一种基于物理嵌入式深度学习的风光资源互补评估方法及系统

本发明公开了一种基于物理嵌入式深度学习的风光资源互补评估方法及系统，属于资源评估领域，方法包括：获取目标区域气象要素和数字高程模型数据；计算相邻网格海拔变化率，基于IGC算法区分平坦区与非平坦区，分别提取地形特征；通过辐射数据生成太阳高度角周期性特征，与地形特征拼接得到融合特征；构建物理嵌入式的NODE‑SA‑ConvLSTM模型，结合自注意力机制捕获风光要素的全局依赖关系，输出风速与辐射预测结果；利用误差恒定补偿机制对预测残差进行滑动平衡修正；通过风光互补系数量化区域风光资源互补性。本发明通过引入物理嵌入机制和连续时间建模，有效提升了风光资源预测精度与稳定性，实现了风光资源禀赋的互补评估。