CN110348657A - 一种电网台风灾害特征相关性分析方法及系统 - Google Patents

一种电网台风灾害特征相关性分析方法及系统 Download PDF

Info

Publication number
CN110348657A
CN110348657A CN201810304582.0A CN201810304582A CN110348657A CN 110348657 A CN110348657 A CN 110348657A CN 201810304582 A CN201810304582 A CN 201810304582A CN 110348657 A CN110348657 A CN 110348657A
Authority
CN
China
Prior art keywords
power grid
matrix
typhoon disaster
coefficient
correlation analysis
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.)
Pending
Application number
CN201810304582.0A
Other languages
English (en)
Inventor
陈卫东
程序
周海
崔方
丁煌
朱想
王知嘉
李登宣
吴骥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN201810304582.0A priority Critical patent/CN110348657A/zh
Publication of CN110348657A publication Critical patent/CN110348657A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种电网台风灾害特征相关性分析方法，所述方法包括：将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理，采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数，对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量。本发明提供一种电网台风灾害特征相关性分析方法与系统，通过将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理，采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数，有助于提高电网台风灾害的预警技术水平，提高了区域台风灾害发生前事故预判的准确性，丰富电网台风灾害预警参考信息。

Description

一种电网台风灾害特征相关性分析方法及系统
技术领域
本发明主要实现电网所在区域的台风灾害特征分析，属于电力气象领域，提供一种电网台风灾害特征相关性分析方法及系统。
背景技术
随着全球气候变暖和海平面上升，异常天气和气候引发的多种自然灾害不断增多。其中，台风由于其发生频繁、强度大、路径预测难、影响范围广，致灾程度巨大，对受灾区域构成极大破坏。我国是世界上受台风影响最严重的国家之一，平均每年有7个台风或热带气旋在沿海各省登陆，使这些地区受到台风袭击的频率和影响程度居于各种自然灾害之首，每年因台风损失超过百亿元。
近年来，随着电力事业的飞速发展和高新技术在气象上的不断运用以及越来越频繁的突发性气象灾害对电力系统形成的越来越大的危害，电力与气象的合作越来越密切。台风状况对电网系统的安全稳定运行有着极为重要的影响，恶劣的气象条件常常会导致输变电设备灾害事故，给电网运行带来灾难性的破坏，之前的研究不能准确的预警电网台风灾害。
发明内容
为解决恶劣的气象条件常常会导致输变电设备灾害事故，给电网运行带来灾难性的破坏，之前的研究不能准确的预警电网台风灾害问题，本申请提供一种电网台风灾害特征相关性分析方法，所述方法包括：
将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理；
采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数；
对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量。
优选的，所述采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数包括：
基于网格处理后的电网台风灾损数据构建至少两种空间分辨率的灾损数据场矩阵；
基于网格处理后的NCEP再分析数据构建至少两种空间分辨率的气象要素场矩阵；
采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项；
对所述时间系数项由大到小进行排序，基于前N对时间系数项进行计算得到相关系数，其中，所述N为正整数。
优选的，所述灾损数据场矩阵如下所示：
其中，S代表灾损数据场矩阵，Ns代表区域范围内的不同分辨率的网格总数，t代表分析时段内的自然天数，各矩阵元素经方差标准化处理。
优选的，所述气象要素场矩阵如下所示：
其中，Z代表气象要素场矩阵，Nz为区域范围内某一分辨率的网格数量，t为分析时段内的自然天数，各矩阵元素同样经方差标准化处理。
优选的，所述采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项，包括：
采用奇异值分解法分别对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到灾损数据场矩阵S的时间系数和气象要素场矩阵Z的时间系数；
基于所述S的时间系数和Z的时间系数间的关系获得到相关系数。
优选的，按下式计算所述灾损数据场矩阵S的时间系数
A＝LTS
其中，A为灾损数据场S的时间系数矩阵；L为左场的正交线性变换矩阵；
按下式计算所述气象要素场矩阵Z的时间系数：
B＝RTZ，
其中，B为气象要素场Z的时间系数矩阵，R为右场的正交线性变换矩阵。
优选的，所述左场的正交线性变换矩阵L和右场的正交线性变换矩阵R由下式得到：
cov(LTS,RTZ)＝LTCszR＝MAX
其中表示协交叉方差阵，cov表示协方差，MAX为极大协方差，Σ为对角矩阵，Σ＝diag(σ1，σ2，…，σn)(n≤min{Ns，Nz})，且σ1≥σ2≥…≥σn＞0，σi(i＝1,2...n)称为CSZ的奇异值；
所述左场的正交线性变换矩阵L如下式所示：
所述右场的正交线性变换矩阵R如下式所示：
优选的，所述基于所述S的时间系数和Z的时间系数间的关系获得到相关系数的计算式如下：
其中，lik和rik为：第i对时间系数的第k列向量(k≤N)，i＝min(Ns,Nz)，正交线性变换矩阵L和R的第k列向量lk和rk(k＝1,2,…,n)分别称为第k列左、右奇异向量。
优选的，所述对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量包括：
对所述基于S的时间系数和Z的时间系数的相关系数中的一组所述相关系数采用蒙特卡罗检验相关关系的显著性，并将通过显著性检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量，否则，重新进行网格化处理寻找代表电网台风灾损特征环境变量的相关系数，直到满足显著性检验。
优选的，所述显著性检验包括：
将打乱时间次序的气象要素场与灾损数据场的协方差进行奇异值分解，并记录随机协方差和；
重复所述随机记录，并将随机记录的所述协方差和从大到小顺序排列；
用所述随机记录的协方差和与真实所述一组气象要素场和灾损数据场作协方差奇异值分解得到的协方差和进行比较；
当从大到小顺序排列的所述随机重复记录的第百分之五个协方差和小于所述真实气象要素场和灾损数据场作协方差奇异值分解得到的协方差和时，通过检验，否则，不通过检验。
优选的，所述分辨率包括：
将数据通过网格法处理成3km×3km、9km×9km、27km×27km三种不同空间分辨率的电网灾损密度和NCEP气象格点气象场。
一种电网台风灾害特征相关性分析系统，包括：
处理模块：用于将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理；
分析模块：用于采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数；
检验模块：用于对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量。
优选的，所述分析模块包括：
电网台风灾损数据构建单元：用于基于网格处理后的电网台风灾损数据构建至少两种空间分辨率的灾损数据场矩阵；
NCEP再分析数据构建单元：用于基于网格处理后的NCEP再分析数据构建至少两种空间分辨率的气象要素场矩阵；
转换单元：用于采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项；
计算单元：用于对所述时间系数项由大到小进行排序，基于前N对时间系数项进行计算得到相关系数，其中，所述N为正整数。
优选的，所述检验模块包括显著性检验单元；
所述显著性检验单元用于对所述基于S的时间系数和Z的时间系数的相关系数中的一组所述相关系数采用蒙特卡罗检验相关关系的显著性，并将通过显著性检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量，否则，重新进行网格化处理寻找代表电网台风灾损特征环境变量的相关系数，直到满足显著性检验。
与最接近的现有技术相比，本申请还具有如下有益效果：
1、本发明提供的一种电网台风灾害特征相关性分析方法与系统，通过将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理，采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数，对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量，有助于提高电网台风灾害的预警技术水平，提高了区域台风灾害发生前事故预判的准确性，丰富电网台风灾害预警参考信息；
2、本发明提供的一种电网台风灾害特征相关性分析方法与系统，考虑了电网台风灾损数据与各类气象要素观测和分析数据的相关关系，对于电网灾损特征的气象背景进行针对性的分析，得出影响电网灾损类型的各类物理量特征，可为电网台风灾害预警系统提供区域电网台风灾损特征的气象学条件甄别方法，促进电网防台抗台能力建设。
附图说明
图1为本发明的方法示意图；
图2为本发明的电网台风灾害相关性分析流程图；
图3为本发明的系统流程示意图。
具体实施例
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示，本发明提供一种电网台风灾害特征相关性分析方法，包括将预先获取的电网台风灾损数据和NCEP(National Centers for Environmental Prediction，NCEP)再分析数据进行网格化处理；采用奇异值分解方法(Singular Value Decomposition，简称SVD)将所述处理后的数据进行相关性分析，得到相关系数；对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的主要环境变量；
采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数包括：基于网格处理后的电网台风灾损数据构建至少两种空间分辨率的灾损数据场矩阵；基于网格处理后的NCEP再分析数据构建至少两种空间分辨率的气象要素场矩阵；采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项；对时间系数项由大到小进行排序，基于前N对时间系数项进行计算得到相关系数，其中，所述N为正整数；
灾损数据场矩阵如下所示：
其中，S代表灾损数据场矩阵，Ns代表区域范围内的不同分辨率的网格总数，t代表分析时段内的自然天数，各矩阵元素经方差标准化处理；不同分辨率包括：将数据通过网格法处理成3km×3km、9km×9km、27km×27km三种不同空间分辨率的电网灾损密度和NCEP气象格点气象场；
气象要素场矩阵如下所示：
其中，Z代表气象要素场矩阵，Nz为区域范围内某一分辨率的网格数量，t为分析时段内的自然天数，各矩阵元素同样经方差标准化处理；
采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项，包括：采用奇异值分解法分别对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到灾损数据场矩阵S的时间系数和气象要素场矩阵Z的时间系数；基于所述S的时间系数和Z的时间系数间的关系获得到相关系数；
按下式计算所述灾损数据场矩阵S的时间系数
A＝LTS
其中，A为灾损数据场S的时间系数矩阵；L为左场的正交线性变换矩阵；
按下式计算气象要素场矩阵Z的时间系数：
B＝RTZ，
其中，B为：气象要素场Z的时间系数矩阵，R：为右场的正交线性变换矩阵；
左场的正交线性变换矩阵L和右场的正交线性变换矩阵R由下式得到：
cov(LTS,RTZ)＝LTCszR＝MAX
其中表示协交叉方差阵，cov表示协方差，MAX为极大协方差，Σ为对角矩阵，Σ＝diag(σ1，σ2，…，σn)(n≤min{Ns，Nz})，且σ1≥σ2≥…≥σn＞0，σi(i＝1,2...n)称为CSZ的奇异值；左场的正交线性变换矩阵L如下式所示：
右场的正交线性变换矩阵R如下式所示：
基于所述S的时间系数和Z的时间系数间的关系获得到相关系数的计算式如下：
其中，lik和rik为：第i对时间系数的第k列向量(k≤N)，i＝min(Ns,Nz)，正交线性变换矩阵L和R的第k列向量lk和rk(k＝1,2,…,n)分别称为第k列左、右奇异向量。
对一组所述相关系数采用蒙特卡罗检验相关关系的显著性，并将通过显著性检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的主要环境变量，否则，重新寻找代表电网台风灾损特征环境变量的相关系数，直到满足显著性检验，显著性检验包括：将打乱时间次序的气象要素场与灾损数据场的协方差进行奇异值分解，并记录随机协方差和；重复所述随机记录，并将随机记录的所述协方差和从大到小顺序排列；用所述随机记录的协方差和与真实气象要素场和灾损数据场作协方差奇异值分解得到的协方差和进行比较；当从大到小顺序排列的所述随机重复记录的第百分之五个协方差和小于所述真实气象要素场和灾损数据场作协方差奇异值分解得到的协方差和时，通过检验，否则，不通过检验。
如图2所示，一种电网台风灾害特征相关性分析方法，主要包括以下步骤：首先获取电网台风灾损数据和历史同期美国国家环境预报中心NCEP(National Centers forEnvironmental Prediction，NCEP)再分析资料；其次将获得的数据处理成不同网格内的电网灾损密度和各类气象要素场；然后对这些资料采用奇异值分解(Singular ValueDecomposition，简称SVD)方法进行电网灾损空间分布与气象要素空间分布的相关性分析，确定显著影响电网台风灾损分布型的气象要素类别；最后进行显著性检验，若检验通过则进行电网台风灾害气象影响要素分析；若不满足显著性检验，则对某一网格内的典型气象要素场重新筛选计算，直至满足显著检验。
具体来说，一种基于网格划分的电网台风灾害特征相关性分析方法，包括以下步骤：
步骤1：电网台风灾损和NCEP再分析资料网格化处理
获取包含倒塔、断杆、断线、设备故障等不同类型的电网灾损数据和包含温度、气压、湿度、风速/风向、降水等不同气象要素的NCEP再分析数据；然后将上述数据通过网格法处理成3km×3km、9km×9km、27km×27km三种不同空间分辨率的电网灾损密度和NCEP气象格点气象场。
步骤2：构建电网台风灾损数据和NCEP再分析数据网格化矩阵
基于电网台风灾损资料三种时空分辨率的网格化数据，构建以网格数与监测日数为维度的二维矩阵，一般表示为：
其中，Ns代表区域范围内的不同分辨率的网格总数，t代表分析时段内的自然天数，各矩阵元素经方差标准化处理。
基于历史同期的NECP气象格点场数据和电网灾损范围，确定NECP再分析气象格点数据空间取值范围，NECP再分析资料矩阵一般表示为：
其中，Nz代表区域范围内某一分辨率的网格数量，t代表分析时段内的自然天数，各矩阵元素同样经方差标准化处理。
步骤3：耦合分析电网台风灾损数据与NECP再分析数据关系
为便于描述，将基于电网台风灾损资料的三种时空分辨率网格化数据所构建的二维矩阵简称为灾损数据场；将NCEP再分析资料中对应时段、对应区域的气象要素二维矩阵称为气象要素场。
灾损数据场与气象要素场的耦合关系是分析电网灾损特征与气象环境背景相关性的基础，采用SVD方法对两个场的多项变量进行不同的转换，可以得到一组新变量即时间系数项。与两个场分别对应、成对出现的时间系数间的相互关系即为灾损数据场与气象要素场的相关关系。计算方法简述如下：
两个场的协交叉方差阵为Csz＝<SZT>，符号< >表示求平均。为了使两个场之间有极大化协方差，需要找到两个正交线性变换矩阵L和R，分别对左场和右场实施变化，即
cov(LTS,RTZ)＝LTCszR＝MAX
由线性代数理论，可以唯一的求解出满足上述条件的L和R，使得
其中，Σ＝diag(σ1，σ2，…，σn)为对角矩阵(n≤min{Ns，Nz})，且σ1≥σ2≥…≥σn＞0，σi(i＝1,2,…,n)称为CSz的奇异值。
S和Z的每一列都是一个空间分布函数，每个场内部的空间型都相互正交。将灾损数据场和气象要素场分别投影到正交线性变换矩阵L和R，则有A＝LTS，B＝RTZ，其中A称为灾损数据场S的时间系数矩阵，A称为气象要素场Z的时间系数矩阵。L和R的第k列向量lk和rk(k＝1,2,…,n)分别称为第k列左、右奇异向量，即第k对空间型，每对空间型和对应的时间系数可确定一种模态。
步骤4：电网灾损特征的气象要素相关关系分析
由于S、Z之间有极大化协方差，时间系数的展开是按成对的协方差大小排列的，且大协方差一般集中在前N对上，余下的协方差较小，所以可挑选前N对时间系数代表灾损数据场和气象要素场的相互关系。因此，可以将电网灾损的网格化数据和同期历史气象要素数据随时间变化的相关关系，简化为前N对时间系数的相互关系，采用相关系数R实现计算。
其中，k和rk为前N对时间系数的第k列向量(k≤N)，i＝min(Ns,Nz)。
步骤5：显著性检验
对于一组相关系数，采用“蒙特卡罗(Monte-Carlo)”检验相关关系的显著性。
首先把气象要素场随机打乱时间次序，然后与灾损数据场作协方差并对协方差进行SVD分解，记录下每个模态的协方差和，即
然后，重复以上步骤100次，即重新把气象要素场在时间次序打乱，然后与灾损数据场作协方差并对协方差进行SVD分解，记录下每个模态的‖CSZ‖2；
其次，将以上得到的100个‖CSZ‖2，按从大到小的顺序排列；
最后，用真实的气象要素场和灾损数据场作协方差SVD分解得到的‖CSZ‖2与随机试验得到的100个‖CSZ‖2进行比对，如果真实情况下的‖CSZ‖2大于随机试验从大到小排列的第5个‖CSZ‖2，则认为在0.05的显著性水平下，气象要素场和灾损数据场存在相关性，否则不存在相关性。
步骤6：电网台风灾害气象影响要素分析
经Monte-Carlo检验通过后，与电网台风灾损显著相关的各类气象要素场即为影响电网台风灾损特征的主要环境变量，可以用于电网台风灾害气象影响要素分析，支撑电网台风灾害预警系统；若不满足显著性检验，则需要对某一网格内的典型气象要素场重新筛选计算，直至满足显著检验。
如图3所示一种电网台风灾害特征相关性分析系统，包括：预先获取模块：用于将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理；分析模块：用于采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数；检验模块：用于对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的主要环境变量。
分析模块包括：电网台风灾损数据构建单元用于基于网格处理后的电网台风灾损数据构建至少两种空间分辨率的灾损数据场矩阵，用于通过下式构建电网台风灾损数据二维矩阵：
其中，Ns代表区域范围内的不同分辨率的网格总数，t代表分析时段内的自然天数，各矩阵元素经方差标准化处理；
NCEP再分析数据构建单元：用于基于网格处理后的NCEP再分析数据构建至少两种空间分辨率的气象要素场矩阵，用于通过下式构建NCEP再分析数据二维矩阵：
其中，Nz为区域范围内某一分辨率的网格数量，t为分析时段内的自然天数，各矩阵元素同样经方差标准化处理；
转换单元：用于采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项，转换单元包括：时间系数项计算子单元和矩阵计算子单元；
所述时间系数项计算子单元，用于通过第一计算公式计算灾损数据场S的时间系数，通过第二计算公式计算气象要素场Z的时间系数：
所述第一计算公式如下所示：
A＝LTS
其中，A为：灾损数据场S的时间系数矩阵；L：左场的正交线性变换矩阵；
所述第二计算公式如下所示：
B＝RTZ
其中B为：气象要素场Z的时间系数矩阵；R为右场的正交线性变换矩阵；
所述矩阵计算子单元，用于通过下式计算左场的正交线性变换矩阵L和右场的正交线性变换矩阵R：
cov(LTS,RTZ)＝LTCszR＝MAX
其中表示协交叉方差阵；cov表示协方差，MAX为极大协方差，Σ为对角矩阵，Σ＝diag(σ1，σ2，…，σn)(n≤min{Ns，Nz})，且σ1≥σ2≥…≥σn＞0，σi(i＝1,2...n)称为CSZ的奇异值；
所述左场的正交线性变换矩阵L如下式所示：
所述右场的正交线性变换矩阵R如下式所示：
计算单元：用于对所述时间系数项由大到小进行排序，基于前N对时间系数项进行计算得到相关系数，其中，所述N为正整数。
检验模块包括显著性检验单元和计算单元；显著性检验单元用于对一组所述相关系数采用蒙特卡罗检验相关关系的显著性，并将通过显著性检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的主要环境变量，否则，重新进行网格化处理寻找代表电网台风灾损特征环境变量的相关系数，直到满足显著性检验，所述计算单元，用于通过下式计算协方差和：
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (14)

1.一种电网台风灾害特征相关性分析方法，其特征在于，所述方法包括：
将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理；
采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数；
对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量。
2.如权利要求1所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数包括：
基于网格处理后的电网台风灾损数据构建至少两种空间分辨率的灾损数据场矩阵；
基于网格处理后的NCEP再分析数据构建至少两种空间分辨率的气象要素场矩阵；
采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项；
对所述时间系数项由大到小进行排序，基于前N对时间系数项进行计算得到相关系数，其中，所述N为正整数。
3.如权利要求2所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述灾损数据场矩阵如下所示：
其中，S代表灾损数据场矩阵，Ns代表区域范围内的不同分辨率的网格总数，t代表分析时段内的自然天数，各矩阵元素经方差标准化处理。
4.如权利要求2所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述气象要素场矩阵如下所示：
其中，Z代表气象要素场矩阵，Nz为区域范围内某一分辨率的网格数量，t为分析时段内的自然天数，各矩阵元素同样经方差标准化处理。
5.如权利要求2所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项，包括：
采用奇异值分解法分别对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到灾损数据场矩阵S的时间系数和气象要素场矩阵Z的时间系数；
基于所述S的时间系数和Z的时间系数间的关系获得到相关系数。
6.如权利要求5所述的一种电网台风灾害特征相关性分析方法，其特征在于，按下式计算所述灾损数据场矩阵S的时间系数
A＝LTS
其中，A为灾损数据场S的时间系数矩阵；L为左场的正交线性变换矩阵；
按下式计算所述气象要素场矩阵Z的时间系数：
B＝RTZ，
其中，B为气象要素场Z的时间系数矩阵，R为右场的正交线性变换矩阵。
7.如权利要求6所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述左场的正交线性变换矩阵L和右场的正交线性变换矩阵R由下式得到：
cov(LTS,RTZ)＝LTCszR＝MAX
其中表示协交叉方差阵，cov表示协方差，MAX为极大协方差，Σ为对角矩阵，Σ＝diag(σ1，σ2，…，σn)(n≤min{Ns，Nz})，且σ1≥σ2≥…≥σn＞0，σi(i＝1,2...n)称为CSZ的奇异值；
所述左场的正交线性变换矩阵L如下式所示：
所述右场的正交线性变换矩阵R如下式所示：
8.如权利要求5所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述基于所述S的时间系数和Z的时间系数间的关系获得到相关系数的计算式如下：
其中，lik和rik为：第i对时间系数的第k列向量(k≤N)，i＝min(Ns,Nz)，正交线性变换矩阵L和R的第k列向量lk和rk(k＝1,2,…,n)分别称为第k列左、右奇异向量。
9.如权利要求5所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量包括：
对所述基于S的时间系数和Z的时间系数的相关系数中的一组所述相关系数采用蒙特卡罗检验相关关系的显著性，并将通过显著性检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量，否则，重新进行网格化处理寻找代表电网台风灾损特征环境变量的相关系数，直到满足显著性检验。
10.如权利要求9所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述显著性检验包括：
将打乱时间次序的气象要素场与灾损数据场的协方差进行奇异值分解，并记录随机协方差和；
重复所述随机记录，并将随机记录的所述协方差和从大到小顺序排列；
用所述随机记录的协方差和与真实所述一组气象要素场和灾损数据场作协方差奇异值分解得到的协方差和进行比较；
当从大到小顺序排列的所述随机重复记录的第百分之五个协方差和小于所述真实气象要素场和灾损数据场作协方差奇异值分解得到的协方差和时，通过检验，否则，不通过检验。
11.如权利要求3或4所述的一种电网台风灾害特征相关性分析方法，其特征在于，所述分辨率包括：
将数据通过网格法处理成3km×3km、9km×9km、27km×27km三种不同空间分辨率的电网灾损密度和NCEP气象格点气象场。
12.一种电网台风灾害特征相关性分析系统，其特征在于，包括：
处理模块：用于将预先获取的电网台风灾损数据和NCEP再分析数据进行网格化处理；
分析模块：用于采用奇异值分解方法将所述处理后的数据进行相关性分析，得到相关系数；
检验模块：用于对所述相关系数进行显著性检验，并将通过检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量。
13.如权利要求12所述的一种电网台风灾害特征相关性分析系统，其特征在于，所述分析模块包括：
电网台风灾损数据构建单元：用于基于网格处理后的电网台风灾损数据构建至少两种空间分辨率的灾损数据场矩阵；
NCEP再分析数据构建单元：用于基于网格处理后的NCEP再分析数据构建至少两种空间分辨率的气象要素场矩阵；
转换单元：用于采用奇异值分解法对所述灾损数据场矩阵和所述气象要素场矩阵进行转换得到时间系数项；
计算单元：用于对所述时间系数项由大到小进行排序，基于前N对时间系数项进行计算得到相关系数，其中，所述N为正整数。
14.如权利要求12所述的一种电网台风灾害特征相关性分析系统，其特征在于，所述检验模块包括显著性检验单元；
所述显著性检验单元用于对所述基于S的时间系数和Z的时间系数的相关系数中的一组所述相关系数采用蒙特卡罗检验相关关系的显著性，并将通过显著性检验的相关系数所对应的气象要素场作为影响电网台风灾损特征的环境变量，否则，重新进行网格化处理寻找代表电网台风灾损特征环境变量的相关系数，直到满足显著性检验。
CN201810304582.0A 2018-04-08 2018-04-08 一种电网台风灾害特征相关性分析方法及系统 Pending CN110348657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810304582.0A CN110348657A (zh) 2018-04-08 2018-04-08 一种电网台风灾害特征相关性分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810304582.0A CN110348657A (zh) 2018-04-08 2018-04-08 一种电网台风灾害特征相关性分析方法及系统

Publications (1)

Publication Number Publication Date
CN110348657A true CN110348657A (zh) 2019-10-18

Family

ID=68172943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810304582.0A Pending CN110348657A (zh) 2018-04-08 2018-04-08 一种电网台风灾害特征相关性分析方法及系统

Country Status (1)

Country Link
CN (1) CN110348657A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157529A (zh) * 2021-05-11 2021-07-23 上海英众信息科技有限公司 一种电脑运行状态监控系统、方法、终端以及介质
CN113189404A (zh) * 2021-04-27 2021-07-30 上海英众信息科技有限公司 一种同期线损测量平台、损测测量方法及存储介质
CN113627630A (zh) * 2021-08-23 2021-11-09 安徽嘉拓信息科技有限公司 一种用于电网突发事件的应急指挥辅助决策系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093111A (zh) * 2013-02-01 2013-05-08 杭州辰青和业科技有限公司 基于精细网格的电网雷电灾害风险评估技术方法
CN105139099A (zh) * 2015-06-04 2015-12-09 国家电网公司 一种基于lls的区域雷害特征相关分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093111A (zh) * 2013-02-01 2013-05-08 杭州辰青和业科技有限公司 基于精细网格的电网雷电灾害风险评估技术方法
CN105139099A (zh) * 2015-06-04 2015-12-09 国家电网公司 一种基于lls的区域雷害特征相关分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189404A (zh) * 2021-04-27 2021-07-30 上海英众信息科技有限公司 一种同期线损测量平台、损测测量方法及存储介质
CN113157529A (zh) * 2021-05-11 2021-07-23 上海英众信息科技有限公司 一种电脑运行状态监控系统、方法、终端以及介质
CN113627630A (zh) * 2021-08-23 2021-11-09 安徽嘉拓信息科技有限公司 一种用于电网突发事件的应急指挥辅助决策系统

Similar Documents

Publication Publication Date Title
CN109947879B (zh) 一种基于复杂网络的海洋观测大数据可视化分析方法
Xue et al. Impact of transmission tower-line interaction to the bulk power system during hurricane
US20130191052A1 (en) Real-time simulation of power grid disruption
CN108427041A (zh) 雷电预警方法、系统、电子设备和存储介质
CN110348657A (zh) 一种电网台风灾害特征相关性分析方法及系统
CN105139099B (zh) 一种基于lls的区域雷害特征相关分析方法
Jin et al. Impacts of gravitational-wave standard siren observations from Einstein Telescope and Cosmic Explorer on weighing neutrinos in interacting dark energy models
CN105574669A (zh) 时空联合数据聚类分析的输变电设备状态异常检测方法
Chen et al. Variability of seasonal precipitation extremes over China and their associations with large‐scale ocean–atmosphere oscillations
Pranovi et al. Biomass accumulation across trophic levels: analysis of landings for the Mediterranean Sea
Zhu et al. Historical and projected climate change over three major river basins in China from Fifth and Sixth Coupled Model Intercomparison Project models
Yang et al. Impact factors and risk analysis of tropical cyclones on a highway network
Serinaldi et al. BetaBit: A fast generator of autocorrelated binary processes for geophysical research
CN115660424A (zh) 一种基于gis的灾害要素分析预警系统
Xiao et al. Design and implementation of a data-driven approach to visualizing power quality
Greene et al. Analysis of Indian monsoon daily rainfall on subseasonal to multidecadal time‐scales using a hidden Markov model
CN115758876A (zh) 一种风速和风向预报准确率方法、系统及计算机设备
Yang et al. A new convolutional neural network-based framework and data construction method for structural damage identification considering sensor placement
Vega-Oliveros et al. From spatio-temporal data to chronological networks: An application to wildfire analysis
CN104699979B (zh) 基于复杂网络的城市湖库藻类水华混沌时间序列预测方法
Zhang et al. Spectral analysis based on fast Fourier transformation (FFT) of surveillance data: the case of scarlet fever in China
Yan et al. A stochastic tropical cyclone model for the northwestern Pacific Ocean with improved track and intensity representations
Aponte-Roa et al. Estimation of affected customers and load loss under wind storms in the Caribbean region
Zheng et al. Lightning risk assessment model for transmission lines with lift‐based improved analytic hierarchy process
Ogunsua Low latitude ionospheric TEC responses to dynamical complexity quantifiers during transient events over Nigeria

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication