CN104950186A - 雷电预测的方法和装置 - Google Patents
雷电预测的方法和装置 Download PDFInfo
- Publication number
- CN104950186A CN104950186A CN201410125733.8A CN201410125733A CN104950186A CN 104950186 A CN104950186 A CN 104950186A CN 201410125733 A CN201410125733 A CN 201410125733A CN 104950186 A CN104950186 A CN 104950186A
- Authority
- CN
- China
- Prior art keywords
- twlc
- dbz
- sda
- region
- atmospherical discharges
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/16—Measuring atmospheric potential differences, e.g. due to electrical charges in clouds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
- G01R29/0842—Measurements related to lightning, e.g. measuring electric disturbances, warning systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种雷电预测方法,包括:基于雷达反射率数据识别空气放电载体目标天气区域TWLC;由所识别的空气放电载体目标天气区域TWLC预测未来的空气放电载体目标天气区域TWLC状态;基于空气放电SDA观测数据及检测的空气放电载体目标天气区域TWLC状态相关数据建立或更新SDA模型;以及根据SDA模型计算所述预测的未来的空气放电载体目标天气区域TWLC中产生空气放电SDA的概率。
Description
技术领域
本发明涉及雷电预测的领域,具体涉及一种雷电预测的方法和装置。
背景技术
随着电网电压的提高(例如,在中国为100KV),电网安全对于社会安全起着越来越重要的作用。极端天气的出现会影响电网和传输线路的安全,甚至会带来灾难。与雷电相关的电网设备故障不仅会带来经济上的巨大损失,而且会危及人的生命。因此,存在对雷电预测技术的极大需求。
目前存在如下几种雷电预测方法:
一种是统计方法。该方法是使用历史气象数据和空气放电(SparkDischarge of the Air,SDA)数据来建立和训练线性模型,然后基于该模型并使用来自气象组织的预测变量来进行预测。这种技术的缺点是不够精确,无法预测SDA的强度,且线性模型无法很好地进行预测。
另一种方法是使用雷达并根据经验来预测SDA。该方法例如假设在-15℃下大于35db的雷达反射率(radar reflectivity)具有产生SDA的很大概率。该方法实际上只能表明当前天气条件下产生SDA的概率,而无法预测未来一段时间产生SDA的概率。
再一种方法是天气模型。该方法使用高分辨率的天气模型来预测SDA载体目标天气区域(Targeted Weather of SDA Carrier,TWLC),然后基于对流参数来计算SDA指数。这种方法的缺点是使用天气模型来预测TWLC时存在很大的误差。
显然,本领域中需要一种更有效的雷电预测方法。
发明内容
在本发明的一个方面,提供了一种雷电预测方法,包括:基于所检测的雷达反射率数据识别空气放电载体目标天气区域(TWLC);由所识别的TWLC预测未来的TWLC状态;基于空气放电(SDA)观测数据及检测的TWLC状态相关数据建立或更新SDA模型;以及根据所述SDA模型计算所述预测的未来的TWLC中产生SDA的概率。
在本发明的另一个方面,提供了一种雷电预测装置,包括:TWLC识别模块,被配置为基于所检测的雷达反射率数据识别空气放电载体目标天气区域(TWLC);TWLC预测模块,被配置为由所识别的TWLC预测未来的TWLC状态;SDA模型建立模块,被配置为基于空气放电(SDA)观测数据及检测的TWLC状态相关数据建立或更新SDA模型;以及SDA预测模块,被配置为根据所述SDA模型计算所述预测的未来的TWLC中产生SDA的概率。
本发明的技术方案可以较好地实现短期(例如,约30分钟到约1小时)的SDA预测,从而有效地预防雷电造成的电网设备故障。
附图说明
图1示意性地示出了根据本发明的实施例的雷电预测方法的流程;
图2示出了根据本发明的实施例步骤2可包括的子步骤;
图3示出了根据本发明的实施例的雷电预测装置;
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
