CN111897030A - 一种雷暴预警系统及方法 - Google Patents
一种雷暴预警系统及方法 Download PDFInfo
- Publication number
- CN111897030A CN111897030A CN202010690956.4A CN202010690956A CN111897030A CN 111897030 A CN111897030 A CN 111897030A CN 202010690956 A CN202010690956 A CN 202010690956A CN 111897030 A CN111897030 A CN 111897030A
- Authority
- CN
- China
- Prior art keywords
- data
- lightning
- thunderstorm
- layer
- forecasting
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- 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
- G01S13/958—Theoretical aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Abstract
本发明涉及电网技术领域,尤其涉及一种雷暴预警系统及方法,本发明包括雷暴短临预报模块、雷暴潜势预报模块、雷暴实时监测模块、用户管理模块以及雷暴预报预警可视化模块五个部分,基于电网雷暴预报数据的短临预报、潜势预报提供精细化预报产品数据,通过API接口接入所部署的服务器,实时传输预报结果,通过基于Web GIS技术的预报预警可视化系统平台展示。雷暴预报预警项目系统总体可分为数据来源层、原始数据层、数据存储层、计算层、应用服务层等五个层次。该方法可提前有效的发现雷电活动对输电线路的影响,提高调度及应急预案制定管理水平,并为电网的安全、稳定、优质及经济运行奠定良好的基础,安全及效益社会显著。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种雷暴预警系统及方法。
背景技术
雷电因其强大的电流、炙热的高温、强烈的电磁辐射以及猛烈的高压冲击波等物理效应能够在瞬间产生巨大的破坏作用,造成雷电灾害。雷电一直是电网中最为频发的自然灾害之一,雷电一般会引起线路闪络跳闸,也可能引起例如绝缘子脱落以及导线断线等永久性故障。雷电活动主要集中于春、夏季,并随着年份变化呈现一定的周期性特征。在各地区中,华南地区受雷电影响最为严重,特别是超高压重要输电通道影响极大,因此雷电对电网设施的影响需要高度重视。电网的安全稳定运行对电网公司至关重要,这对电网雷电监测与预警能力提出了更高的要求。与传统的雷电防护技术相比,雷电预警是实现电网雷害主动性防御必要技术,可实现在雷电到达输电通道区域前,依据雷电预警信息提前制定调度及应急预案,合理配置输电线路、变电站及发电厂的工作状态、运维工作人员值班情况,保障电网安全和减少因停电给用户带来的经济损失。
雷电潜势预报是雷电灾害预警预报的重要基础,预报效率较高的潜势预报系统,能帮助业务人员提前确定雷电警戒区域,从而将主要精力放在监视和关注重点区域内的气象要素变化,是提高雷电预警预报效率的重要手段。在雷电短时临近技术方面,采用雷达光流法外推并结合神经网络算法,做到实时处理气象数据,能够得到准确率和时效性更高的预报结果。
随着我国电力建设规模进一步加大,输电线路因雷击造成的跳闸事故频发。气象部门现阶段所提供的雷电潜势预报在时空分辨率和准确率上都不能满足输电通道雷害防治需求,需要构建精细化的输电线路气象风险分析和雷电预警系统。因此针对区域内发生的多重闪击在时空上多重性结合的特点,需要对历史雷电监测数据进行时空分布特性分析,在预报中应用地闪强度和时空演变特征,研究各参数与雷电活动之间的相关性、敏感性,得到雷电过程中相关参数的阈值分布数据。
雷电潜势预报技术基于收集研究区域的历史雷电观测数据,结合非静力中尺度数值模式预报产品释用技术和实时高空探测资料分析,经过对比分析电网的实时雷电观测订正后,最终得到相较于传统雷电潜势预报更为准确的0~72h潜势预报结果。雷电短时临近预报技术中,采用雷达反射率数据的三维特征和卷积神经网络对临近雷电高发区域进行识别,得出的0~2h短临预报结果将更为合理。并使用光流法来进行雷电的外推,准确地实现对雷暴云团的识别、追踪和运动估计,与传统的交叉相关法预报相比优势明显,预报技术处于领先水平。
发明内容
有鉴于此,本发明的目的是提供一种雷暴预警系统及方法,以解决背景技术中的问题。
本发明提供了一种雷暴预警系统,雷暴预报预警系统建设包括雷暴短临预报模块、雷暴潜势预报模块、雷暴实时监测模块、用户管理模块以及雷暴预报预警可视化模块五个部分,基于电网雷暴预报数据的短临预报、潜势预报提供精细化预报产品数据,通过API接口接入所部署的服务器,实时传输预报结果,通过基于Web GIS技术的预报预警可视化系统平台展示。
进一步,雷暴预报预警项目系统总体可分为数据来源层、原始数据层、数据存储层、计算层、应用服务层等五个层次。数据来源层:主要用于采集管理系统所需数据,本系统所需数据主要来源有:CIMISS系统、数值预报产品源、电网内部数据等。原始数据层:主要用于汇集和处理各类气象观测预报数据以及其他相关数据,资料种类包含雷达数据、自动站数据及数值预报产品数据、电网内网采集数据等;数据存储层:主要用于对解码处理后的数据进行标准化存储,包括文件存储和结构化数据库,便于上层计算和应用开发;计算层:主要用于大风天气过程短临预报各类产品算法分析,主要包含台窄带回波识别飑线风、光流法预测、数值产品预报强风算法等。应用层:主要面向业务人员操作和使用,主要内容包含数据读取显示功能模块、基于在线监测数据分析的短临飑线风预报模块、基于在线监测数据分析的强风预报模块、预报预警Web可视化模块。
进一步,数据存储包括各类相关气象数据采集读取、存储等功能,为精细化预报提供基础数据支撑,相关气象数据包括强对流数据、气象六要素数据、短临预报基础数据、潜势预报基础数据、雷达数据、内网TXT格式雷电数据接入等,并能够实现对电力部门内网规定数据进行采集读取,能够根据用户需求进行数据和产品的其他信息提取和显示。
进一步,数据存储包括数据采集子模块、数据快速处理子模块、数据存储子模块、系统内部数据接口服务子模块、数据显示子模块等四个子模块组成。
进一步,将数据实时汇集的气象数据进行解码,转换格式,提取相关信息等,为潜势预报及短临预报提供基础。其中针对气象部门的数据解码类型主要有以下几种:
