一种复杂地形风场预测方法、装置及电子设备与流程

本发明涉及风能利用和航空飞行规划，具体涉及一种复杂地形风场预测方法、装置及电子设备。

背景技术：

1、在风能利用、航空飞行规划等依赖风场数据的工程领域，实际运行环境复杂多变，包括山地、峡谷、丘陵在内的复杂地形会引发剧烈的风场空间异质性。准确获取复杂地形下的高分辨率风场预测数据，对于实现风电场微观选址优化、无人机路径规划等应用具有重要意义。

2、现有方案主要包括数值天气预报和计算流体动力学仿真。其中，数值天气预报的空间和时间分辨率较低，无法满足复杂地形下小尺度风场预测的工程需求；而传统的计算流体动力学仿真虽然能生成高分辨率的精细风场，但通常需要明确的全局边界条件，且计算成本极高、耗时久，无法满足动态规划类应用场景的实时预测需求。为了提高预测速度，现有方案也尝试引入人工智能模型，但在实际工程中只能获取零星的测风数据，未充分考虑复杂地形的三维空间特征约束，对稀疏观测数据的利用效率低，导致在缺乏完整边界条件和实测风场数据的情况下，难以实现高精度的实时预测。

技术实现思路

1、本发明提供了一种复杂地形风场预测方法、装置及电子设备，以解决在缺乏完整边界条件和实测风场数据的情况下，难以实现高精度的实时风场预测的问题。

2、第一方面，本发明提供了一种复杂地形风场预测方法，包括：

3、获取待预测区域的风速数据，并构建地形距离场；

4、根据风速数据生成观测掩码；

5、将地形距离场、风速数据以及观测掩码作为输入集，输入至预训练的三维卷积神经网络中进行前向传播，得到预测输出张量，预训练的三维卷积神经网络是利用计算流体动力学仿真生成的流场数据训练得到的；

6、根据地形距离场得到流体域掩码，并根据流体域掩码对预测输出张量进行约束，得到待预测区域的风场预测结果。

7、有益效果：本发明摆脱了传统计算流体动力学仿真对明确的全局边界条件等先验输入信息的严苛依赖，利用预训练的三维卷积神经网络强大的前向传播与拟合能力，实现了秒级的超快速重构，并且通过流体域掩码的逐元素约束保证了地形内部预测值为零以满足物理无穿透边界条件，从根本上解决了传统风场预测方法在小尺度复杂地形场景下无法兼顾高计算时效性与高空间分辨率的难题。

8、在一种可选的实施方式中，地形距离场通过下述方式构建：

9、获取待预测区域的地形数据，并基于地形数据在规则网格上构建地形占据体；将地形占据体作为地形掩码，用于表征地形在三维空间中的占据状态；

10、根据地形掩码生成流体域布尔掩码；

11、对流体域布尔掩码施加欧氏距离变换，得到地形距离场，其中，地形距离场包括多个体素，每个体素的值表示体素到最近地形表面的欧氏距离。

12、有益效果：通过基于待预测区域的地形数据在规则网格上构建地形占据体作为地形掩码，并据此生成流体域布尔掩码以施加欧氏距离变换，得到地形距离场，清晰且数字化地界定了体素空间内每个位置到最近地形表面的欧氏距离；这为后续预训练的三维卷积神经网络提供了一种具备高空间连续性与明确空间几何特征的底层地形表征，避免了传统高程地图离散表达在空间三维特征约束上的不充分性，增强了深度学习模型对于大起伏、多变化等复杂三维地形的空间异质性捕捉精度。

13、在一种可选的实施方式中，风速数据为稀疏风速数据或非稀疏风速数据；

14、根据风速数据生成观测掩码，包括：

15、当风速数据为稀疏风速数据时，获取预设比例的稀疏风速数据在待预测区域内的网格位置，并将网格位置标记为初始掩码；

16、获取地形距离场中与初始掩码对应的地形掩码，并将初始掩码与地形掩码的乘积作为稀疏风速数据的观测掩码。

17、有益效果：通过获取预设比例的稀疏风速数据在待预测区域内的网格位置标记为初始掩码，再将其与地形掩码相乘作为稀疏风速数据的观测掩码；这一步骤能够在空间上精准锁定并标记已知测量值的位置，同时通过地形掩码过滤并剔除掉位于地形内部的不合理采样单元格，防止了无效或错误的数据干扰网络输入，提高了人工智能模型对于实际工程中极其零星且带噪声的稀疏观测数据的挖掘与利用效率。

18、在一种可选的实施方式中，将地形距离场、风速数据以及观测掩码作为输入集，输入至预训练的三维卷积神经网络中进行前向传播，得到预测输出张量，包括：

19、当风速数据为稀疏风速数据时，将地形距离场、稀疏风速数据以及观测掩码组合为第一输入集，并将第一输入集输入至预训练的三维卷积神经网络中进行前向传播，得到预测输出张量；

20、当风速数据为非稀疏风速数据时，根据非稀疏风速数据生成非稀疏风速分量，将地形距离场和非稀疏风速分量组合为第二输入集，并将第二输入集输入至预训练的三维卷积神经网络中进行前向传播，得到预测输出张量。

21、有益效果：通过在风速数据为稀疏风速数据时将地形距离场、稀疏风速数据以及观测掩码组合为第一输入集输入网络，而在风速数据为非稀疏风速数据时根据非稀疏风速数据生成非稀疏风速分量并与地形距离场组合为第二输入集输入网络；这在神经网络前向传播计算层面提供了极强的兼容性与多工况适配性，使得单个预训练的三维卷积神经网络能够一套架构同时完美适配全域稀疏、子域稀疏、轨迹稀疏以及基于入流扩展算法或角点插值算法得到的非稀疏等多种复杂的多源异构现实观测场景，扩大了该预测方法的工程应用边界。

22、在一种可选的实施方式中，流场数据通过下述方式生成：

23、采用雷诺时均对多种地形进行计算流体动力学仿真，生成基准流场数据，多种地形包括山地、峡谷以及丘陵，基准流场数据包括速度矢量场、压力场、基准湍流动能、湍流耗散率以及湍流黏性系数；

24、利用重采样算子将基准流场数据从计算网格映射至规则网格，并剔除大于预设阈值的样本，形成监督标签数据；

25、根据预设的目标风速与基准风速的比值确定风速缩放比，并根据风速缩放比对监督标签数据进行缩放，得到流场数据。

26、有益效果：通过采用雷诺时均对包含山地、峡谷以及丘陵的多种地形进行计算流体动力学仿真生成包含速度矢量场、压力场、基准湍流动能、湍流耗散率以及湍流黏性系数的基准流场数据，重采样映射后经阈值剔除异常并利用风速缩放比对监督标签数据进行缩放得到流场数据；该离散合成数据技术不仅通过雷诺时均仿真保证了底层训练样本集的高保真物理流体力学可信度，还巧妙地利用风速缩放比实现了对已有收敛流场的跨工况、多风速复用，在无需大规模开展野外实地高昂观测的前提下低成本且高质量地扩充了全域流场特征训练数据库。

27、在一种可选的实施方式中，预训练的三维卷积神经网络采用三维编码器-解码器结构；

28、预训练的三维卷积神经网络通过下述方式训练得到：

29、将预设的训练地形距离场、训练风速数据以及训练观测掩码组合为训练输入集；

30、对训练输入集进行随机平移、旋转、翻转以及子域采样处理，得到增强训练输入集，其中，旋转过程包括，根据预设的旋转变换公式，对训练输入集中训练风速数据的水平风速分量进行旋转变换；

31、将增强训练输入集输入至待训练的三维卷积神经网络中进行前向传播，得到预测张量；

32、计算预测张量与对应的监督标签数据之间的均方误差损失，并根据均方误差损失对待训练的三维卷积神经网络的权重参数进行优化，直至待训练的三维卷积神经网络收敛，得到预训练的三维卷积神经网络。

33、有益效果：通过限定预训练的三维卷积神经网络采用三维编码器-解码器结构，并利用训练地形距离场、训练风速数据及训练观测掩码通过平移、旋转、翻转、子域采样等增强处理，计算预测张量与监督标签数据之间的均方误差损失来优化权重参数直至收敛；三维编码器-解码器网络能够实现三维空间大尺度流场宏观特征向微观精细风场的分级提取与无损还原，配合在线数据增强特别是针对水平风速分量的旋转变换公式校正，增强了模型的泛化能力与抗噪鲁棒性，保证了训练完成后的三维卷积神经网络具备极高的拟合精度与收敛稳定性。

34、在一种可选的实施方式中，根据地形距离场得到流体域掩码，并根据流体域掩码对预测输出张量进行约束，得到待预测区域的风场预测结果，包括：

35、将地形距离场输入符号函数，得到流体域掩码，流体域掩码中地形内部的指示值为零，流体域的指示值为一；

36、将流体域掩码和预测输出张量进行逐元素乘法，得到待预测区域的风场预测结果。

37、有益效果：通过具体限定利用符号函数将地形距离场转化为地形内部指示值为零、流体域指示值为一的流体域掩码，并将其与预测输出张量进行逐元素乘法得到待预测区域的风场预测结果；该数学约束机制在神经网络输出的最末端强行施加了物理现实硬约束，确保了山体结构内部绝对不会产生任何虚假风速或气流的计算溢出，完美地在纯数据驱动的ai架构中强力实现了流体力学中至关重要的物理无穿透边界条件，提升了风场预测结果的工程可靠性。

38、在一种可选的实施方式中，在得到待预测区域的风场预测结果之后，方法还包括：

39、获取预设的样本尺度因子；

40、根据样本尺度因子对风场预测结果进行逆变换，得到三维体均风速和实际湍流动能。

41、有益效果：通过在得到待预测区域的风场预测结果之后，获取预设的样本尺度因子，并根据样本尺度因子对风场预测结果进行逆变换，最终还原得到三维体均风速和实际湍流动能；这一无量纲化逆变换机制能够将神经网络内部为了避免数值梯度爆炸或耗散而进行归一化计算的中间抽象数值，精准、无损地还原放大回现实自然界真实的米每秒及平方每二次方秒等真实物理量量纲尺度，从而能直接为风电场微观选址优化、无人机路径规划等应用场景提供直观且高精度的数据支持。

42、第二方面，本发明提供了一种复杂地形风场预测装置，包括：

43、获取模块，用于获取待预测区域的风速数据，并构建地形距离场；

44、生成模块，用于根据风速数据生成观测掩码；

45、输入模块，用于将地形距离场、风速数据以及观测掩码作为输入集，输入至预训练的三维卷积神经网络中进行前向传播，得到预测输出张量，预训练的三维卷积神经网络是利用计算流体动力学仿真生成的流场数据训练得到的；

46、约束模块，用于根据地形距离场得到流体域掩码，并根据流体域掩码对预测输出张量进行约束，得到待预测区域的风场预测结果。

47、第三方面，本发明提供了一种电子设备，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一种复杂地形风场预测方法。

48、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一种复杂地形风场预测方法。

49、第五方面，本发明提供了一种计算机程序产品，包括计算机指令，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一种复杂地形风场预测方法。