具体实施方式
在附图中显示了本公开的一些优选实施方式,下面将参照附图更详细地描述这些优选实施方式。然而,可以以各种形式实现本公开,其不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
现参照图1,其示意性地示出了根据本发明的实施例的雷电预测方法的流程。如图所示,该方法包括如下四个步骤:步骤1、根据雷达数据识别TWLC;步骤2、由识别的TWLC预测未来的TWLC;步骤3、建立或更新SDA模型;步骤4、根据SDA模型计算所预测的未来的TWLC中产生SDA的概率。下面,分别详述这四个步骤。
步骤1、基于所检测的雷达反射率数据识别TWLC。TWLC是指易产生雷电的特定天气类型的区域,即雷暴天气类型的区域。在本发明中,根据雷达反射率数据来识别TWLC。如本领域的技术人员所知的,雷达反射率是指诸如雨滴等远端物体反射雷达无线电波的强度。根据本发明的实施例,所述雷达反射率数据由dBZ表示。如本领域的技术人员所知的,dBZ代表相对于反射率的分贝值,它是从远端物体(以每立方米中中的立方毫米为单位)反射回来的雷达信号相对于从直径一毫米的雨滴(每立方米中的1立方毫米)反射回来的雷达信号的等价反射率(Z)的对数无量纲单位。dBZ正比于单位体积中的雨滴数量和雨滴直径的六次方,因此可用于估计雨或雪的强度。根据本发明的实施例,使用双标准来识别TWLC。第一个标准可被设置为35dBZ,第二个标准可被设置为45dBZ。首先,根据雷达探测结果提取每个高度层上大于约35dBZ的反射率,从而发现由反射率大于约35dBZ的点构成的区域。其次,发现由反射率大于约45dBZ的点构成的区域(该区域应当位于由反射率约35dBZ的点构成的区域之内)。最后,由反射率大于约45dBZ的点构成的区域向着由反射率大于约35db的点构成的区别进行扩展,直到反射率为约35dBZ时停止扩展。这样,就得到了扩展后的由反射率大于约45dBZ的点构成的区域。这样的区域被识别为不同的TWLC单体,其对应于天气系统的不同的天气子系统。当然,如本领域的技术人员可知的,该步骤中的所述35dBZ和45dBZ仅为经验值,在这些值附近的其他值也用于识别TWLC。
步骤2、由识别的TWLC预测未来的TWLC状态,也就是说,针对步骤1中获得不同的TWLC单体,预测该TWLC单体在未来某个时刻(例如约30分钟到约1小时之后)的状态,即该TWLC单体中的每个点的dBZ强度(即dBZ值)在该未来时刻的位置及dBZ强度。
现参照图2,其示出了根据本发明的实施例步骤2可包括的子步骤。
如图2所示,子步骤1),从雷达检测数据获得在先前时刻(t1)和当前时刻(t2)、识别的TWLC中的dBZ分布,即识别的TWLC中的各点在先前时刻(t1)和当前时刻(t2)的dBZ值,可表示为dBZ(x,y,t1),dBZ(x,y,t2),其中x和y分别表示水平面上的横坐标和纵坐标。所述先前时刻例如可以是当前时刻的前一秒钟。
子步骤2),由先前时刻(t1)和当前时刻(t2)的dBZ分布获得dBZ分布的偏导数分量,即:
子步骤3),使用基于梯度的光流算法预测dBZ分布的未来的移动速度和方向。
本发明的技术方案使用当前TWLC中各个点的dBZ值来预测未来一段时间的TWLC中的各个点的dBZ值,其假设当前TWLC中的各个点的dBZ值随着时间相对稳定地移动到另一个位置,并且其dBZ值也可能相对稳定地变化(可将这种随着时间而移动位置和变化的dBZ值称为dBZ点),从而使得当前TWLC转变为未来的TWLC,该未来的TWLC不仅其位置和形状相对于当前的TWLC可能变化,而且其包含的各点的dBZ值也可能变化。因此,在该步骤中,具体地,首先计算TWLC中的各dBZ点的当前移动速度分量,其可表示为u(x,y),v(x,y),其中u为水平面中横轴上的速度分量,v为水平面中纵轴上的速度分量。可以通过观测TWLC在当前时刻相对于先前时刻的整体位移来计算TWLC中的各dBZ的当前移动速度及其分量。
其次,使用基于梯度的光流算法中的如下公式预测TWLC中的各dBZ点在下一时刻的移动速度分量:
其中,Ex、Ey、Et为梯度,即子步骤2)中获得的偏导数分量:
n和n+1表示相继的两个前后时刻,例如当前时刻和下一时刻;
和表示某一点以及其周围的点的平均速度分量,例如某一点与其周围四个点的平均速度分量;
α为调整常数,较大的α将导致较平滑的流;α可以使用历史数据来获得,即将先前时刻和当前时刻的速度分量和梯度数值代入公式(1),来求得α的值。
可以针对当前时刻到未来某一时刻(例如,约30分钟或约1小时后)之间的整个期间迭代执行公式(1),这样,就可以预测该期间中的每一时刻的、TWLC中的各dBZ点的移动速度分量。这样,通过简单地进行叠加,就可以得出TWLC中的各dBZ点在该未来时刻相对于当前时刻的位置。
子步骤4),使用随机概率算法预测未来的各dBZ强度。具体地,可以使用如下公式预测未来的dBZ强度:
该公式的矩阵写法为:
其中,表示dBZ强度在t3时刻增强的概率,表示dBZ强度在t3时刻减弱的概率,表示dBZ强度在t2时刻增强的概率,表示dBZ强度在t2时刻减弱的概率;
可见,根据以上公式(3)或(4),t3时刻dBZ处于增强或者减弱的概率,只与t2时刻的状态概率(即增强的概率和减弱的概率)和状态转移概率矩阵有关。状态转移概率矩阵可以根据历史观测统计数据获得,即通过观测和统计先前一段时期内dBZ在一时刻增强或减弱的情况以及在下一时刻的增强或减弱的情况来获得。
当使用公式(3)或(4)预测未来的dBZ强度时,当前时刻的dBZ强度处于增强或减弱状态是已知的(例如,通过比较所观测的当前时刻的dBZ与前一时刻的dBZ),因此,其当前时刻增强或减弱的概率为1,而其当前时刻减弱或增强的概率为0。这样,使用公式(3)或(4),就可以得出下一时刻dBZ增强或减弱的概率。针对当前时刻到未来某一时刻(例如,约30分钟或约1小时后)之间的整个期间迭代执行公式(3)或(4),就可以得出该未来时刻的dBZ增强或减弱的概率。如果在该未来时刻dBZ增强的概率大于减弱的概率,则可认为在该未来时刻dBZ增强;反之,可认为在该未来时刻dBZ减弱。
然后,将dBZ随时间的变化率乘以当前时刻到该未来时刻的时长,就可以得出dBZ增强或减弱的幅度,从而得出该未来时刻的dBZ强度。应注意以上过程是针对步骤1中所识别的TWLC中的每个dBZ点执行的,这样,就可以预测出每个dBZ点在未来时刻的强度。也就是说,在子步骤3)中预测出了所识别的TWLC中的每个dBZ点在未来时刻的位置,在子步骤4)中预测出了所识别的TWLC中的每个dBZ点在未来时刻的强度,这样,就由所识别的TWLC预测出了未来时刻的TWLC状态。
返回图1,步骤3、基于SDA观测数据及检测的TWLC状态相关数据建立或更新SDA模型。所述SDA观测数据及TWLC状态相关数据均可以是历史数据。也就是说,可以使用先前所检测的TWLC状态相关数据以及TWLC中的SDA观测数据建立SDA模型,并可以使用新的所检测的TWLC状态数据和TWLC中的SDA观测数据对已建立的SAD模型进行更新。该步骤3通常可以在步骤2和步骤1之前执行,以使用关于TWLC及SDA的历史数据建立或更新SDA模型;该步骤也可以在步骤2和步骤1之后执行或者与步骤2或步骤1并行执行,以使用当前所观测的TWLC及SDA的数据建立或更新SDA模型。
在本发明的实施例中,SDA模型为逻辑回归模型,其反映了TWLC状态相关变量与SDA发生概率之间的关系。所述TWLC状态变量可以从反映TWLC状态的各种变量中进行选择。例如,反射率最大高度(HR)(即所识别的TWLC区域中的所有dBZ点中的最大高度)、垂直积分液态水含量(VIL)与SDA频度密切相关。当第一次SDA发生时,HR达到9km,VIL达到25kg/m2以上。因此,HR和VIL可以作为TWLC状态变量包括在SDA模型中。再例如,45dBZ的最大高度是否达到7km是SDA的必要指标,因此,七千米高度处的反射率(R7)(即七千米高度处的dBZ值)也可以作为TWLC状态变量包括在SDA模型中。
在本发明的实施例中,作为SDA模型的输入的TWLC状态相关参数包括高强度反射率中心位置(SC)(即所识别的TWLC中dBZ最大的点的位置)、反射率最大高度(HR)、垂直积分液态水含量(VIL)、七千米高度处的反射率(R7)。
该SDA模型可以公式表示如下:
L=L(SC,HR,VIL,R7)
L=a*SC+b*HR+c*VIL+d*R7. (5)
其中,L表示SDA发生概率,a、b、c、d为模型参数。模型参数可通过训练模型获得,也就是说,可将关于先前的TWLC的状态变量SC、HR、VIL、R7以及SDA发生频率的历史观测数据代入公式(5)来获得参数a、b、c、d的值。
当然,如本领域的技术人员可知的,所述SDA模型中也可以包括与以上相比更多、更少或不同的变量。例如,所述SDA模型可以仅包括状态变量SC、HR、VIL、R7中的一些。此外,如本领域的技术人员可知的,逻辑回归模型之外的其他预测模型也是可能的。
步骤4、根据SDA模型计算所预测的未来的TWLC中产生SDA的概率。
在该步骤中,可以由步骤2中预测的未来的TWLC,获得其状态变量SC、HR、VIL、R7的值,然后将其代入公式(5),从而获得SDA发生概率。
上述各步骤可迭代执行,也就是说,当所述未来时刻到达时,可根据新的雷达数据识别TWLC,由新识别的TWLC进一步预测未来的TWLC,并可用实际观测的TWLC的状态变量SC、HR、VIL、R7以及SDA发生频率更新SDA模型,然后,根据更新的SDA模型计算进一步预测的未来的TWLC中产生SDA的概率。
以上参照附图描述了根据本发明的实施例的雷电预测方法的步骤,应指出的是,以上描述仅为示例,而不是对本发明的限制。在本发明的其他实施例中,该方法可具有更多、更少或不同的步骤,且各步骤之间的顺序、包含等关系可以与所描述和图示的不同。
现参照图3,其示出了根据本发明的实施例的雷电预测装置。该预测装置所执行的操作对应于上述雷电预测方法的步骤。下面参照图3简要描述该雷电预测装置的各组成部分及其执行操作,关于这些操作的更详细细节请参看以上描述。
如图3所示,该雷电预测装置300包括:TWLC识别模块301,被配置为基于所检测的雷达反射率数据识别空气放电载体目标天气区域(TWLC);TWLC预测模块302,被配置为由所识别的TWLC预测未来的TWLC;SDA模型建立或更新模块303,被配置为基于空气放电(SDA)观测数据及检测的TWLC状态相关数据建立或更新SDA模型;以及SDA预测模块304,被配置为根据所述SDA模型计算所述预测的未来的TWLC中产生SDA的概率。
根据本发明的实施例,所述TWLC识别模块包括:第一识别子模块,被配置为识别雷达反射率大于约35db的区域;第二识别子模块,被配置为识别雷达反射率大于约45db的区域;以及扩展子模块,被配置为由雷达反射率大于约45db的区域向雷达反射率大于约35db的区域扩展,直到雷达反射率为约35db,从而将扩展后的雷达反射率大于约45db的区域识别为所述TWLC。
根据本发明的实施例,所述TWLC预测模块302包括:dBZ分布获得子模块,被配置为获得所识别的TWLC中在先前时刻和当前时刻的dBZ分布;偏导数分量计算子模块,被配置为由所述先前时刻和当前时刻的dBZ分布,计算TWLC中的dBZ的偏导数分量;dBZ位置预测子模块,被配置为基于所述dBZ的偏导数分量,使用基于梯度的光流算法预测未来的dBZ移速和移向,从而得到未来的dBZ位置;dBZ强度预测子模块,被配置为根据随机概率模型预测未来的dBZ强度。
根据本发明的实施例,所述随机概率模型假设未来的dBZ状态概率仅与当前的dBZ状态概率和状态转移概率矩阵相关。
根据本发明的实施例,所述SDA模型为逻辑回归模型,该模型的输入为以下TWLC状态相关数据中的一个或多个:高强度反射率中心位置;反射率最大高度;垂直积分液态水含量;以及七千米高度处的反射率。
以上参照附图描述了根据本发明的实施例的雷电预测装置,应指出的是,以上描述仅为示例,而不是对本发明的限制。在本发明的其他实施例中,该装置可具有更多、更少或不同的模块,且各模块之间的包含、连接、功能等关系可以与所描述或图示的不同。
所属技术领域的技术人员知道,本发明的各个方面可以实现为系统、方法或计算机程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、驻留软件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明的各个方面还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
以上参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些计算机程序指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。
也可以把这些计算机程序指令存储在计算机可读介质中,这些指令使得计算机、其它可编程数据处理装置、或其他设备以特定方式工作,从而,存储在计算机可读介质中的指令就产生出包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的指令的制造品(article ofmanufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令提供实现流程图和/或框图中的一个或多个方框中规定的功能/动作的过程。
图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图4显示的计算机系统/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机系统/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种雷电预测方法,包括:
基于所检测的雷达反射率数据识别空气放电载体目标天气区域TWLC;
由所识别的空气放电载体目标天气区域TWLC预测未来的空气放电载体目标天气区域TWLC状态;
基于空气放电SDA观测数据及检测的空气放电载体目标天气区域TWLC状态相关数据建立或更新SDA模型;以及
根据SDA模型计算所述预测的未来的空气放电载体目标天气区域TWLC中产生空气放电SDA的概率。
2.根据本发明的实施例,其中,所述基于所检测的雷达反射率数据识别空气放电载体目标天气区域TWLC包括:
识别雷达反射率大于约35db的区域;
识别雷达反射率大于约45db的区域;
由雷达反射率大于约45db的区域向雷达反射率大于约35db的区域扩展,直到雷达反射率为约35db,从而将扩展后的雷达反射率大于约45db的区域识别为所述空气放电载体目标天气区域TWLC。