(1)TAC格式解码:TAC(Traditional Alphanumeric Codes)格式是传统字符编码数据,是指按世界气象组织(WMO)制定的字符格式进行编码的ASCII 数据,编码和实际资料或产品间的关系简单,可进行人工阅读、编码和解码工作。
(2)BUFR格式解码:BUFR解码模块功能是对BUFR格式文件进行报告获取、要素解码、报告编码,生成报告、要素数据文件、日志文件。
(3)GRIB格式解码:GRIB解码模块功能是对GRIB格式文件进行解码、拼接和编码,生成GRIB1、GRIB2格式数据文件、日志文件。
(4)NetCDF全称为Network Common Data Format,“网络通用数据格式”, NetCDF文件开3始的目的是用于存储气象科学中的数据,现在已经成为许多数据采集软件的生成文件的格式。
进一步,在采集到各类数据以及进行数据解码之后,需要对已经解码的数据进行格式转换,按照预定义的或用户设置的文件格式转换策略,对指定的资料内容做特定的格式转换(包括将格式不符合气象信息业务传输标准的资料转换成标准格式);
投影变换,数据库数据的地图投影转换为当前可视化所需要的投影方式,这一过程称为“投影变换。当可视化目的的地图投影与空间数据库不同时,就必须进行地图投影变换,把数据具有的空间数据库地图投影转换为目的投影。设空间数据库的地图投影为如式(2)所示:
而目的地图投影如式(3)
可通过解析法或数值法,求得结果如式(4)
变换空间数据库的全部空间数据。
进一步,强对流计算指数包括:
(a)露点温度(Td),露点温度指空气在水汽含量和气压都不改变的条件下,冷却到饱和时的温度。
(b)各层次温度露点差(TTd),温度露点差是温度与露点的差值。温度露点差也是日常天气分析预报业务中经常用以表示空气干湿程度的一个物理量,用以表示空气中水汽的饱和程度。温度露点差可以代表水汽条件。以下公式分别代表 925hPa,850hPa,700hPa以及500hPa的温度露点差:TTd925=T925-Td925、 TTd850=T850-Td850、TTd700=T700-Td700、TTd500=T500-Td500
(c)比湿,比湿是指在一团湿空气中,水汽的质量与该团空气总质量(水汽质量加上干空气质量)的比值。可以用来表征水汽条件。如式(5)
式中,mw为该团湿空气中水汽的质量;md为该团湿空气中干空气的质量。
(d)对流有效位能(CAPE),Smith(1997)指出,若把在自由对流高度(LFC)到平衡高度(EL)(图1)间的层结曲线与状态曲线所围成的面积称为正面积(PA),且忽略摩擦效应和冻结过程等造成的潜热释放,则上述PA与LFC到EL间正浮力产生的动能大小成正比。该正面积称为对流有效位能。对流有效位能(CAPE)表示的是在浮力作用下,对单位质量气块从自由对流高度上升至平衡高度所作的功。从几何意义上说,这种浮力能量相当于T-lnp图上的正面积。其表达式如式(6)和式(7):
其中,Tv为虚温;下标e,p分别表示与环境以及气块有关的物理量;ZLFC为自由对流高度,是(Tvp-Tve)由负值转正值的高度;ZEL为平衡高度,是(Tvp-Tve)由正值转负值的高度;其余为惯用符号。
)K指数
K指数能够反映大气的层结稳定情况,K指数越大,层结越不稳定,但它不能明显表示出整个大气的层结不稳定度。其表达式如式(8):
K=(T850-T500)+Td850-(T700-Td700) 式(8)
其中T850-T500表示温度的直减率,Td850表示大气层低层水汽条件,T700-Td700表示大气层中层饱和度。
K指数配合散度、涡度可以分析制作雷暴的客观预报。一般地:
K<20℃时,无雷暴;
20℃<K<25℃时,孤立雷暴;
25℃<K<30℃时,零星雷暴;
30℃<K<35℃时,分散雷暴;
K>35℃时,有成片的雷暴产生;
(f)A指数,A指数定义为850hPa与500hPa温度差减去850hPa、700hPa、500hPa 三层的温度露点差之和。是一个综合考虑大气静力稳定度与整层水汽饱和程度的物理量。A值越大,表明大气越不稳定或对流层中下层饱和程度越高,越有利于产生降水。公式如式(9):
A=(T850-T500)-(TTd850+TTd700+TTd500) 式(9)
其中T为温度,TTd为温度露点差,850,700,500分别表示不同的气压层。 (g)沙氏指数(SI),沙瓦特指数简称沙氏指数,也叫做稳定指数,通常是用来判断大气稳定度的一种判据。把850hPa等压面上的湿空气块沿干绝热线上升,达到抬升凝结高度后再沿湿绝热线上升至500hPa时具有的气块温度(T')与500hPa 等压面上的环境温度(T500)的差值。如指数<0,表示上升空气质点的温度高于环境温度,大气不稳定,负值越大,不稳定程度也越大;如指数>0,表示上升空气质点的温度低于环境温度,大气稳定,正值越大,稳定程度也越大。
SI=T500-T'
SI>3℃时,发生雷暴的可能性很小或没有;0℃<SI<3℃时,有发生阵雨的可能性;-3℃<SI<0℃时,有发生雷暴的可能性;-6℃<SI<-3℃时,有发生强雷暴的可能性;SI<-6℃时,有发生严重对流天气的危险。
进一步,通过相关系数的关系计算雷电短时潜势预报方法,最终筛选出与雷电相关系数最高的7个物理量,分别为k指数、沙式指数SI、A指数、700hPa 温度露点差、850hPa温度露点差、925hPa温度露点差、850hPa与500hPa温度差。根据中尺度强对流发生条件结合大量数据统计,对这些物理参数阈值,做0、 1化处理,阈值设定如下:
k指数≥33时,记为1,反之记为0;沙式指数≤0时,记为1,反之记为0; A指数≥10时,记为1,反之记为0;温度露点差≤3时,记为1,反之记为0,700hPa、850hPa、925hPa皆以此为阈值;850hPa和500hPa温度差≥23时,记为1,反之记为0;最后用此7个0、1化处理后的指数作为潜势预报的核心物理参数,利用超过半年的雷电观测数据建立雷电潜势预报的回归方程。
y(j,i)=0.11+0.154×k1(j,i)+0.142×k2(j,i)+0.061×k3(j,i)+0.146×k4(j,i)
+0.131×k5(j,i)+0.03×k6(j,i)+0.097×k7(j,i)
其中y是某一站点雷暴出现概率,K1…K7是0、1化后的物理参数。
在上述方法之上,对预报参数进行滤波,并且采用观测值进行滚动的回归方法,同时对预报指数进行界限值约束后,得到新的结果。
进一步,基于气象模式预报和雷电观测数据的集成算法:
a.从EC全球预报模式和华东区域预报模式中获取指定网格范围内基础气象参数(各高度层温度、湿度、气压、降水、雷达反射率等);
