(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210819294.5 (22)申请日 2022.07.13 (65)同一申请的已公布的文献号 申请公布号 CN 114896826 A (43)申请公布日 2022.08.12 (73)专利权人 成都信息工程大学 地址 610200 四川省成 都市西南 航空港经 济开发区学府路1段24 号 (72)发明人 李孝杰　张丽辉　吴锡　黄小猛　 俞永强　吕建成　周激流　 (74)专利代理 机构 成都智涌知识产权代理事务 所(普通合伙) 51313 专利代理师 蔡福林 (51)Int.Cl. G06F 30/20(2020.01) G06F 30/17(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) (56)对比文件 CN 114414090 A,202 2.04.29 CN 114218870 A,202 2.03.22 CN 112905560 A,2021.0 6.04 US 9536021 B1,2017.01.0 3 李芬 等.一种新型天气分型方法及其在光 伏功率预测中的应用. 《上海交通大 学学报》 .2021,第5 5卷(第12期),第1510 -1519页. Xin Huang 等.C hemical Boundary Layer and Its Impact o n Air Po llution in Northern C hina. 《Enviro nmental Science & Technology Letters》 .2020,第7 卷(第11期),第 826-832页. 审查员 陈鸣 (54)发明名称 基于物理学结合残差注意力网络的行星边 界层参数化方法 (57)摘要 本发明涉及一种基于物理学结合残差注意 力网络的行星边界层参数化方法， 设计一种同时 结合物理学和深度学习的残差注 意力网络， 包括 依次连接的八个时空结合模块， 每个时空结合模 块包括通道注意力模块CAB和空间注意力模块 PNSAB， 通过卷积、 CAB模 块和PNSAB模 块提取重要 特征和模拟具体的物理过程， CAB模块用来模拟 大气湍流过程中的能量交换， 让网络不断地学习 大气物理常识， PNSAB模块去挑选对于预测结果 比较重要的气象要素， 能够 有效的替换传统模式 中的参数化， 设计的多个模块协同作用模拟边界 层中的物理过程。 本发明的模型能更好地模拟边 界层内的速度、 温度、 风速和水汽的垂直 分布， 同 时使用较低的计算成本和较短的时间。 权利要求书2页 说明书9页 附图4页 CN 114896826 B 2022.09.09 CN 114896826 B 1.基于物理学结合残差注意力网络的行星边界层参数化方法， 其特征在于， 设计一种 结合物理学与深度学习的残差注意力网络， 通过依次连接的八个时空结合模块中的通道注 意力模块和空间注意力模块学习输入参数 数据的特 征， 所述方法具体包括： 步骤1： 获取边界层参数化数据集， 在服务器上安装中尺度天气预报模式， 即WRF模式， 通过所述WRF模式获取边界层参数化数据集， 所述边界层参数化数据集包括第一数据集和 第二数据集， 所述第一数据集的第一数据包括每层行星边界层的地面热通量、 行星边界层 高度在内的16个气象要素参数数据， 所述第二数据集中的第二数据为所述第一数据输入 WRF模式后输出的每层边界层的气象要素属性 参数； 17个大气边界层每层均包括第一数据集和与之对应的第二数据集； 步骤2： 将所述 边界层参数化数据集按照约定比例划分为训练集、 验证集和 测试集； 步骤3： 对所述第一数据集进行预处理， 使第一数据得到17 ×16的维度， 更适合参数化 网络的结构； 步骤4： 构建基于残差注意力网络的参数化网络， 将步骤3处理后的第一数据集送入构 建好的参数化网络中进 行训练， 所述参数化网络包括依次连接的八个时空结合模块TSI， 每 个时空结合模块包括通道注意力模块CAB和空间注意力模块PNSAB， 所述通道注意力模块 CAB用来模拟垂直剖面之间的能量交换和学习垂直剖面内在联系， 所述空间注意力模块 PNSAB用于提取重要的输入气象变量， 具体为： 步骤41： 将训练集中第一数据集的第一数据通过一个卷积层得到第一降维特 征； 步骤42： 将所述第一降维特征送入第一时空结合模块TS I1， 所述第一时空结合模块TS I1 的前两个卷积层对所述第一降维特 征进行处 理得到第二降维特 征； 步骤43： 将所述第二降维特征同时分别送进所述通道注意力模块CAB和所述空间注意 力模块PNSAB； 所述通道注意力 模块CAB包括两个分支： 全局特征提取器AAP和局部特征提取器AMP， 所 述第二降维特征通过所述全局特征提取器AAP得到剖面全局特征， 通过所述局部特征提取 器AMP得到剖面局部特征， 所述剖面全局特征和所述剖面局部特征相加， 经过激活函数得到 第一剖面注意力矩阵； 所述空间注意力模块PNSAB包括两个分支： 关键特征提取器和特征抑制器， 第二降维特 征通过关键特征提取器得到重要的气象要 素特征， 通过特征抑制器去除干扰的气象要 素特 征， 所述关键特征提取器的输出结果和所述特征抑制 器的输出结果通过通道拼接， 然后经 过一个卷积层得到第一气象要素注意力矩阵； 最后将所述第 一剖面注意力矩阵和所述第 一气象要素注意力矩阵相乘， 得到第 一全局 注意力分布 矩阵； 步骤44： 将第 一全局注意力分布矩阵通过一层卷积层和一个激活层得到重构全局注意 力分布矩阵， 然后将所述重构全局注 意力分布矩阵与步骤42得到的所述第二降维特征相乘 得到全局特 征； 步骤45： 将所述全局特征与步骤41得到的所述第一降维特征相加， 得到第一重构全局 特征； 步骤46： 将步骤45的所述第一重构全局特征依次送入其余七个时空结合模块， 每个时 空结合模块的结构相同， 重复七次步骤42至步骤45的操作， 最终第八时空结合模块输出最权　利　要　求　书 1/2 页 2 CN 114896826 B 2终的第八重构全局特征， 所述第八重构全局特征经过一个全连接层， 得到最后预测的第二 数据； 步骤47： 按一个批大小等于25 6的数据为 一次迭代训练网络， 不断更新训练网络； 步骤48： 若一批完整数据训练完成， 即所有数据均被送入模型进行训练， 则验证模型和 保存模型； 步骤49： 判断是否达到训练迭代总次数， 训练指标为均方根误差RMSE， 若连续三次的 RMSE值不更新， 则结束训练， 保存最后一次更新RMSE值的训练模型， 否则返回步骤41； 步骤5： 将训练好的网络保存参数， 输入测试集的第一数据集进行测试， 得到测试第二 数据。 2.如权利要求1所述的行星边界层参数化方法， 其特征在于， 步骤3的预处理步骤具体 包括： 步骤31： 采用合成少数类过量采样技术SMOTE对数量少的类别 进行采样， 以对数量少的 类别进行扩充和数据增强， 平衡 类别分布， 避免训练中的过度拟合问题； 步骤32： 将步骤31处 理后的第一数据集进行 标准化处理， 使其符合标准的正态分布； 步骤33： 将第一数据处 理成17×16的维度， 便 于做卷积提取 特征。权　利　要　求　书 2/2 页 3 CN 114896826 B 3