3.根据权利要求1的方法,其中,所述由所识别的空气放电载体目标天气区域TWLC预测未来的空气放电载体目标天气区域TWLC状态包括:
获得所识别的空气放电载体目标天气区域TWLC中在先前时刻和当前时刻的dBZ分布;
由所述先前时刻和当前时刻的dBZ分布,计算空气放电载体目标天气区域TWLC中的dBZ分布的偏导数分量;
基于所述dBZ分布的偏导数分量,使用基于梯度的光流算法预测未来的dBZ分布移速和移向,从而得到未来的dBZ分布位置;
根据随机概率模型预测未来的dBZ分布强度。
4.根据权利要求3的方法,其中,所述随机概率模型假设未来的dBZ分布状态概率仅与当前的dBZ分布状态概率和状态转移概率矩阵相关。
5.根据权利要求1的方法,其中,所述SDA模型为逻辑回归模型,该模型的输入为以下空气放电载体目标天气区域TWLC状态相关数据中的一个或多个:
高强度反射率中心位置;
反射率最大高度;
垂直积分液态水含量;以及
七千米高度处的反射率。
6.根据权利要求1的方法,其中,上述各步骤循环执行。
7.一种雷电预测装置,包括:
TWLC识别模块,被配置为基于所检测的雷达反射率数据识别空气放电载体目标天气区域TWLC;
TWLC预测模块,被配置为由所识别的空气放电载体目标天气区域TWLC预测未来的空气放电载体目标天气区域TWLC状态;
SDA模型建立模块,被配置为基于空气放电SDA观测数据及检测的空气放电载体目标天气区域TWLC状态相关数据建立或更新SDA模型;以及
SDA预测模块,被配置为根据所述SDA模型计算所述预测的未来的空气放电载体目标天气区域TWLC中产生空气放电SDA的概率。
8.根据权利要求7的装置,其中,所述TWLC识别模块包括:
第一识别子模块,被配置为识别雷达反射率大于约35db的区域;
第二识别子模块,被配置为识别雷达反射率大于约45db的区域;以及
扩展子模块,被配置为由雷达反射率大于约45db的区域向雷达反射率大于约35db的区域扩展,直到雷达反射率为约35db,从而将扩展后的雷达反射率大于约45db的区域识别为所述空气放电载体目标天气区域TWLC。
9.根据权利要求7的装置,其中,所述TWLC预测模块包括:
dBZ分布获得子模块,被配置为获得所识别的空气放电载体目标天气区域TWLC中在先前时刻和当前时刻的dBZ分布;
偏导数分量计算子模块,被配置为由所述先前时刻和当前时刻的dBZ分布,计算空气放电载体目标天气区域TWLC中的dBZ分布的偏导数分量;
dBZ位置预测子模块,被配置为基于所述dBZ分布的偏导数分量,使用基于梯度的光流算法预测未来的dBZ分布移速和移向,从而得到未来的dBZ分布位置;
dBZ强度预测子模块,被配置为根据随机概率模型预测未来的dBZ分布强度。
10.根据权利要求9的装置,其中,所述随机概率模型假设未来的dBZ分布状态概率仅与当前的dBZ分布状态概率和状态转移概率矩阵相关。
11.根据权利要求7的装置,其中,所述SDA模型为逻辑回归模型,该模型的输入为以下空气放电载体目标天气区域TWLC状态相关数据中的一个或多个:
高强度反射率中心位置;
反射率最大高度;
垂直积分液态水含量;以及
七千米高度处的反射率。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410125733.8A CN104950186B (zh) | 2014-03-31 | 2014-03-31 | 雷电预测的方法和装置 |
US14/674,574 US10288767B2 (en) | 2014-03-31 | 2015-03-31 | Method and apparatus for lightning forecast |
US14/749,389 US10288768B2 (en) | 2014-03-31 | 2015-06-24 | Method and apparatus for lightning forecast |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410125733.8A CN104950186B (zh) | 2014-03-31 | 2014-03-31 | 雷电预测的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104950186A true CN104950186A (zh) | 2015-09-30 |
CN104950186B CN104950186B (zh) | 2018-06-12 |
Family
ID=54164989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410125733.8A Active CN104950186B (zh) | 2014-03-31 | 2014-03-31 | 雷电预测的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (2) | US10288767B2 (zh) |
CN (1) | CN104950186B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
CN110927725A (zh) * | 2019-11-30 | 2020-03-27 | 兰州大学 | 一种基于气象雷达的雷电预警和监测方法 |
WO2021077729A1 (zh) * | 2019-10-23 | 2021-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
CN114609696A (zh) * | 2022-03-30 | 2022-06-10 | 国网福建省电力有限公司莆田供电公司 | 一种精确性好可实时监测的微观气象监测系统 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052734A (zh) * | 2017-12-12 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种基于气象参数对雷电流幅值进行预测的方法及系统 |
US10784918B2 (en) | 2018-09-14 | 2020-09-22 | Discrete Partners, Inc | Discrete spectrum transceiver |
US11442164B2 (en) * | 2019-06-07 | 2022-09-13 | Honeywell International Inc. | Systems and methods for determining convective cell growth from weather radar reflectivity data |
CN110196457B (zh) * | 2019-06-18 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 一种用于强对流天气预报的地闪资料同化方法及系统 |
CN110673146B (zh) * | 2019-10-12 | 2021-12-07 | 上海眼控科技股份有限公司 | 气象预测图检测方法、装置、计算机设备和可读存储介质 |
CN113296074B (zh) * | 2021-07-28 | 2022-02-22 | 成都远望探测技术有限公司 | 一种基于气象雷达多层cappi的光流法外推方法 |
CN114565056B (zh) * | 2022-03-15 | 2022-09-20 | 中科三清科技有限公司 | 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端 |
CN115079306B (zh) * | 2022-05-23 | 2023-12-05 | 远景智能国际私人投资有限公司 | 闪电预报方法、装置、设备、存储介质及计算机程序产品 |
TWI831681B (zh) * | 2023-04-27 | 2024-02-01 | 台灣電力股份有限公司 | 落雷預測方法及其運算裝置 |
CN116500703B (zh) * | 2023-06-28 | 2023-09-01 | 成都信息工程大学 | 一种雷暴单体识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6405134B1 (en) * | 2000-08-30 | 2002-06-11 | Weatherdata, Inc. | Method and apparatus for predicting lightning threats based on radar and temperature data |
US20110148694A1 (en) * | 2009-12-17 | 2011-06-23 | Honeywell International Inc. | Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer |
CN102590651A (zh) * | 2011-12-31 | 2012-07-18 | 国网电力科学研究院 | 基于雷电实测数据的输电线路故障概率评估方法 |
CN103033855A (zh) * | 2012-12-12 | 2013-04-10 | 江苏省电力公司电力科学研究院 | 电网气象灾害监测预警系统 |
CN103207340A (zh) * | 2013-05-02 | 2013-07-17 | 深圳供电局有限公司 | 一种输电线路雷电绕击跳闸在线预警方法 |
CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7069258B1 (en) * | 2002-09-26 | 2006-06-27 | Bothwell Phillip D | Weather prediction method for forecasting selected events |
US7191064B1 (en) * | 2003-11-07 | 2007-03-13 | Accuweather, Inc. | Scale for severe weather risk |
US7082382B1 (en) | 2005-01-25 | 2006-07-25 | The Weather Channel, Inc. | System for producing high-resolution, real-time synthetic meteorological conditions for a specified location |
US7542852B1 (en) | 2005-01-25 | 2009-06-02 | Weather Channel Inc | Derivation and production of high-resolution, very short-term weather forecasts |
US8432306B2 (en) * | 2009-10-16 | 2013-04-30 | Propagation Research Associates, Inc. | Method and apparatus for the nowcast of lightning threat using polarimetric radar |
US10302816B2 (en) * | 2013-09-10 | 2019-05-28 | University Corporation for Atmiospheric Research | Method for lightning forecasting and alert system |
-
2014
- 2014-03-31 CN CN201410125733.8A patent/CN104950186B/zh active Active
-
2015
- 2015-03-31 US US14/674,574 patent/US10288767B2/en active Active
- 2015-06-24 US US14/749,389 patent/US10288768B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6405134B1 (en) * | 2000-08-30 | 2002-06-11 | Weatherdata, Inc. | Method and apparatus for predicting lightning threats based on radar and temperature data |
US20110148694A1 (en) * | 2009-12-17 | 2011-06-23 | Honeywell International Inc. | Systems and methods for infering hail and lightning using an airborne weather radar volumetric buffer |
CN102590651A (zh) * | 2011-12-31 | 2012-07-18 | 国网电力科学研究院 | 基于雷电实测数据的输电线路故障概率评估方法 |
CN103033855A (zh) * | 2012-12-12 | 2013-04-10 | 江苏省电力公司电力科学研究院 | 电网气象灾害监测预警系统 |
CN103207340A (zh) * | 2013-05-02 | 2013-07-17 | 深圳供电局有限公司 | 一种输电线路雷电绕击跳闸在线预警方法 |
CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
CN110045441B (zh) * | 2019-06-04 | 2021-08-31 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
WO2021077729A1 (zh) * | 2019-10-23 | 2021-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种雷电预测方法 |
CN110927725A (zh) * | 2019-11-30 | 2020-03-27 | 兰州大学 | 一种基于气象雷达的雷电预警和监测方法 |
CN110927725B (zh) * | 2019-11-30 | 2023-03-14 | 兰州大学 | 一种基于气象雷达的雷电预警和监测方法 |
