1.一种基于上下包络逼近的风速订正方法，其特征在于，包括以下步骤：步骤1，收集数据：选取风场数值天气预报数据的多日风速时间序列数据NWP{Xdt,d＝1,

2,3...D,t＝1,2,3...N}和多日实测风速的时间序列数据obs{Ydt,d＝1,2,3...D,t＝1,2,

3...N}，其中，Xdt为多日风速时间序列数据NWP时间序列数据集合，Ydt为多日实测风速的时间序列数据obs时间序列数据集合；d为日期序列号，t为每日测量风速时间点序列号；D为日期数，N为每日测量风速时间点总数；

步骤2，提取多日风速时间序列数据NWP的趋势项：对多日风速时间序列数据NWP进行经验模态分解EMD处理，得到各日风速数据的趋势项，提取多日风速时间序列数据NWP趋势项的上包络线 和下包络线分别为多日风速时间序列数据NWP趋势项的上、

下包络线数据集合；

步骤3，提取多日实测风速的时间序列数据obs的趋势项：对多日实测风速的时间序列数据obs进行经验模态分解EMD处理，得到各日风速数据的趋势项，用与步骤2相同的方法提取多日实测风速的时间序列数据obs趋势项的上包络线 和下包络线 分别为多日实测风速的时间序列数据obs趋

势项的上、下包络线数据集合；

步骤4，动态时间规整：将多日风速时间序列数据NWP趋势项的上包络线与多日实测风速的时间序列数据obs趋势项的上包络线对应，将多日风速时间序列数据NWP趋势项的下包络线与多日实测风速的时间序列数据obs趋势项的下包络线对应，通过优化后的动态时间规整DTW方法处理，使得多日风速时间序列数据NWP趋势项的上下包络线逼近多日实测风速的时间序列数据obs趋势项的上下包络线，得到新的上包络线和下包络线 分别为

求得新上、下包络线的数据集合；

步骤5，动态拟合反演：通过对新的上、下包络线采用动态自适应图注意力拟合算法反演各日期的时间序列数据，得到时间序列数据{Zdt,d＝1,2,3...D,t＝1,2,3...N}，作为订正后的多日风速时间序列数据NWP，Zdt为反演后的时间序列数据集合；

步骤4包括：

步骤4‑1，定义两组时间序列，分别是：

上包络线时间序列组合： 与

下包络线时间序列组合： 与

时间序列的长度为D×N，记D×N为参数M；

步骤4‑2，构建距离矩阵：分别计算每组时间序列中每对点之间的曼哈顿距离，形成两

0 1

个M×M的距离矩阵D[i,j]和D[i,j]，

0

距离矩阵D[i,j]中的每个元素表示上包络线时间序列组合中多日风速时间序列数据NWP趋势项序列的元素i和多日实测风速的时间序列数据obs趋势项序列的元素j之间的曼哈顿距离；

1

距离矩阵D[i,j]中的每个元素表示下包络线时间序列组合中多日风速时间序列数据NWP趋势项序列的元素i和多日实测风速的时间序列数据obs趋势项序列的元素j之间的曼哈顿距离；

在曼哈顿距离计算的基础上增加导数的扩展，将信号的梯度、曲率纳入距离计算，计算公式为：D[i,j]＝α|xi‑yj|+β|x'i‑y'j|+γ|x”i‑y”j|，其中，D[i,j]为距离矩阵，xi和yj分别为多日风速时间序列数据NWP趋势项序列的元素i和多日实测风速的时间序列数据obs趋势项序列的元素j，α、β、γ为权重系数，|xi‑yj|、|x'i‑y'j|、|x”i‑y”j|分别为xi和yj之间的曼哈顿距离、一阶导数距离和二阶导数距离；x'i、y'j分别为xi的一阶差分、yj的一阶差分，x'i＝xi+1‑xi，y'i＝yi+1‑yi；x”i、y”j分别为xi的二阶差分、yj的二阶差分，x”i＝x'i+1‑x'i，y”i＝y'i+1‑y'i；