b.基于基础气象参数,计算其他与雷电直接相关的高阶气象参数;
c.将观测的雷电定位数据,处理为指定预报区域的网格化数据;
d.利用随机森林,计算每个气象参数与雷电的相关程度,选取与雷电数据最相关的数个气象参数;
e.分时段、分预报时次,并利用分布式Gradient Boosting算法XGBoost,建立滚动更新的多时次预报模型;利用建立好的模型,基于气象参数,预测未来 72小时的雷电空间分布与发生概率。
进一步,利用神经网络生成雷暴临近预报产品,第一步,基本气象信息提取,首先根据历史探空资料提取基本气象要素,基本气象要素包括温度、露点温度、风向风速、相对湿度等。
(b)强天气对流指数
根据数值模式结果,计算强对流指数,包括:沙氏指数(SI)、对流有效位能(CAPE)、强天气威胁指数(SWEAT)、总指数(TT)、对流抑制指数(CIN)等。
(c)特征筛选和模型建立
在进行神经网络模型拟合之前,要进行一个特征选择。特征选择的依据有很多,算法在数据归一化之后,利用回归模型做特征选择,然后基于神经网络方法做模型拟合。
(d)雷暴识别、追踪
基于雷达和闪电资料,提取雷暴的形态特征,追踪并外推预报雷暴区的演变和运动轨迹。结合闪电定位资料外,重点关注-10℃层高度处回波强度达到40dBz 区域、回波顶高超过9km区域,同时还有一些辅助判别指标:回波水平梯度>4 dBz/km、垂直液态水含量>25kg·m-2等。
(e)雷暴临近预报产品生成
基于神经网络模型得到的是区域内所有格点的雷电发生概率预报,通过加权算法根据雷达图识别的风暴对雷电所在区域进行修正,得到最终的雷电短临预测。
进一步,神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后,最开始只是简单的线性加权,后来给每个神经元加上了非线性的激活函数,从而进行非线性变换后输出。每两个神经元之间的连接代表加权值,称之为权重(weight)。不同的权重和激活函数,则会导致神经网络不同的输出。
实际应用中发现,线性激活函数太过局限,引入了非线性激活函数。常用的非线性激活函数有sigmoid、tanh、relu等等,前两者sigmoid/tanh比较常见于全连接层,后者relu常见于卷积层。sigmoid的函数表达式如式(10)所示:
其中z是一个线性组合,比如z可以等于:b+w2x1+w2x2。通过代入很大的正数或很小的负数到g(z)函数中可知,其结果趋近于0或1。
因此,sigmoid函数g(z)的图形通过横轴表示定义域z,纵轴表示值域g(z)):形成sigmoid函数;sigmoid函数的功能是相当于把一个实数压缩至0到1之间。当z是非常大的正数时,g(z)会趋近于1,而z是非常小的负数时,则g(z)会趋近于0。将单个神经元:sigmoid函数组织在一起,便形成了神经网络。
神经网络最左边的原始输入信息称之为输入层,最右边的神经元称之为输出层,中间的叫隐藏层。输入层(Input layer),众多神经元(Neuron)接受大量非线形输入讯息。输入的讯息称为输入向量。输出层(Output layer),讯息在神经元链接中传输、分析、权衡,形成输出结果。输出的讯息称为输出向量。隐藏层(Hidden layer),简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。如果有多个隐藏层,则意味着多个激活函数。同时,每一层都可能由单个或多个神经元组成,每一层的输出将会作为下一层的输入数据。此外,上面所说都是一层隐藏层,但实际中也有多层隐藏层的,即输入层和输出层中间夹着数层隐藏层,层和层之间是全连接的结构,同一层的神经元之间没有连接。包含隐藏层的神经网络结构对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重:因为每个神经元的多个权重固定,所以又可以看做一个恒定的滤波器 filter)做内积(逐个元素相乘再求和)的操作就是所谓的卷积操作,也是卷积神经网络的名字来源。非严格意义上来讲,下图中红框框起来的部分便可以理解为一个滤波器,即带着一组固定权重的神经元。多个滤波器叠加便成了卷积层。雷达图像上的卷积的过程如下,输入是一定区域大小(width*height)的雷达数据,和滤波器filter(带着一组固定权重的神经元)做内积后等到新的雷达图像(二维数据)。
进一步,反向传播算法(Backpropagation)是目前用来训练人工神经网络(Artificial Neural Network,ANN)的最常用且最有效的算法。其主要思想是:
(1)将训练集数据输入到ANN的输入层,经过隐藏层,最后达到输出层并输出结果,这是ANN的前向传播过程;
(2)由于ANN的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各参数的值;不断迭代上述过程,直至收敛。
本发明的一种雷暴预警系统及方法的有益效果:本发明通过雷电短临预报和潜势预报技术,实现输电通道的提前48小时预报雷电活动,并对输电线路通道产生影响的雷电活动进行预警。由此达到电网雷害主动性防御,可实现在雷电到达输电通道区域前,依据雷电预警信息提前制定调度及应急预案,合理配置输电线路、变电站及发电厂的工作状态、运维工作人员值班情况,保障电网安全和减少因停电给用户带来的经济损失。
另外当电网发生异常故障甚至事故时,可以通过系统进行雷电数据提取还原,精确分析是否雷电活动引起。同时,通过对保存的海量雷电数据进行数据挖掘,为业务系统、调度系统的规划、建设提供数据依据。
项目研究成果可应用于电网各级运检和调度自动化系统,具有推广价值。可提前有效的发现雷电活动对输电线路的影响,提高调度及应急预案制定管理水平,并为电网的安全、稳定、优质及经济运行奠定良好的基础,安全及效益社会显著。
附图说明
图1是本发明的系统整体架构图;
图2是本发明的基于属性近似的网格约化及对象识别的原理图;
图3是本发明的基于气象模式预报和雷电观测数据的集成算法流程图;
图4是本发明的神经网络的每个神经的示意图;
图5是本发明的sigmoid函数示意图;
图6是本发明的三层神经网络结构示意图
图7是本发明的隐藏层的神经网络结构图;
图8是本发明的卷积层结构图;
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明,显然,所描述的实施例仅仅只是本申请一部分实施例,而不是全部的实施例,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本实施例中,本发明的一种雷暴预警系统如图1-图4,雷暴预报预警系统建设包括雷暴短临预报模块、雷暴潜势预报模块、雷暴实时监测模块、用户管理模块以及雷暴预报预警可视化模块五个部分,基于电网雷暴预报数据的短临预报、潜势预报提供精细化预报产品数据,通过API接口接入所部署的服务器,实时传输预报结果,通过基于Web GIS技术的预报预警可视化系统平台展示。
本实施例中,雷暴预报预警项目系统总体可分为数据来源层、原始数据层、数据存储层、计算层、应用服务层等五个层次。数据来源层:主要用于采集管理系统所需数据,本系统所需数据主要来源有:CIMISS系统、数值预报产品源、电网内部数据等。原始数据层:主要用于汇集和处理各类气象观测预报数据以及其他相关数据,资料种类包含雷达数据、自动站数据及数值预报产品数据、电网内网采集数据等;数据存储层:主要用于对解码处理后的数据进行标准化存储,包括文件存储和结构化数据库,便于上层计算和应用开发;计算层:主要用于大风天气过程短临预报各类产品算法分析,主要包含台窄带回波识别飑线风、光流法预测、数值产品预报强风算法等。应用层:主要面向业务人员操作和使用,主要内容包含数据读取显示功能模块、基于在线监测数据分析的短临飑线风预报模块、基于在线监测数据分析的强风预报模块、预报预警Web可视化模块。
本实施例中,数据存储包括各类相关气象数据采集读取、存储等功能,为精细化预报提供基础数据支撑,相关气象数据包括强对流数据、气象六要素数据、短临预报基础数据、潜势预报基础数据、雷达数据、内网TXT格式雷电数据接入等,并能够实现对电力部门内网规定数据进行采集读取,能够根据用户需求进行数据和产品的其他信息提取和显示。
本实施例中,数据存储包括数据采集子模块、数据快速处理子模块、数据存储子模块、系统内部数据接口服务子模块、数据显示子模块等四个子模块组成。
本实施例中,将数据实时汇集的气象数据进行解码,转换格式,提取相关信息等,为潜势预报及短临预报提供基础。其中针对气象部门的数据解码类型主要有以下几种:
(5)TAC格式解码:TAC(Traditional Alphanumeric Codes)格式是传统字符编码数据,是指按世界气象组织(WMO)制定的字符格式进行编码的ASCII 数据,编码和实际资料或产品间的关系简单,可进行人工阅读、编码和解码工作。
(6)BUFR格式解码:BUFR解码模块功能是对BUFR格式文件进行报告获取、要素解码、报告编码,生成报告、要素数据文件、日志文件。
(7)GRIB格式解码:GRIB解码模块功能是对GRIB格式文件进行解码、拼接和编码,生成GRIB1、GRIB2格式数据文件、日志文件。
(8)NetCDF全称为Network Common Data Format,“网络通用数据格式”, NetCDF文件开3始的目的是用于存储气象科学中的数据,现在已经成为许多数据采集软件的生成文件的格式。
本实施例中,在采集到各类数据以及进行数据解码之后,需要对已经解码的数据进行格式转换,按照预定义的或用户设置的文件格式转换策略,对指定的资料内容做特定的格式转换(包括将格式不符合气象信息业务传输标准的资料转换成标准格式);
投影变换,数据库数据的地图投影转换为当前可视化所需要的投影方式,这一过程称为“投影变换。当可视化目的的地图投影与空间数据库不同时,就必须进行地图投影变换,把数据具有的空间数据库地图投影转换为目的投影。设空间数据库的地图投影为如式(2)所示:
而目的地图投影如式(3)
可通过解析法或数值法,求得结果如式(4)
变换空间数据库的全部空间数据。
本实施例中,强对流计算指数包括露点温度(Td),露点温度指空气在水汽含量和气压都不改变的条件下,冷却到饱和时的温度。
(b)各层次温度露点差(TTd),温度露点差是温度与露点的差值。温度露点差也是日常天气分析预报业务中经常用以表示空气干湿程度的一个物理量,用以表示空气中水汽的饱和程度。温度露点差可以代表水汽条件。以下公式分别代表 925hPa,850hPa,700hPa以及500hPa的温度露点差:TTd925=T925-Td925、 TTd850=T850-Td850、TTd700=T700-Td700、TTd500=T500-Td500
(c)比湿,比湿是指在一团湿空气中,水汽的质量与该团空气总质量(水汽质量加上干空气质量)的比值。可以用来表征水汽条件。如式(5)
式中,mw为该团湿空气中水汽的质量;md为该团湿空气中干空气的质量。
(d)对流有效位能(CAPE),Smith(1997)指出,若把在自由对流高度(LFC)到平衡高度(EL)(图1)间的层结曲线与状态曲线所围成的面积称为正面积(PA),且忽略摩擦效应和冻结过程等造成的潜热释放,则上述PA与LFC到EL间正浮力产生的动能大小成正比。该正面积称为对流有效位能。对流有效位能(CAPE)表示的是在浮力作用下,对单位质量气块从自由对流高度上升至平衡高度所作的功。从几何意义上说,这种浮力能量相当于T-lnp图上的正面积。其表达式如式(6)和式(7):
其中,Tv为虚温;下标e,p分别表示与环境以及气块有关的物理量;ZLFC为自由对流高度,是(Tvp-Tve)由负值转正值的高度;ZEL为平衡高度,是(Tvp-Tve)由正值转负值的高度;其余为惯用符号。
)K指数
K指数能够反映大气的层结稳定情况,K指数越大,层结越不稳定,但它不能明显表示出整个大气的层结不稳定度。其表达式如式(8):
K=(T850-T500)+Td850-(T700-Td700) 式(8)
其中T850-T500表示温度的直减率,Td850表示大气层低层水汽条件,T700-Td700表示大气层中层饱和度。
K指数配合散度、涡度可以分析制作雷暴的客观预报。一般地:
K<20℃时,无雷暴;
20℃<K<25℃时,孤立雷暴;
25℃<K<30℃时,零星雷暴;
30℃<K<35℃时,分散雷暴;
K>35℃时,有成片的雷暴产生;
(f)A指数,A指数定义为850hPa与500hPa温度差减去850hPa、700hPa、500hPa 三层的温度露点差之和。是一个综合考虑大气静力稳定度与整层水汽饱和程度的物理量。A值越大,表明大气越不稳定或对流层中下层饱和程度越高,越有利于产生降水。公式如式(9):
A=(T850-T500)-(TTd850+TTd700+TTd500) 式(9)
其中T为温度,TTd为温度露点差,850,700,500分别表示不同的气压层。 (g)沙氏指数(SI),沙瓦特指数简称沙氏指数,也叫做稳定指数,通常是用来判断大气稳定度的一种判据。把850hPa等压面上的湿空气块沿干绝热线上升,达到抬升凝结高度后再沿湿绝热线上升至500hPa时具有的气块温度(T')与500hPa 等压面上的环境温度(T500)的差值。如指数<0,表示上升空气质点的温度高于环境温度,大气不稳定,负值越大,不稳定程度也越大;如指数>0,表示上升空气质点的温度低于环境温度,大气稳定,正值越大,稳定程度也越大。
SI=T500-T'
SI>3℃时,发生雷暴的可能性很小或没有;0℃<SI<3℃时,有发生阵雨的可能性;-3℃<SI<0℃时,有发生雷暴的可能性;-6℃<SI<-3℃时,有发生强雷暴的可能性;SI<-6℃时,有发生严重对流天气的危险。
本实施例中,通过相关系数的关系计算雷电短时潜势预报方法,最终筛选出与雷电相关系数最高的7个物理量,分别为k指数、沙式指数SI、A指数、700hPa 温度露点差、850hPa温度露点差、925hPa温度露点差、850hPa与500hPa温度差。根据中尺度强对流发生条件结合大量数据统计,对这些物理参数阈值,做0、 1化处理,阈值设定如下:
k指数≥33时,记为1,反之记为0;沙式指数≤0时,记为1,反之记为0; A指数≥10时,记为1,反之记为0;温度露点差≤3时,记为1,反之记为0, 700hPa、850hPa、925hPa皆以此为阈值;850hPa和500hPa温度差≥23时,记为1,反之记为0;最后用此7个0、1化处理后的指数作为潜势预报的核心物理参数,利用超过半年的雷电观测数据建立雷电潜势预报的回归方程。
y(j,i)=0.11+0.154×k1(j,i)+0.142×k2(j,i)+0.061×k3(j,i)+0.146×k4(j,i)
+0.131×k5(j,i)+0.03×k6(j,i)+0.097×k7(j,i)
其中y是某一站点雷暴出现概率,K1…K7是0、1化后的物理参数。
在上述方法之上,对预报参数进行滤波,并且采用观测值进行滚动的回归方法,同时对预报指数进行界限值约束后,得到新的结果。
本实施例中,基于气象模式预报和雷电观测数据的集成算法:
a.从EC全球预报模式和华东区域预报模式中获取指定网格范围内基础气象参数(各高度层温度、湿度、气压、降水、雷达反射率等);
b.基于基础气象参数,计算其他与雷电直接相关的高阶气象参数;
c.将观测的雷电定位数据,处理为指定预报区域的网格化数据;
d.利用随机森林,计算每个气象参数与雷电的相关程度,选取与雷电数据最相关的数个气象参数;
e.分时段、分预报时次,并利用分布式Gradient Boosting算法XGBoost,建立滚动更新的多时次预报模型;利用建立好的模型,基于气象参数,预测未来 72小时的雷电空间分布与发生概率。
本实施例中,利用神经网络生成雷暴临近预报产品,第一步,基本气象信息提取,首先根据历史探空资料提取基本气象要素,基本气象要素包括温度、露点温度、风向风速、相对湿度等。
(b)强天气对流指数
根据数值模式结果,计算强对流指数,包括:沙氏指数(SI)、对流有效位能(CAPE)、强天气威胁指数(SWEAT)、总指数(TT)、对流抑制指数(CIN)等。
(c)特征筛选和模型建立
在进行神经网络模型拟合之前,要进行一个特征选择。特征选择的依据有很多,算法在数据归一化之后,利用回归模型做特征选择,然后基于神经网络方法做模型拟合。
(d)雷暴识别、追踪
基于雷达和闪电资料,提取雷暴的形态特征,追踪并外推预报雷暴区的演变和运动轨迹。结合闪电定位资料外,重点关注-10℃层高度处回波强度达到40dBz 区域、回波顶高超过9km区域,同时还有一些辅助判别指标:回波水平梯度>4 dBz/km、垂直液态水含量>25kg·m-2等。
(e)雷暴临近预报产品生成
基于神经网络模型得到的是区域内所有格点的雷电发生概率预报,通过加权算法根据雷达图识别的风暴对雷电所在区域进行修正,得到最终的雷电短临预测。
本实施例中,神经网络由大量的神经元相互连接而成。每个神经元接受线性组合的输入后,最开始只是简单的线性加权,后来给每个神经元加上了非线性的激活函数,从而进行非线性变换后输出。每两个神经元之间的连接代表加权值,称之为权重(weight)。不同的权重和激活函数,则会导致神经网络不同的输出。
实际应用中发现,线性激活函数太过局限,引入了非线性激活函数。常用的非线性激活函数有sigmoid、tanh、relu等等,前两者sigmoid/tanh比较常见于全连接层,后者relu常见于卷积层。sigmoid的函数表达式如式(10)所示:
其中z是一个线性组合,比如z可以等于:b+w2x1+w2x2。通过代入很大的正数或很小的负数到g(z)函数中可知,其结果趋近于0或1。
因此,sigmoid函数g(z)的图形表示如下(横轴表示定义域z,纵轴表示值域g(z)):如图5sigmoid函数;sigmoid函数的功能是相当于把一个实数压缩至0到1之间。当z是非常大的正数时,g(z)会趋近于1,而z是非常小的负数时,则g(z)会趋近于0。将下图的这种单个神经元:sigmoid函数组织在一起,便形成了神经网络。如图6所示;
本实施例中,上图6中最左边的原始输入信息称之为输入层,最右边的神经元称之为输出层(上图中输出层只有一个神经元),中间的叫隐藏层。输入层 (Input layer),众多神经元(Neuron)接受大量非线形输入讯息。输入的讯息称为输入向量。输出层(Outputlayer),讯息在神经元链接中传输、分析、权衡,形成输出结果。输出的讯息称为输出向量。隐藏层(Hidden layer),简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。如果有多个隐藏层,则意味着多个激活函数。同时,每一层都可能由单个或多个神经元组成,每一层的输出将会作为下一层的输入数据。此外,上面所说都是一层隐藏层,但实际中也有多层隐藏层的,即输入层和输出层中间夹着数层隐藏层,层和层之间是全连接的结构,同一层的神经元之间没有连接。如图7所示,包含隐藏层的神经网络结构对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重:因为每个神经元的多个权重固定,所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作就是所谓的卷积操作,也是卷积神经网络的名字来源。非严格意义上来讲,下图中红框框起来的部分便可以理解为一个滤波器,即带着一组固定权重的神经元。多个滤波器叠加便成了卷积层。如图8所示,卷积层结构,雷达图像上的卷积的过程如下,输入是一定区域大小(width*height)的雷达数据,和滤波器filter(带着一组固定权重的神经元)做内积后等到新的雷达图像(二维数据)。
本实施例中,反向传播算法(Backpropagation)是目前用来训练人工神经网络(Artificial Neural Network,ANN)的最常用且最有效的算法。其主要思想是:
(1)将训练集数据输入到ANN的输入层,经过隐藏层,最后达到输出层并输出结果,这是ANN的前向传播过程;
(2)由于ANN的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各参数的值;不断迭代上述过程,直至收敛。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (9)
1.一种雷暴预警系统,其特征在于:所述系统包括雷暴短临预报模块、雷暴潜势预报模块、雷暴实时监测模块、用户管理模块以及雷暴预报预警可视化模块;所述雷暴短临预报模块、雷暴潜势预报模块、雷暴实时监测模块、用户管理模块以及雷暴预报预警可视化模块均分为数据来源层、原始数据层、数据存储层、计算层和应用服务层。
2.根据权利要求1所述的一种雷暴预警系统,其特征在于:
所述数据来源层:用于采集CIMISS系统、数值预报产品源和电网内部的数据;
所述原始数据层:用于汇集和处理各类气象观测预报数据以及雷达数据、自动站数据、数值预报产品数据、电网内网采集数据;
所述数据存储层:用于对解码处理后的数据进行标准化存储,包括文件存储和结构化数据库,便于上层计算和应用开发;
所述计算层:用于对大风天气过程短临预报各类产品算法分析,包含台窄带回波识别飑线风、光流法预测和数值产品预报强风算法;
所述应用层:面向业务人员操作和使用,包含数据读取显示功能模块、基于在线监测数据分析的短临飑线风预报模块、基于在线监测数据分析的强风预报模块、预报预警Web可视化模块。
3.根据权利要求2所述的一种雷暴预警系统,其特征在于:所述
数据来源层:包括强对流数据、气象六要素数据、短临预报基础数据、潜势预报基础数据、雷达数据、内网TXT格式雷电数据;
原始数据层:对汇集的气象数据进行解码,转换格式,提取相关信息等,为潜势预报及短临预报提供基础;气象部门的数据解码类型包括TAC格式解码、BUFR格式解码、GRIB格式解码和NetCDF格式解码;
数据存储层:采集到各类数据以及进行数据解码之后,需要对已经解码的数据进行格式转换;包括投影变换、数据压缩和数据转换。
4.一种雷暴预警方法,其特征在于:所述预警方法具体按以下步骤执行:
S1:从EC全球预报模式和华东区域预报模式中获取指定网格范围内基础气象参数:从EC中获得72小时预报,逐3小时的各气压层的温度、湿度、露点以及涡度变量,获得地面的对流降水、非对流降水以及对流有效位能变量,从华东模式中获得雷达反射率等变量,将这些变量分目录分批次保存为nc格式;
S2:基于基础气象参数,计算其他与雷电直接相关的高阶气象参数,利用所述基础气象变量,通过算法处理并获得A指数、K指数、沙氏指数以及强天气威胁指数高阶气象参数,将这些变量分目录分批次保存为nc格式;
S3:观测的雷电定位数据,处理为指定预报区域的网格化数据:雷电定位数据本身是站点数据,为了与格点化的气象要素相匹配,利用格点化方法,将其转变为与气象要素有着一样经纬度区间、一样分辨率的网格化雷电数据;
S4:利用随机森林,计算每个气象参数与雷电的相关程度,选取与雷电数据最相关的数个气象参数:使用随机森林来判断特征的重要性的时候,不需要考虑特征是否是线性可分的,也不需要对特征做归一化或者标准化处理;
S5:分时段、分预报时次,并利用分布式Gradient Boosting的XGBoost算法,建立滚动更新的多时次预报模型;
S6:利用建立好的模型,基于气象参数,预测未来72小时的雷电空间分布与发生概率。
5.根据权利要求4所述的一种雷暴预警方法,其特征在于:在S1中,筛选出与雷电相关系数最高的7个物理量,分别为k指数、沙式指数SI、A指数、700hPa温度露点差、850hPa温度露点差、925hPa温度露点差以及850hPa与500hPa温度差;
根据中尺度强对流发生条件结合数据统计,对这些物理参数阈值,做0、1化处理,阈值设定如下:k指数≥33时,记为1,反之记为0;沙式指数≤0时,记为1,反之记为0;A指数≥10时,记为1,反之记为0;温度露点差≤3时,记为1,反之记为0,700hPa、850hPa、925hPa皆以此为阈值;850hPa和500hPa温度差≥23时,记为1,反之记为0;最后用此7个0、1化处理后的指数作为潜势预报的核心物理参数,利用超过半年的雷电观测数据建立雷电潜势预报的回归方程,如式(1);
y(j,i)=0.11+0.154×k1(j,i)+0.142×k2(j,i)+0.061×k3(j,i)+0.146×k4(j,i)+0.131×k5(j,i)+0.03×k6(j,i)+0.097×k7(j,i) 式(1)
其中y是某一站点雷暴出现概率,K1…K7是0、1化后的物理参数。
6.根据权利要求5所述的一种雷暴预警方法,其特征在于:对预报参数进行滤波,且采用观测值进行滚动的回归方法,同时对预报指数进行界限值约束。
7.根据权利要求4所述的一种雷暴预警方法,其特征在于:基于气象模式预报和雷电观测数据的集成算法如下:
S7.1:从EC全球预报模式和华东区域预报模式中获取指定网格范围内基础气象参数高度层温度、湿度、气压、降水和雷达反射率;
S7.2:基于基础气象参数,计算其他与雷电直接相关的高阶气象参数;
S7.3:.将观测的雷电定位数据,处理为指定预报区域的网格化数据;
S7.4:.利用随机森林,计算每个气象参数与雷电的相关程度,选取与雷电数据最相关的数个气象参数;
S7.5:.分时段、分预报时次,并利用分布式Gradient Boosting算法XGBoost,建立滚动更新的多时次预报模型;
S7.6:利用建立好的模型,基于气象参数,预测未来72小时的雷电空间分布与发生概率。
8.根据权利要求4所述的一种雷暴预警方法,其特征在于:雷电临近概率预报方法具体按以下步骤执行:
S8.1:将逐小时闪电定位数据进行格点化,Hap01,潜势预报为3小时;
S8.2:将逐小时闪电放电时间进行格点化,记为Time;
S8.3:根据光流法将格点化放电时间Time外推0-6小时,记为exTime;
S8.4:采用线性回归模型,以exTime和短期预报结果SP_dt作为输入,以逐小时格点化实况Hap01作为输出,建立了回归模型,最终得到短临预报结果。
9.根据权利要求4所述的一种雷暴预警方法,其特征在于:利用神经网络生成雷暴临近预报方法具体按以下步骤执行:
S9.1:首先根据历史探空资料提取基本气象要素,基本气象要素包括温度、露点温度、风向风速、相对湿度;
S9.2:根据数值模式结果,计算强对流指数,包括:沙氏指数(SI)、对流有效位能(CAPE)、强天气威胁指数(SWEAT)、总指数(TT)、对流抑制指数(CIN);