CN114609696A (zh) * | 2022-03-30 | 2022-06-10 | 国网福建省电力有限公司莆田供电公司 | 一种精确性好可实时监测的微观气象监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104950186B (zh) | 2018-06-12 |
US10288767B2 (en) | 2019-05-14 |
US20150293262A1 (en) | 2015-10-15 |
US20150276981A1 (en) | 2015-10-01 |
US10288768B2 (en) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104950186A (zh) | 雷电预测的方法和装置 | |
KR102337776B1 (ko) | 강한 대류기상을 예측하기 위한 방법 및 장치 | |
Chen et al. | Streamflow forecast uncertainty evolution and its effect on real-time reservoir operation | |
Harvey et al. | Probabilistic approach to life-cycle cost analysis of preventive maintenance strategies on flexible pavements | |
CN104615866A (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN110941902B (zh) | 一种输电线路雷击故障预警方法和系统 | |
CN107368928B (zh) | 一种古建筑沉降的组合预测方法及系统 | |
CN112257956A (zh) | 预测输电线路遭受暴雨灾害的方法、装置和设备 | |
JP2020134300A (ja) | 予測方法、予測プログラム及び情報処理装置 | |
Grall et al. | Asymptotic failure rate of a continuously monitored system | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN116581756A (zh) | 风电功率预测方法、模型训练方法、装置、设备及介质 | |
US11263573B2 (en) | Degradation prediction apparatus, degradation prediction method, and computer-readable recording medium | |
CN114493245A (zh) | 一种基于gis与集成学习的山洪灾害易发性评价方法 | |
CN108876041B (zh) | 基于因果影响网络算法的极地海冰面积预测方法及装置 | |
CN105590035A (zh) | 一种高精度微波地表发射率的计算方法 | |
CN116047631B (zh) | 降水预报方法、装置、电子设备及存储介质 | |
CN113705093B (zh) | 一种杆塔力学响应预测方法、装置、设备和介质 | |
CN115859454B (zh) | 一种近断层区域桥梁地震风险的快速评估方法 | |
CN118033590B (zh) | 一种基于改进vit神经网络的短临降水预报方法 | |
CN115841190B (zh) | 道路pci多步预测方法及装置 | |
CN112819190B (zh) | 设备性能的预测方法及装置、存储介质、终端 | |
Moieni Far et al. | Determining the appropriate statistical distribution to calculate RDI in arid regions (Case study: Central Iran) | |
CN118095086A (zh) | 基于强化学习的桥梁全寿命周期维修智能决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20180427 Address after: Valhalla, New York, USA Applicant after: Utopas insight company Address before: American New York Applicant before: International Business Machines Corp. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |