基于自适应焦点损失的海上风电天气事件辨识方法和装置

1.一种基于自适应焦点损失的海上风电天气事件辨识方法，其特征在于，包括以下步骤：S1，数据采集与整合：搜集海上风电场的相关数据，构建数据集用于天气事件辨识模型的训练；S2，数据预处理与样本构建：对数据集执行数据清洗和交叉验证，构建时间序列样本集，包含多维度天气事件指标和历史天气事件记录；S3，特征工程：利用递归神经网络进行时间序列特征提取，应用主成分分析进行维度降低和特征选择；S4，深度神经网络模型构建：构建基于Encoder-Adaptive-Focal架构的深度神经网络模型作为海上风电天气事件辨识模型，并为海上风电天气事件辨识模型选择损失函数；S5，模型训练与优化：将S2得到的时间序列样本集划分为训练集和测试集，利用选择的损失函数进行模型训练和优化，得到训练和和优化后的天气事件辨识模型；S6，结果分析与解释：对所述天气事件辨识模型的输出进行分析，提取和解释天气事件的深层特征；海上风电天气事件辨识模型训练阶段先采用交叉熵损失函数，交叉熵损失函数用于模型的初始训练阶段，为模型提供初始的分类能力；交叉熵损失函数的定义如式(1)所示：log表示自然对数，y i 代表第i个样本的实际天气事件类别，而p i 代表由事件辨识模型为第i个样本的天气事件类别生成的预测概率分布；应用加权自适应焦点损失函数时，定义“简单”、“困难”和“异常”样本；关于样本的天气事件特征定义如下，设第i个样本的天气事件特征表示为x i ，其事件类别的真实值表示为y i ；设天气事件的类别分为五个层次：非常严重、严重、中等、轻微和无；y i 属于集合{非常严重,严重,中等,轻微,无}；对于每个y i ，采用One-Hot编码方法，利用一个5位的状态寄存器来表示这5个事件类别；每个级别都有自己独立的寄存器位，并且在任何时刻只有一个位是有效的；设第一个样本的天气事件特征由x i 表示，事件类别的真实值由y i 表示，事件类别的预测值由p i 表示，定义以下类型的样本：简单样本：模型可以轻易辨识其事件类别的样本，即预测标签值与真实值非常接近的样本；当误差|y i -p i |小于或等于0.05时，认为样本是简单的；困难样本：模型很难正确确定事件类别的样本，即预测标签值与真实值有显著差异的样本；当误差|y i -p i |大于或等于0.2时，认为样本是困难的；异常样本：异常样本是困难样本中的极端情况，其偏差的Z-score绝对值超过3，显示与正态分布有显著偏差，以至于即使是最优模型也无法正确分类它们；Z-score计算公式为：Z＝(X-μ)/σ，其中X是观察值，μ是平均值，σ是标准差；当一个样本的Z-score的绝对值大于3时，认为它与正态分布存在显著偏差；在模型经过初始训练后，对损失函数进行优化，损失函数优化方法如下：在天气事件辨识中，针对不同天气事件类别之间的数据不平衡，引入了类别权重α i 来增强交叉摘损失函数，旨在减轻样本类别中的不平衡问题；设S{(x i ,y j )∣i＝1,2,…,N}是为天气事件辨识模型准备的训练样本集；其中x i 表示第i个样本的天气事件特征向量，y i 表示第i个样本的类别， 表示与y j 相同类别的样本计数， 表示除y j 之外的类别的样本计数，且 因此有：α i 表示第i个样本的权重；α i 的大小与 正相关，与 负相关，意味着如果样本(x i ,y j )属于多数类别，其损失权重将减少；给定公式1中的y j 和p j ，则引入了类别权重的交叉熵损失函数为：公式(3)中L α (p i ,y i )表示类别权重交叉熵损失函数；公式(3)与标准交叉摘损失函数的区别在于包含样本类别权重α i ，以抵消不同类别样本计数产生的损失变化；如果α i 被指定为1，则公式(3)将恢复为标准交叉摘损失函数；针对简单样本和困难样本之间的不成比例比率，引入了基于Focal Loss的交叉摘函数；将焦点参数γ整合到损失函数中，γ≥0；焦点损失函数为：针对天气事件类别的部分误分类和误标样本，提出了一种自适应焦点损失函数，自适应焦点损失函数由以下公式给出：其中：将误标样本称为异常样本，s i 表示第i个样本的自适应缩放因子，它用于调整每个样本在损失函数中的贡献，ρ是一个自适应率参数，e表示迭代或者训练轮次的指标，它指示模型训练的当前阶段。 