映射聚类算法异常偏差值进行聚类处理，得到N个聚类簇，每一个聚类簇中的异常偏差值可认为是基于相同或相似的异常原因导致的。

具体的，在每一个聚类簇中均存在至少一个异常偏差值，获取聚类簇中每一个异常偏差值对应的异常时刻。

具体的，聚类簇数量N的确定方法包括：肘部法和轮廓系数法。由于前述两种方法均属于现有技术，因此，仅对前述两种方法的实施方式作简要说明。

肘部法的实施方法为：对异常偏差值进行聚类，得到a个聚类簇。在每一个聚类簇中，确定各异常偏差值分别与聚类中心之间误差平方（误差平方即欧几里得距离的平方），并对所有聚类簇对应的误差平方求和，得到聚类簇数量为a时对应的误差平方和。然后，调整聚类簇的数量重新对异常偏差值进行聚类，得到b个聚类簇，并按照上述方式重新确定聚类簇数量为b时对应的误差平方和，通过此方式不断循环，直至循环次数达到预设数量时，绘制误差平方和与聚类簇数量N之间的关系图，找到曲线形状类似于手肘的拐点，该点对应的N值可作为合适的聚类中心个数。

轮廓系数法的实施方法为：对异常偏差值进行聚类，得到a个聚类簇，计算所有聚类簇中各异常偏差值分别对应的轮廓系数，对所有的轮廓系数求平均，得到聚类簇数量为a时对应的平均轮廓系数。然后，调整聚类簇的数量重新对异常偏差值进行聚类，得到b个聚类簇，并按照上述方式重新确定聚类簇数量为b时对应的平均轮廓系数。通过此方式不断循环，直至循环次数达到预设数量时，将最大的平均轮廓系数对应的聚类簇数量作为最合适的聚类中心个数。其中，轮廓系数的确定方式为：，/>是该数据点（异常偏差值对应的异常风险值）与同簇的其它数据点的平均欧几里得距离，/>是该数据点与相隔最近的其它簇中所有数据点的平均欧几里得距离。a越小，b越大，得到的轮廓系数越大，聚类效果越好。由于轮廓系数综合考虑了数据点与其所属的聚类中心簇的距离和与其它聚类簇的距离，因此，通过此方式确定的聚类簇数量更能体现数据特征。

步骤S204，获取第三时间段对应的环境数据，并对第三时间段对应的环境数据进行聚类训练，得到与聚类簇对应的预设预警信号，还得到与预设预警信号对应的预警特征。

具体的，第三时间段是以异常时刻为终止时刻的时间段。

具体的，利用视觉自注意力模型对提取的第三时间段中各环境数据在时空方面的变化序列进行聚类训练，提取与各聚类簇的异常偏差值对应的预警信号，并得到预警信号的典型时空变化特征即预警特征。

示例性地，如对异常偏差值进行聚类后，得到3个聚类簇即A、B、C。以聚类簇A为例，聚类簇A中存在10个异常偏差值，由于各异常偏差值分别对应一个异常时刻，因此，本实施例聚类簇A对应6个异常时刻，分别为2019年7月1日8时，2019年7月1日9时，2019年7月1日22时，2019年7月2日1时，2019年7月7日11时，2019年7月8日9时。

由于前4个异常时刻中任意两个异常时刻的时间间隔均未超过1天，后2个异常时刻的时间间隔也未超过1天，因此，可认为前4个异常时刻的异常偏差是由同一天气原因导致，后2个异常时刻的异常偏差是由另一天气原因导致。因此，本实施例仅需要获取2019年7月1日8时前15天即2019年6月16日7时至2019年7月1日7时（即第三时间段）的环境数据和2019年7月7日11时前15天即2019年6月22日10时-2019年7月7日10时（即第三时间段）的环境数据即可。

然后，采用利用视觉自注意力模型分别对2019年7月1日8时前15天的环境数据和2019年7月7日11时前15天的环境数据进行聚类训练，得到与聚类簇A对应的至少一个预警信号，以及至少一个预警信号中每一个预警信号对应的预警特征。其中，聚类簇A对应的预警信号可认为是导致聚类簇A中异常偏差值的原因，预警特征即在预警信号的影响下，目标参量在15天中的时空变化。

本实施例通过自组织映射聚类算法，对处于预警范围（即异常风险值大于等于2）的异常偏差值进行聚类，确定出具备相同异常原因的异常偏差值以及各异常偏差值对应的异常时刻。再通过视觉自注意力模型对异常时刻前一时间段的环境数据进行特征学习和聚类训练，提取出造成风光资源异常的预警信号，以便出现预警信号时，可提早基于预警信号做出预案，从而减小风光资源异常对发电效益的损失，提高业主收益率。

在本实施例中提供了一种风光资源的预警方法，可用于计算机设备，图3是根据本发明实施例的风光资源的预警方法的流程图，如图3所示，该流程包括如下步骤：

步骤S301，获取预训练的机器学习模型。详细请参见图1所示实施例的步骤S101，在此不再赘述。

步骤S302，将机器学习模型与地球系统模式进行耦合，得到预测模型。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S303，当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据。详细请参见图1所示实施例的步骤S103，在此不再赘述。

步骤S304，利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段。

具体地，上述步骤S304包括：

步骤S3041，将环境数据输入至预测模型中，利用机器学习模型对预设异常变量进行预测，得到第一预测数据。

具体的，环境数据为各环境变量分别对应的数据。

具体的，预设异常变量为地球系统模式预测误差较大或者预测准确性较低的变量。

在一些可选的实施方式中，上述步骤S3041中，预设异常变量的确定方式，包括：

步骤a1，获取第四时间段对应的环境数据。

具体的，第四时间段为与第三时间段相邻且在第三时间段之后的一段时间。

示例性地，仍以上一实施例为例，第三时间段为2019年6月16日7时至2019年7月1日7时，第四时间段可以为2019年7月1日8时至2019年7月16日8时，获取第四时间段对应的环境数据。

步骤a2，利用第三时间段对应的环境数据驱动地球系统模式，对第四时间段的环境数据进行预测，得到第三预测数据。

具体的，采用与步骤S104相同的方式，对第三时间段对应的环境数据进行预处理，得到初始场、边界场和区域地形文件。将初始场、边界场和区域地形文件输入至预测模型中，并设置模式格点大小和预测时长，驱动地球系统模式进行预测，得到第四时间段对应的预测数据（即第三预测数据）。需要说明的是，预测时长与第四时间段的时长保持一致。

步骤a3，基于第三预测数据和第四时间段对应的环境数据，确定各环境变量分别对应的相关系数。

示例性地，将第三预测数据与第四时间段对应的环境数据进行对比，计算两者在第四时间段内各环境变量分别对应的皮尔逊相关系数。皮尔逊相关系数的计算公式为：

其中，表征皮尔逊相关系数，/>表征协方差，/>表征方差，/>和/>分别为某一环境变量对应的预测数据和实际数据。

步骤a4，将相关系数与预设相关阈值进行比较，基于比较结果从环境变量中确定预设异常变量。

具体的，将相关系数与预设相关阈值进行比较，当相关系数小于预设相关阈值时，表示地球系统模式对该相关系数对应的环境变量预测效果较差，则将该环境变量确定为预设异常变量。当相关系数大于或等于预设相关阈值时，表示地球系统模式对该相关系数对应的环境变量预测效果较好。

具体的，预设相关阈值可以由本领域技术人员根据实际情况进行设置。如，预设相关阈值为0.5。

步骤S3042，利用地球系统模式对除预设异常变量之外的其余环境变量进行预测，得到第二预测数据。

其中，预测数据包括第一预测数据和第二预测数据。

步骤S305，从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。

示例性地，基于目标数据确定出各时刻分别对应的异常风险值的具体实现方式与图3中步骤S201至步骤S202实施例中记载的一致，因此，此处不再赘述。仍以步骤S202对应的实施例为例，在确定出异常风险值之后，将大于或等于2的/>对应的时刻确定为预警时刻。

本实施例通过定位地球系统模式中模拟结果较差的异常变量，利用全连接神经网络或双向长短时记忆循环神经网络对该变量构建机器学习模型，并通过搭建地球系统耦合模式与机器学习模型之间的耦合器完成对原本效果较差的参数化方案的替代，提升地球系统耦合模式对变量的数模仿真结果的精度，也提高了最终预测结果的准确性。

作为本发明实施例中的一个最优实施例，下文将结合实际应用场景对本方案进行详细描述。

（1）首先，获取B地近3个月中每天各时刻地表入射太阳辐照度的实际至，基于每天同一时刻的地表入射太阳辐照度的实际值确定该时刻地表入射太阳辐照度的平均值。其次，基于各时刻的地表入射太阳辐照度的实际值和对应时刻地表入射太阳辐照度的平均值，确定各时刻分别对应的偏差值。再次，基于每一天各时刻对应的偏差值确定每一天分别对应的标准差。最后，基于各时刻的偏差值和对应一天的标准差，确定异常偏差值。

（2）在得到异常偏差值后，首先，对异常偏差值进行聚类分析，得到多个聚类簇。然后，获取每一个聚类簇中各异常偏差值对应的异常时刻，并获取异常时刻前一时间段内的环境数据，并对这些环境数据进行聚类训练，得到与每一个聚类簇分别对应的预警信号，以及与每一个预警信号对应的预警特征。

（3）同时，对异常时刻前一时间段内的环境数据进行预处理，得到驱动地球系统模式运转所需要的初始场、边界场和区域地形文件，在设置好模式格点大小和预测时长后，地球系统模式开始对未来一段时间内的环境数据进行预测，并得到预测数据。获取与预测数据对应的实际数据，并计算预测数据和实测数据的皮尔逊相关系数，将皮尔逊相关系数小于预设相关阈值的环境变量确定为异常变量。

（4）基于全连接神经网络或双向长短时记忆循环神经网络构建机器学习模型，利用异常变量第三时间段对应的环境数据，第四时间段对应的环境数据和预警特征，对机器学习模型进行训练，直至模型收敛时，将训练好的机器学习模型与地球系统模式进行耦合，得到预测模型。

（5）当首次监测到预警信号时，获取监测到预警信号时目标区域对应的环境数据，并利用环境数据驱动预测模型运转，得到预测数据。从预测数据中提取目标变量对应的目标数据，并基于提取出的目标数据确定风光资源的预警时刻。

在本实施例中还提供了一种风光资源的预警装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种风光资源的预警装置，如图4所示，包括：

第一获取模块401，用于获取预训练的机器学习模型。

耦合模块402，用于将机器学习模型与地球系统模式进行耦合，得到预测模型。

第二获取模块403，用于当在目标区域内首次监测到预设预警信号时，获取监测到预设预警信号时目标区域对应的环境数据。

预测模块404，用于利用环境数据驱动预测模型，对目标区域在第一时间段的环境数据进行预测，得到预测数据，第一时间段是以首次监测到预设预警信号的时刻为起始的时间段。

确定模块405，用于从预测数据中获取目标变量对应的目标数据，并基于目标数据确定风光资源的预警时刻。

在一些可选的实施方式中，第二获取模块403中确定预设预警信号的模块，包括：

获取子模块，用于获取目标变量在第二时间段中各时刻对应的实际值和目标变量在预设时刻对应的平均值，第二时间段在第一时间段之前，第二时间段包括多个子时间段，平均值基于目标变量在各子时间段预设时刻的实际值得到。

第一确定子模块，用于基于实际值和平均值，确定目标变量在各时刻对应的偏差值，并从所有偏差值中确定出异常偏差值。

聚类子模块，用于对异常偏差值进行聚类，得到任一聚类簇中异常偏差值对应的异常时刻。

第二确定子模块，用于获取第三时间段对应的环境数据，并对第三时间段对应的环境数据进行聚类训练，得到与聚类簇对应的预设预警信号，第三时间段是以异常时刻为终止时刻的时间段。

在一种可选的实施方式中，第二获取模块403中确定预设预警信号的模块，还包括：

第三确定子模块，用于对环境数据进行聚类训练还得到与预设预警信号对应的预警特征。

在一些可选的实施方式中，第一确定子模块中确定异常偏差值的子模块，包括：

处理单元，用于对子时间段中各时刻对应的偏差值进行标准化处理，得到与子时间段对应的标准差。

第一确定单元，用于基于各时刻对应的实际值和时刻所属子时间段对应的标准差，确定异常偏差值。

在一些可选的实施方式中，预测模块，包括：

第一预测子模块，用于将环境数据输入至预测模型中，利用机器学习模型对预设异常变量进行预测，得到第一预测数据，环境数据为各环境变量分别对应的数据。

第二预测子模块，用于利用地球系统模式对除预设异常变量之外的其余环境变量进行预测，得到第二预测数据，预测数据包括第一预测数据和第二预测数据。

在一些可选的实施方式中，第一预测子模块中确定预设异常变量的子模块，包括：

获取单元，用于获取第四时间段对应的环境数据，第四时间段为与第三时间段相邻且在第三时间段之后的一段时间。

预测单元，用于利用第三时间段对应的环境数据驱动地球系统模式，对第四时间段的环境数据进行预测，得到第三预测数据。

第二确定单元，用于基于第三预测数据和第四时间段对应的环境数据，确定各环境变量分别对应的相关系数。

第三确定单元，用于将相关系数与预设相关阈值进行比较，基于比较结果从环境变量中确定预设异常变量。

在一些可选的实施方式中，第一获取模块401中的机器学习模型基于第三时间段对应的历史环境数据、第四时间段对应的历史环境数据和预警特征训练得到。

上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本实施例中的风光资源的预警装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

本发明实施例还提供一种计算机设备，具有上述图4所示的风光资源的预警装置。

请参阅图5，图5是本发明可选实施例提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (13)

1.一种风光资源的预警方法，其特征在于，所述方法包括：

获取预训练的机器学习模型；

将所述机器学习模型与地球系统模式进行耦合，得到预测模型；

当在目标区域内首次监测到预设预警信号时，获取监测到所述预设预警信号时所述目标区域对应的环境数据；

利用所述环境数据驱动所述预测模型，对所述目标区域在第一时间段的环境数据进行预测，得到预测数据，所述第一时间段是以首次监测到所述预设预警信号的时刻为起始的时间段；

从所述预测数据中获取目标变量对应的目标数据，并基于所述目标数据确定风光资源的预警时刻；

所述利用所述环境数据驱动所述预测模型，对所述目标区域在第一时间段的环境数据进行预测，得到预测数据，包括：

将所述环境数据输入至所述预测模型中，利用所述机器学习模型对预设异常变量进行预测，得到第一预测数据，所述环境数据为各环境变量分别对应的数据；

利用所述地球系统模式对除所述预设异常变量之外的其余环境变量进行预测，得到第二预测数据；

所述预测数据包括所述第一预测数据和所述第二预测数据。

2.根据权利要求1所述的方法，其特征在于，所述预设预警信号的确定方式，包括：

获取所述目标变量在第二时间段中各时刻对应的实际值和所述目标变量在预设时刻对应的平均值，所述第二时间段在所述第一时间段之前，所述第二时间段包括多个子时间段，所述平均值基于所述目标变量在各所述子时间段预设时刻的实际值得到；

基于所述实际值和所述平均值，确定所述目标变量在各时刻对应的偏差值，并从所有所述偏差值中确定出异常偏差值；

对所述异常偏差值进行聚类，得到任一聚类簇中所述异常偏差值对应的异常时刻；

获取第三时间段对应的环境数据，并对所述第三时间段对应的所述环境数据进行聚类训练，得到与所述聚类簇对应的所述预设预警信号，所述第三时间段是以所述异常时刻为终止时刻的时间段。

3.根据权利要求2所述的方法，其特征在于，对所述环境数据进行聚类训练还得到与所述预设预警信号对应的预警特征。

4.根据权利要求2或3所述的方法，其特征在于，所述从所有所述偏差值中确定出异常偏差值，包括：

对所述子时间段中各时刻对应的所述偏差值进行标准化处理，得到与所述子时间段对应的标准差；

基于各时刻对应的实际值和所述时刻所属子时间段对应的标准差，确定所述异常偏差值。

5.根据权利要求3所述的方法，其特征在于，所述预设异常变量的确定方式，包括：

获取第四时间段对应的环境数据，所述第四时间段为与所述第三时间段相邻且在所述第三时间段之后的一段时间；

利用所述第三时间段对应的环境数据驱动所述地球系统模式，对所述第四时间段的环境数据进行预测，得到第三预测数据；

基于所述第三预测数据和所述第四时间段对应的环境数据，确定各环境变量分别对应的相关系数；

将所述相关系数与预设相关阈值进行比较，基于比较结果从所述环境变量中确定所述预设异常变量。

6.根据权利要求5所述的方法，其特征在于，所述机器学习模型基于所述第三时间段对应的历史环境数据、所述第四时间段对应的历史环境数据和所述预警特征训练得到。

7.一种风光资源的预警装置，其特征在于，所述装置包括：

第一获取模块，用于获取预训练的机器学习模型；

耦合模块，用于将所述机器学习模型与地球系统模式进行耦合，得到预测模型；

第二获取模块，用于当在目标区域内首次监测到预设预警信号时，获取监测到所述预设预警信号时所述目标区域对应的环境数据；

预测模块，用于利用所述环境数据驱动所述预测模型，对所述目标区域在第一时间段的环境数据进行预测 ，得到预测数据，所述第一时间段是以首次监测到所述预设预警信号的时刻为起始的时间段；

确定模块，用于从所述预测数据中获取目标变量对应的目标数据，并基于所述目标数据确定风光资源的预警时刻；

所述预测模块，包括：

第一预测子模块，用于将所述环境数据输入至所述预测模型中，利用所述机器学习模型对预设异常变量进行预测，得到第一预测数据，所述环境数据为各环境变量分别对应的数据；

第二预测子模块，用于利用所述地球系统模式对除所述预设异常变量 之外的其余环境变量进行预测，得到第二预测数据，所述预测数据包括所述第一预测数据和所述第二预测数据。

8.根据权利要求7所述的装置，其特征在于，所述第二获取模块中确定所述预设预警信号的模块，包括：

获取子模块，用于获取所述目标变量在第二时间段中各时刻对应的实际值和所述目标变量在预设时刻对应的平均值，所述第二时间段在所述第一时间段之前，所述第二时间段包括多个子时间段，所述平均值基于所述目标变量在各所述子时间段预设时刻的实际值得到；

第一确定子模块，用于基于所述实际值和所述平均值，确定所述目标变量在各时刻对应的偏差值，并从所有所述偏差值中确定出异常偏差值；

聚类子模块，用于对所述异常偏差值进行聚类，得到任一聚类簇中所述异常偏差值对应的异常时刻；

第二确定子模块，用于获取第三时间段对应的环境数据，并对所述第三时间段对应的所述环境数据进行聚类训练，得到与所述聚类簇对应的所述预设预警信号，所述第三时间段是以所述异常时刻为终止时刻的时间段。

9.根据权利要求8所述的装置，其特征在于，所述第二获取模块中确定所述预设预警信号的模块，还包括：

第三确定子模块，用于对所述环境数据进行聚类训练还得到与所述预设预警信号对应的预警特征。

10.根据权利要求8或9所述的装置，其特征在于，所述第一确定子模块中确定异常偏差值的子模块，包括：

处理单元，用于对所述子时间段中各时刻对应的所述偏差值进行标准化处理，得到与所述子时间段对应的标准差；

第一确定单元，用于基于各时刻对应的实际值和所述时刻所属子时间段对应的标准差，确定所述异常偏差值。

11.根据权利要求9所述的装置，其特征在于，所述第一预测子模块中确定所述预设异常变量的子模块，包括：

获取单元，用于获取第四时间段对应的环境数据，所述第四时间段为与所述第三时间段相邻且在所述第三时间段之后的一段时间；

预测单元，用于利用所述第三时间段对应的环境数据驱动所述地球系统模式，对所述第四时间段的环境数据进行预测，得到第三预测数据；

第二确定单元，用于基于所述第三预测数据和所述第四时间段对应的环境数据，确定各环境变量分别对应的相关系数；

第三确定单元，用于将所述相关系数与预设相关阈值进行比较，基于比较结果从所述环境变量中确定所述预设异常变量。

12.一种计算机设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至6中任一项所述的风光资源的预警方法。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至6中任一项所述的风光资源的预警方法。