α、β、γ的计算过程为：

记[xi,yj]、[x'i,y'j]、[x”i,y”j]的皮尔逊相关系数分别为α1、β1、γ1，计算公式为：其中，中间参数 中间参数 中间参数 中间参数

中间参数 中间参数

对皮尔逊相关系数归一化处理，得到α、β、γ：

0 1 0

步骤4‑3，动态规划计算累积距离：定义累积距离矩阵DTW [i,j]和DTW [i,j]，DTW[i,j]表示上包络线时间序列组合中多日风速时间序列数据NWP趋势项序列的前i个元素到多1

日实测风速的时间序列数据obs趋势项序列的前j个元素的最小累积距离，DTW[i,j]表示下包络线时间序列组合中多日风速时间序列数据NWP趋势项序列的前i个元素到多日实测风速的时间序列数据obs趋势项序列的前j个元素的最小累积距离；

动态规划的递推公式为：

DTW[i,j]＝D[i,j]+min(DTW[i‑1,j],DTW[i,j‑1],DTW[i‑1,j‑1])，其中DTW[i,j]为两组时间序列中各个元素的最小累计距离，如果分别将多日风速时间序列数据NWP趋势项序列与多日实测风速的时间序列数据obs趋势项序列作为x轴、y轴构建坐标系，则DTW[i‑1,j]表示从D[i,j]左边到达，DTW[i,j‑1]表示从D[i,j]上边到达，DTW[i‑

1,j‑1]表示从D[i,j]左上角对角线到达；

初始化条件为DTW[0,0]＝D[0,0]；

步骤4‑4，寻找最优路径：从累积距离矩阵的右下角DTW[M,M]开始回溯，找到累积距离最小的最优路径，最优路径上的累积距离之和为多日风速时间序列数据NWP趋势项序列与多日实测风速的时间序列数据obs趋势项序列的动态时间规整DTW距离；

根据最优路径，对多日风速时间序列数据NWP趋势项的上、下包络线数据进行订正，使多日风速时间序列数据NWP趋势项的上、下包络线数据逐渐逼近多日实测风速的时间序列数据obs趋势项的上、下包络线数据，最终得到新的上包络线和下包络线

2.根据权利要求1所述的方法，其特征在于，步骤5包括：步骤5‑1，构建动态图：将多日实测风速的多日实测风速的时间序列数据obs的局部特征建模为图结构，节点表示时间点，边权重反映局部相似性；

步骤5‑2，增强图注意力特征：使用通过注意力机制聚合邻域信息，强化关键节点表示的多头图注意力网络GAT，通过注意力权重动态调整不同时间点的重要性，表达式为：k

其中，K为注意力头的数量， 为第k个头的注意力权重，W 为第k个头的独立参数矩阵，‖为拼接特征操作，最终输出维度为K×d'；

步骤5‑3，进行多尺度动态对齐；

步骤5‑4，在线增量更新。

3.根据权利要求2所述的方法，其特征在于，步骤5‑1包括：步骤5‑1‑1，提取节点特征：对两个时间序列 和 的每个时间点提取多维特征，包括幅值、一阶导数、二阶导数和局部熵；

步骤5‑1‑2，计算边权重：基于特征相似性动态，分别构建时间序列 的邻接矩阵 和的邻接矩阵 公式为：其中exp是自然指数函数， 分别为新上包络线的数据集合中的元素i、j，分别为新下包络线的数据集合中的元素i、j，

0 1

θ、θ分别为时间序列 每个时间点的信息熵和时间序列 每个时间点的信息熵；σ是控制相似性衰减速率的参数，λ是平衡时间邻近性的参数；

信息熵θ的计算方式为：

其中，pi(x)是窗口x中第k个类别的概率，k的取值范围是[1,6D]。

4.根据权利要求3所述的方法，其特征在于，步骤5‑3包括：步骤5‑3‑1，粗粒度对齐：将多日实测风速的时间序列数据obs作为原始信号进行小波下采样，得到低频近似信号，在图注意力特征空间上应用改进的动态时间规整DTW方法，生成全局对齐路径；

步骤5‑3‑2，细粒度修正：在高频子带中，基于全局路径约束，使用局部自适应窗口进行微调。

5.根据权利要求4所述的方法，其特征在于，步骤5‑4包括：使用滑动窗口机制，对实时信号仅维护最近Y1个时间点的图结构和注意力权重。

6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述的方法的步骤。

7.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，执行如权利要求1至5中任一项所述的方法的步骤。