2.根据权利要求1所述的基于自适应焦点损失的海上风电天气事件辨识方法，其特征在于，在S6步骤中，采用以下方法提取和解释天气事件的深层特征，以识别天气事件：通过Encoder-Adaptive-Focal架构的解码器部分解析深度神经网络的输出，将高维特征转换为可解释的天气事件类别；使用梯度提升机及SHAP评估不同输入特征对模型预测决策的影响；找出预测概率或分类结果满足需求的特征作为天气事件识别中起关键作用的特征；分析模型输出层前的隐藏层激活，找出满足设定需求的样本作为识别模型决策的关键样本，所述样本包含了识别天气事件所需的设定信息；利用可视化工具展示不同天气事件类别在特征空间中的分布，帮助解释模型区分不同天气事件的方式；对模型识别的各类天气事件进行案例分析，通过比较模型预测和实际天气记录，验证模型的准确性和可靠性。 3.根据权利要求1所述的基于自适应焦点损失的海上风电天气事件辨识方法，其特征在于，所述步骤S2中的数据预处理与样本构建具体步骤如下：S21，数据预处理，其包括：①数据清洗：处理缺失值、异常值和重复值；②数据转换：将数据转换为适合模型训练的格式；③数据标准化：对数据进行标准化处理；S22，样本构建，其包括：①特征选择：选择设定的特征用于模型训练；②样本标签：根据历史天气事件记录，为每个样本分配相应的标签；③时间序列样本集构建：将数据按时间顺序排列，构建时间序列样本集；S23，执行交叉验证：选择交叉验证方法，将数据集分为k个子集，每次使用k-1个子集作为训练集，剩下的一个子集作为测试集；重复执行交叉验证过程k次，每次选择不同的子集作为测试集。 4.根据权利要求1所述的基于自适应焦点损失的海上风电天气事件辨识方法，其特征在于，所述步骤S3中的特征工程的具体实现步骤如下：S31，时间序列特征提取：应用递归神经网络，来捕捉时间序列数据中的长期依赖关系；S32，维度降低和特征选择：应用主成分分析，在原始数据集X上执行特征提取以学习序列的动态特征并减少维度，从而得到新的特征集A和降维数据集S_prime＝(A,Y)；X表示原始的多维数据集，S_prime表示降维后的数据集，其中A是降维后的特征集，Y是相应的标签集。 5.根据权利要求1所述的基于自适应焦点损失的海上风电天气事件辨识方法，其特征在于，所述步骤S4中的深度神经网络模型构建的具体步骤如下：S41，模型超参数确定和调整：包括选择需要的神经网络层数、每层的神经元数量、激活函数、批次大小、训练轮数、学习率、自适应学习率算法和修正因子；S42，构建事件辨识模型：构建和训练用于天气事件辨识的深度神经网络模型；S43，选择损失函数：选择交叉熵损失函数或加权自适应焦点损失函数作为损失函数，优化模型。 6.根据权利要求1所述的基于自适应焦点损失的海上风电天气事件辨识方法，其特征在于，y i 属于集合{非常严重,严重,中等,轻微,无}；对于每个y i ，采用One-Hot编码方法，利用一个5位的状态寄存器来表示这5个事件类别；每个级别都有自己独立的寄存器位，并且在任何时刻只有一个位是有效的；One-Hot编码的表示如下：天气事件类别的预测概率分布由p i 给出，表达式如下： 7.一种实现如权利要求1所述的基于自适应焦点损失的天气事件识别方法的系统，其特征在于，包括以下模块：(1)数据采集与整合模块：搜集天气事件的相关数据，构建数据集；(2)数据预处理与样本构建模块：执行数据清洗和交叉验证以准备数据集，构建时间序列样本集，包含多维度天气指标和历史天气事件记录；(3)特征工程模块：利用递归神经网络进行时间序列特征提取，应用主成分分析进行维度降低和特征选择；(4)深度神经网络模型构建模块：确定和调整模型超参数，构建基于Encoder-Adaptive-Focal架构的深度神经网络模型作为海上风电天气事件辨识模型，选择和应用损失函数；(5)模型训练与评估模块：调整超参数进行模型训练，使用训练集进行模型训练，在测试集进行模型预测和评估。