S9.3:进行特征筛选和模型建立,在进行神经网络模型拟合之前,要进行一个特征选择,特征选择的依据有很多,算法在数据归一化之后,利用回归模型做特征选择,然后基于神经网络方法做模型拟合;
S9.4:对雷暴识别、追踪,基于雷达和闪电资料,提取雷暴的形态特征,追踪并外推预报雷暴区的演变和运动轨迹,结合闪电定位资料外,重点关注-10℃层高度处回波强度达到40dBz区域、回波顶高超过9km区域,同时还有一些辅助判别指标:回波水平梯度>4dBz/km、垂直液态水含量>25kg·m-2;
S9.5:基于神经网络模型得到的是区域内所有格点的雷电发生概率预报,通过加权算法根据雷达图识别的风暴对雷电所在区域进行修正,得到最终的雷电短临预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010690956.4A CN111897030A (zh) | 2020-07-17 | 2020-07-17 | 一种雷暴预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010690956.4A CN111897030A (zh) | 2020-07-17 | 2020-07-17 | 一种雷暴预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111897030A true CN111897030A (zh) | 2020-11-06 |
Family
ID=73190277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010690956.4A Pending CN111897030A (zh) | 2020-07-17 | 2020-07-17 | 一种雷暴预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897030A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112764129A (zh) * | 2021-01-22 | 2021-05-07 | 易天气(北京)科技有限公司 | 一种雷暴短临预报方法、系统及终端 |
CN113064222A (zh) * | 2021-03-09 | 2021-07-02 | 中国气象科学研究院 | 雷电预警预报方法和系统 |
CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
CN113295935A (zh) * | 2021-06-01 | 2021-08-24 | 兰州资源环境职业技术学院 | 基于高精度闪电定位技术的雷击风险评估方法 |
CN113640803A (zh) * | 2021-09-01 | 2021-11-12 | 江西师范大学 | 一种基于回波强度和回波顶高外推的短时定量降水预报方法 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN115392584A (zh) * | 2022-09-09 | 2022-11-25 | 浙江省气象台 | 一种强对流预报中强对流潜在落区预测方法及系统 |
CN116243405A (zh) * | 2023-03-15 | 2023-06-09 | 中国民用航空西南地区空中交通管理局 | 一种雷暴预报探空参数快速诊断与显示系统的实现方法 |
WO2023155179A1 (zh) * | 2022-02-19 | 2023-08-24 | 中国科学院深圳先进技术研究院 | 热带气旋影响下特定区域闪电与温度相关性的计算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068149A (zh) * | 2015-07-24 | 2015-11-18 | 国家电网公司 | 一种基于多信息综合的输变电设备雷电监测和预报方法 |
CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警系统 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 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 |
-
2020
- 2020-07-17 CN CN202010690956.4A patent/CN111897030A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105068149A (zh) * | 2015-07-24 | 2015-11-18 | 国家电网公司 | 一种基于多信息综合的输变电设备雷电监测和预报方法 |
CN105182450A (zh) * | 2015-10-15 | 2015-12-23 | 成都信息工程大学 | 一种强对流天气短时预警系统 |
CN110796299A (zh) * | 2019-10-23 | 2020-02-14 | 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 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112764129A (zh) * | 2021-01-22 | 2021-05-07 | 易天气(北京)科技有限公司 | 一种雷暴短临预报方法、系统及终端 |
CN113064222A (zh) * | 2021-03-09 | 2021-07-02 | 中国气象科学研究院 | 雷电预警预报方法和系统 |
CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
CN113204903B (zh) * | 2021-04-29 | 2022-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
CN113295935A (zh) * | 2021-06-01 | 2021-08-24 | 兰州资源环境职业技术学院 | 基于高精度闪电定位技术的雷击风险评估方法 |
CN113064220A (zh) * | 2021-06-03 | 2021-07-02 | 四川九通智路科技有限公司 | 基于非线性自回归神经网络的能见度测量系统及测量方法 |
CN113640803B (zh) * | 2021-09-01 | 2022-07-22 | 江西师范大学 | 一种基于回波强度和回波顶高外推的短时定量降水预报方法 |
CN113640803A (zh) * | 2021-09-01 | 2021-11-12 | 江西师范大学 | 一种基于回波强度和回波顶高外推的短时定量降水预报方法 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
WO2023155179A1 (zh) * | 2022-02-19 | 2023-08-24 | 中国科学院深圳先进技术研究院 | 热带气旋影响下特定区域闪电与温度相关性的计算方法及系统 |
CN115392584A (zh) * | 2022-09-09 | 2022-11-25 | 浙江省气象台 | 一种强对流预报中强对流潜在落区预测方法及系统 |
CN116243405A (zh) * | 2023-03-15 | 2023-06-09 | 中国民用航空西南地区空中交通管理局 | 一种雷暴预报探空参数快速诊断与显示系统的实现方法 |
CN116243405B (zh) * | 2023-03-15 | 2023-09-22 | 中国民用航空西南地区空中交通管理局 | 一种雷暴预报探空参数快速诊断与显示系统的实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
KR102076426B1 (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
Zhou et al. | Forecast of low visibility and fog from NCEP: Current status and efforts | |
Bedia et al. | Sensitivity of fire weather index to different reanalysis products in the Iberian Peninsula | |
Xue et al. | Impact of transmission tower-line interaction to the bulk power system during hurricane | |
Wanik et al. | A case study on power outage impacts from future hurricane sandy scenarios | |
Stucki et al. | A catalog of high-impact windstorms in Switzerland since 1859 | |
CN107067683B (zh) | 一种输电线路山火聚类定量预报方法及系统 | |
CN102629294A (zh) | 台风引发输电线路故障的概率评估方法 | |
KR101646587B1 (ko) | 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법 | |
Yuan et al. | Development of a typhoon power outage model in Guangdong, China | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
Kezunovic et al. | Systematic framework for integration of weather data into prediction models for the electric grid outage and asset management applications | |
Liu et al. | Estimation of precipitation induced by tropical cyclones based on machine‐learning‐enhanced analogue identification of numerical prediction | |
Gharaylou et al. | Prediction of lightning activity using WRF-ELEC model: Impact of initial and boundary conditions | |
Penna et al. | Moisture flows on Southeast Brazil: Present and future climate | |
Kuleshov et al. | Climate risk and early warning systems (CREWS) for Papua New Guinea | |
CN113313289B (zh) | 一种基于多数据源的电网气象预警系统 | |
Gullick et al. | Tree risk evaluation environment for failure and limb loss (TREEFALL): An integrated model for quantifying the risk of tree failure from local to regional scales | |
Machado et al. | Generation of 441 typical meteorological year from INMET stations-Brazil | |
JP7224133B2 (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
CN113095499B (zh) | 一种绝缘子等值附盐密度的预测方法 | |
CN114118598A (zh) | 基于深度学习预测模型的电网雷电灾害预测方法及系统 | |
CN113176420A (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
González et al. | Seasonal probabilistic precipitation prediction in Comahue region (Argentina) using statistical techniques |
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: 20201106 |
|
RJ01 | Rejection of invention patent application after publication |