CN113222019A - 输电线路杆塔的气象预报数据处理方法、装置、设备 - Google Patents

输电线路杆塔的气象预报数据处理方法、装置、设备 Download PDF

Info

Publication number
CN113222019A
CN113222019A CN202110521328.8A CN202110521328A CN113222019A CN 113222019 A CN113222019 A CN 113222019A CN 202110521328 A CN202110521328 A CN 202110521328A CN 113222019 A CN113222019 A CN 113222019A
Authority
CN
China
Prior art keywords
data
meteorological
tower
forecast
transmission line
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
Application number
CN202110521328.8A
Other languages
English (en)
Other versions
CN113222019B (zh
Inventor
郑文坚
王奇
常安
苏浩辉
肖耀辉
孙萌
张厚荣
何森
赖光霖
崔曼帝
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.)
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Original Assignee
Maintenance and Test Center of Extra High Voltage Power Transmission Co
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 Maintenance and Test Center of Extra High Voltage Power Transmission Co filed Critical Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority to CN202110521328.8A priority Critical patent/CN113222019B/zh
Publication of CN113222019A publication Critical patent/CN113222019A/zh
Application granted granted Critical
Publication of CN113222019B publication Critical patent/CN113222019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及输电线路杆塔的气象预报数据处理方法、装置、设备。所述方法包括：获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；获取所述预设杆塔对应的输电线路气象监测数据；采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。采用本方法能够对气象预报模式的模拟结果进行订正，提升了模拟精度，能够获取更精确的输电线路杆塔的气象预报数据。

Description

输电线路杆塔的气象预报数据处理方法、装置、设备
技术领域
本申请涉及数据处理领域，特别是涉及一种输电线路杆塔的气象预报数据处理方法、装置、计算机设备和存储介质。
背景技术
在全球气候变化的背景下，近年来极端天气频频发生，给国民经济造成了巨大的损失，其中，输电线路结冰灾害是电力系统中最严重的气象灾害之一，严重威胁着电网的安全稳定运行。为了降低因覆冰灾害造成的损失，需要对输电线路覆冰情况进行准确预测，而输电线路覆冰情况与气象要素的变化密不可分。
目前，通过WRF模式(The Weather Research and Forecasting Model，天气预报模式)可以进行气象预报，但WRF模式的模拟效果受多因素影响，基于单一的WRF模式较难准确预测气象要素，WRF模式的模拟精度往往无法满足实际需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决上述问题的一种输电线路杆塔的气象预报数据处理方法、装置、计算机设备和存储介质。
一种输电线路杆塔的气象预报数据处理方法，所述方法包括：
获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
获取所述预设杆塔对应的输电线路气象监测数据；
采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
在一个实施例中，所述获取基于气象预报模式的初始气象数据，包括：
获取预设时长条件对应的气象数据和地表静态数据；
确定所述气象预报模式的网格设置信息和参数化集合信息；
结合所述气象数据、所述地表静态数据、所述网格设置信息，以及所述参数化集合信息，生成所述初始气象数据。
在一个实施例中，所述预设杆塔包括多个，所述初始气象数据包括多个格点气象数据，所述根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据，包括：
获取多个预设杆塔各自对应的杆塔坐标信息；
针对每一预设杆塔的杆塔坐标信息，根据每一格点气象数据对应的坐标信息进行插值处理，得到插值处理后的气象数据；所述插值处理后的气象数据包括多个杆塔坐标信息各自对应的格点气象数据；
基于所述插值处理后的气象数据得到所述预设杆塔的第一气象预报数据。
在一个实施例中，所述输电线路气象监测数据与所述第一气象预报数据具有相同的时间信息，所述采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合，包括：
获取所述预设杆塔的杆塔特征信息；
根据所述时间信息和所述杆塔特征信息，采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合。
在一个实施例中，所述采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型，包括：
采用所述训练数据集合对待训练的预报数据订正模型中原始参数信息进行参数优化，得到目标参数信息；
基于所述目标参数信息得到训练后的预报数据订正模型。
在一个实施例中，所述预设杆塔包括第一子预设杆塔和第二子预设杆塔，在所述采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合的步骤之后，所述方法还包括：
根据所述第一气象预报数据和所述输电线路气象监测数据生成测试数据集合；其中，所述训练数据集合包括所述第一子预设杆塔对应的第二气象预报数据，所述测试数据集合包括所述第二子预设杆塔对应的第三气象预报数据。
在一个实施例中，在所述采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型的步骤之后，所述方法还包括：
将所述第三气象预报数据输入所述训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的所述第三气象预报数据进行订正，得到所述第三气象预报数据的订正结果。
一种输电线路杆塔的气象预报数据处理装置，所述装置包括：
第一气象预报数据得到模块，用于获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
气象监测数据获取模块，用于获取所述预设杆塔对应的输电线路气象监测数据；
训练数据集合生成模块，用于采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
模型训练模块，用于采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的输电线路杆塔的气象预报数据处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的输电线路杆塔的气象预报数据处理方法的步骤。
上述一种输电线路杆塔的气象预报数据处理方法、装置、计算机设备和存储介质，通过获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对初始气象数据进行插值处理，得到预设杆塔的第一气象预报数据，然后获取预设杆塔对应的输电线路气象监测数据，采用第一气象预报数据和输电线路气象监测数据生成训练数据集合，进而采用训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型，训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正，实现了对气象预报模式的模拟结果进行订正，通过结合输电线路气象监测数据进行模型训练，提升了WRF模式的模拟精度，能够获取更精确的输电线路杆塔的气象预报数据。
附图说明
图1为一个实施例中一种输电线路杆塔的气象预报数据处理方法的流程示意图；
图2a为一个实施例中一种网格设置的示意图；
图2b为一个实施例中一种双线性插值处理的示意图；
图3为一个实施例中一种训练数据集合生成步骤的流程示意图；
图4a为一个实施例中一种模型中数据集精确度的示意图；
图4b为一个实施例中一种模型中数据集残差的示意图；
图4c为一个实施例中一种气象预报数据对比的示意图；
图5为一个实施例中一种输电线路杆塔的气象预报数据处理装置的结构框图；
图6为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种输电线路杆塔的气象预报数据处理方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤101，获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
其中，气象预报模式可以为WRF模式(The Weather Research and ForecastingModel，天气预报模式)，通过该气象预报模式可以获取预报的初始气象数据，其可以包括多个气象要素数据。
作为一示例，预设杆塔可以为特定区域范围内已知经纬度的输电线路杆塔，每一输电线路杆塔对应有表征经纬度的杆塔坐标信息。
在实际应用中，基于气象预报模式可以获取预报的初始气象数据，然后针对预设杆塔可以获取杆塔坐标信息，进而根据杆塔坐标信息可以对初始气象数据进行插值处理，得到预设杆塔的第一气象预报数据，以对第一气象预报数据进一步数据处理。
具体地，可以针对特定时间段和特定区域范围，获取预报的初始气象数据，然后根据该特定区域范围内已知经纬度的输电线路杆塔的杆塔坐标信息，对初始气象数据进行插值处理，进而可以得到输电线路杆塔坐标处对应的气象预报数据。
在一示例中，基于气象预报模式可以获取2020年12月13日到2020年12月19日期间，纬度范围为17.3°N-32.1°N，经度范围为89.6°E-119.4°E，格点分辨率为3km的预报的初始气象数据，例如，2m温度、2m湿球温度、相对湿度、降水量、海拔高度、10m风速，10m风向等气象要素数据，进而可以利用双线性插值法，将初始气象数据中多个气象要素数据插值到364个已知经纬度的输电线路杆塔处。
步骤102，获取所述预设杆塔对应的输电线路气象监测数据；
在具体实现中，针对预设杆塔可以获取其对应的输电线路气象监测数据，该输电线路气象监测数据可以表征输电线路的积冰情况。
具体地，可以针对特定时间段获取预设杆塔对应的输电线路气象监测数据，其可以包括温度、湿度、积冰厚度等气象要素，例如，获取相同时间内364个杆塔对应的高压输电线路积冰情况的监测数据。
步骤103，采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
在获取第一气象预报数据和输电线路气象监测数据后，可以基于第一气象预报数据和输电线路气象监测数据，生成训练数据集合，以采用训练数据集合对待训练的预报数据订正模型进行模型训练。
具体地，可以将第一气象预报数据和输电线路气象监测数据通过时间维度进行匹配，进而可以将匹配后的数据作为训练数据集合，例如，根据时间这一维度，可以将插值到预设杆塔的第一气象预报数据和实际监测获取的输电线路气象监测数据进行匹配，以构成模型的训练集(即训练数据集合)。
步骤104，采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
其中，预报数据订正模型可以为随机森林算法模型，其是基于决策树的集成模型(Tree-Based Ensemble Approaches)，由于决策树模型拥有高方差，单棵树构建的模型预测效果往往不佳，而随机森林算法应用集成的方式调整偏差以大幅降低方差，达到了降低整体误差，提升预测精度的效果。
决策树由递归分区算法组成，通过贪婪算法将训练样本自上而下的分成不同单元，对应树的节点，在分裂完成后，每个终端对应一个常数输出。回归树模型可以采用如下方式表示：
Figure BDA0003064085270000061
Cj＝ave(yi∣xi∈Rj)
其中，J为单元个数，Cj为每个单元中样本的平均响应值，Rj(j＝1,2,...,J)为互不重叠的样本区域，I为示性函数。
对于每次分裂，为使得回归树残差平方和最小，根据分类变量j和分裂点s定义两个单元：
R1(j,s)＝{X∣Xj≤s}and R2(j,s)＝{X∣X＞＞s}
然后寻找分类变量j与分裂点s使得：
Figure BDA0003064085270000071
对每次求解的j和s，可以得到：
c1＝ave(yi∣xi∈R1(j,s))and c2＝ave(yi∣xi∈R2(j,s))
找到最佳分割后，可以将数据划分为两个区域，并在子区域上重复分割过程，逐步产生完整的回归树。
单一决策树模型存在高方差的缺点，且在拥有随机扰动的数据集上训练模型，树的结构会发生较大变化。通过将一组树合并到一个模型中，即装袋法(Bagging)，可以降低方差，提升预测精度，其通过在原始训练集重复取样，生成B个子集，并在第b个子集中拟合模型求得预测值，在全部模型训练完成后对其取平均，可以采用如下方式表示：
Figure BDA0003064085270000072
基于装袋法，随机森林算法模型在每次分裂产生时仅考虑有限的m个分割变量，而不是考虑全部的p个变量(m≤p)，以降低各个子树的相关性，然后对去相关后的决策树进行平均，进一步降低方差。随机森林算法模型为装袋法的特例，当选取m＝p时，两者等价，可以采用如下方式表示：
Figure BDA0003064085270000073
在得到训练数据集合后，可以采用该训练数据集合对待训练的预报数据订正模型进行模型训练，进而可以得到训练后的预报数据订正模型，该训练后的预报数据订正模型可以用于对输入的输电线路杆塔的气象预报数据进行订正。
在一个可选实施例中，对预报数据订正模型进行模型训练时，可以采用训练数据集合进行10次交叉实验，并可以通过贝叶斯参数寻优方法，基于训练数据集合找出精度最高的随机森林算法的参数设置，进而可以得到训练后的预报数据订正模型，从而能够准确地预测输电线路杆塔处的温度、湿度等气象要素数据，有助于进一步对输电线路杆塔的覆冰预测。
在本申请实施例中，通过获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对初始气象数据进行插值处理，得到预设杆塔的第一气象预报数据，然后获取预设杆塔对应的输电线路气象监测数据，采用第一气象预报数据和输电线路气象监测数据生成训练数据集合，进而采用训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型，训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正，实现了对气象预报模式的模拟结果进行订正，通过结合输电线路气象监测数据进行模型训练，提升了WRF模式的模拟精度，能够获取更精确的输电线路杆塔的气象预报数据。
在一个实施例中，所述获取基于气象预报模式的初始气象数据，可以包括如下步骤：
获取预设时长条件对应的气象数据和地表静态数据；
在实际应用中，可以基于预设时长条件，获取气象数据和地表静态数据。
例如，可以获取每日数据分辨率为0.25°×0.25°，起报时间为世界时间18时，每3小时预报，共102小时预报时长的气象数据，该气象数据可以基于NCEP/GFS预报场资料，即美国国家环境预测中心(NCEP)的GFS(Global Forecasting System)预报场资料进行获取。
又如，可以基于MODIS卫星提供的分辨率为15s(约500m)的地形、土壤资料、植被覆盖等地表静态资料，获取地表静态数据。
在一个可选实施例中，可以将NCEP/GFS预报场资料作为WRF模式的初始场和侧边界条件，并可以在WRF模式中设置相关参数，以获取地表静态数据。
确定所述气象预报模式的网格设置信息和参数化集合信息；
在获取气象数据和地表静态数据后，可以确定气象预报模式的网格设置信息和参数化集合信息，以进一步生成基于气象预报模式的初始气象数据。
在一示例中，可以通过WRF模式设置的相关参数确定网格设置信息，例如，在WRF模式的namelist.input中设置参数，如图2a所示，可以将WRF模式的网格设置为结合2层网格嵌套层数，网格数分别为600×500，967×535，水平网格分辨率分别为9km、3km，网格中心点位于29°N、96°E，即图2a中1对应的区域可以为选定的网格区域。
在又一示例中，可以通过WRF模式设置的相关参数确定参数化集合信息，例如，在WRF模式的namelist.input中设置参数，结合名为“CONUS”的参数化方案，其中，微物理方案可以为Thompson方案，积云参数化方案可以为Tiedtke方案，长短波辐射方案可以均为RRTMG方案，边界层和近地面参数化方案可以均为MYJ方案，路面过程方案可以采用Noah路面过程方案。
结合所述气象数据、所述地表静态数据、所述网格设置信息，以及所述参数化集合信息，生成所述初始气象数据。
在实际应用中，可以结合获取的气象数据和地表静态数据，以及气象预报模式的网格设置信息和参数化集合信息，生成初始气象数据，例如，可以得到气象预报模式输出的天气数值预报文件(即初始气象数据)，其可以包括温度、湿度、降水量等气象要素。
通过上述实施例获取预设时长条件对应的气象数据和地表静态数据，并确定气象预报模式的网格设置信息和参数化集合信息，进而结合气象数据、地表静态数据、网格设置信息，以及参数化集合信息，生成初始气象数据，可以获取WRF模式的模拟气象数据，以进一步结合输电线路气象监测数据进行模型训练，提升WRF模式的模拟精度。
在一个实施例中，预设杆塔可以包括多个，初始气象数据可以包括多个格点气象数据，所述根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据，可以包括如下步骤：
获取多个预设杆塔各自对应的杆塔坐标信息；
在具体实现中，由于预设杆塔可以包括多个，通过获取多个预设杆塔各自对应的杆塔坐标信息，可以根据杆塔坐标信息进一步对初始气象数据进行插值处理。
针对每一预设杆塔的杆塔坐标信息，根据每一格点气象数据对应的坐标信息进行插值处理，得到插值处理后的气象数据；所述插值处理后的气象数据包括多个杆塔坐标信息各自对应的格点气象数据；
在获取多个预设杆塔各自对应的杆塔坐标信息后，由于初始气象数据可以包括多个格点气象数据，针对每一预设杆塔的杆塔坐标信息，可以根据每一格点气象数据对应的坐标信息进行插值处理，进而可以得到插值处理后的气象数据，该插值处理后的气象数据可以包括多个杆塔坐标信息各自对应的格点气象数据。
例如，利用双线性插值方法(双线性插值可以表示含有两个变量的插值函数的线性插值扩展)，即在两个方向分别进行一次线性插值，可以将WRF模式输出的多个格点气象数据插值到对应经纬度的输电线路杆塔处，如图2b所示，可以采用如下方式进行插值：
为得到未知函数f在点P＝(x，y)处的值，可以假设已知函数f在Q11＝(x1,y1),Q12＝(x1,y2),Q21＝(x2,y1)以及Q22＝(x2,y2)四个点处的值，通过在x方向进行线性插值，可以得到式(1)和式(2)，然后在y方向上进行线性插值，可以得到式(3)，进而可以得到函数f(x，y)的结果，如式(4)所示。
Figure BDA0003064085270000101
Figure BDA0003064085270000102
Figure BDA0003064085270000103
Figure BDA0003064085270000104
基于所述插值处理后的气象数据得到所述预设杆塔的第一气象预报数据。
在实际应用中，由于插值处理后的气象数据可以包括多个杆塔坐标信息各自对应的格点气象数据，则可以基于插值处理后的气象数据，得到预设杆塔的第一气象预报数据。
通过上述实施例获取多个预设杆塔各自对应的杆塔坐标信息，针对每一预设杆塔的杆塔坐标信息，根据每一格点气象数据对应的坐标信息进行插值处理，得到插值处理后的气象数据，插值处理后的气象数据包括多个杆塔坐标信息各自对应的格点气象数据，进而基于插值处理后的气象数据得到预设杆塔的第一气象预报数据，可以通过插值获取杆塔的气象预报数据，以进一步结合该杆塔的输电线路气象监测数据进行模型训练，提升WRF模式的模拟精度。
在一个实施例中，如图3所示，输电线路气象监测数据与第一气象预报数据可以具有相同的时间信息，所述采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合，可以包括如下步骤：
步骤301，获取所述预设杆塔的杆塔特征信息；
作为一示例，杆塔特征信息可以包括各杆塔的运行单位、线路名称、杆塔号、终端编号、经纬度、海拔高度、坡向坡度、垭口朝向、相位和地理信息等信息。
在实际应用中，获取输电线路气象监测数据后，可以通过结合预设杆塔的杆塔特征信息，基于时间维度对第一气象预报数据和输电线路气象监测数据进行匹配。
步骤302，根据所述时间信息和所述杆塔特征信息，采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合。
由于输电线路气象监测数据与第一气象预报数据可以具有相同的时间信息，进而可以根据该时间信息，通过结合杆塔特征信息对第一气象预报数据和输电线路气象监测数据进行匹配，得到训练数据集合。
例如，可以根据时间这一维度将插值到预设杆塔的第一气象预报数据和实际监测获取的输电线路气象监测数据进行匹配，构成模型的训练数据集合。
通过上述实施例获取预设杆塔的杆塔特征信息，进而根据时间信息和杆塔特征信息，采用第一气象预报数据和输电线路气象监测数据生成训练数据集合，可以基于时间维度结合气象预报数据的输电线路气象监测数据，以进行模型训练，能够获取更精确的输电线路杆塔的气象预报数据。
在一个实施例中，所述采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型，可以包括如下步骤：
采用所述训练数据集合对待训练的预报数据订正模型中原始参数信息进行参数优化，得到目标参数信息；
其中，目标参数信息可以为基于训练数据集合得到的预报数据订正模型的最佳参数设置，如可以找出精度最高的随机森林算法的参数设置，作为目标参数信息。
在得到训练数据集合后，可以采用该训练数据集合对待训练的预报数据订正模型中原始参数信息进行参数优化，进而可以得到目标参数信息。
具体地，可以采用训练数据集合进行10次交叉实验，并可以通过贝叶斯优化算法，基于训练数据集合找出精度最高的随机森林算法的参数设置，作为目标参数信息，其可以包括n_estimators＝197、max_features＝20、max_depth＝30和min_samples_split＝2等参数信息。
贝叶斯优化算法具有两个核心内容，即概率代理模型(PSM)和采集函数(AC)，概率代理模型根据概率框架对参数的不确定性进行建模，包含先验概率模型和观测模型，概率代理模型通过对先验概率进行观测，可以获得包含更多先验的后验概率分布。采集函数由已观测数据得到的后验概率分布构成，通过最大化采集函数可以获得下一个最有“潜力”的参数评估点。
贝叶斯优化算法的目标在于最小化目标函数值，可以采用如下方式表示：
Figure BDA0003064085270000121
f(x)＝Loss(Tv,x)+ε
其中，f(x)为目标函数；Tv为验证集；Loss()为损失函数；x为超参数；X为超参数域空间；Loss(Tc,x)可以采用如下伪代码表示：
def Loss(Tc,x)
通过迁移学习模型(含有超参数x)，然后采用训练集进行训练，验证集Tv验证输出Loss，返回logloss。
由于处于优化过程，模型超参数x在算法终止前始终处于优化状态，因此真实的目标函数f(x)是未知的，当贝叶斯优化算法终止时，超参数达到最优，此时目标函数为已知，即为所求的最优化模型。
在一示例中，由于TPE(Tree Parzen Estimators)方法自身支持具有指定域空间的超参数，可以采用TPE构建概率模型，TPE方法与其它方法区别在于，TPE并不为目标函数f(x)构建预测概率模型，而采用如下公式的密度为所有的域变量生成概率模型：
Figure BDA0003064085270000131
其中，y*＝min{f(xt),1≤t＜n}为观测到H后的最佳值；H＝{(xi,f(xi)),1≤i≤t}为f(x)的历史观测集；l(x)为使得对应的损失f(xi)小于y*所形成的密度；g(x)为使得对应的损失f(xi)大于等于y*所形成的密度。
在又一示例中，可以采用基于提升策略类型中的Expected Improvement(EI)方法作为采集函数，并对其进行优化；EI是关于x映射到实数空间R的期望函数，其具有参数少、在一定程度上可以平衡探索(exploration)与开发(exploitation)的优点，采集函数可以采用如下方式表示：
Figure BDA0003064085270000132
为了最小化目标函数f(x)，需要采集函数每次返回的评估点x都可以使得f(x)有所降低，即x的分布尽可能位于l(x)区域。通过对EI进行构造，使得探索与开发得以平衡，既可以使得评估点位于l(x)区域，又能够获取新的评估点x以丰富l(x)区域，基于以上描述，可以设置β＝p(y<y*)，即
Figure BDA0003064085270000133
则：
Figure BDA0003064085270000134
Figure BDA0003064085270000135
将公式(2)、(3)代入公式(1)，可以得到：
Figure BDA0003064085270000136
为了最小化目标函数f(x)，即x可以位于l(x)区域，使β较大，则可以通过最大化
Figure BDA0003064085270000137
得到评估点x(i)，其可以采用如下方式表示：
Figure BDA0003064085270000138
基于所述目标参数信息得到训练后的预报数据订正模型。
在得到目标参数信息后，可以基于参数优化后目标参数信息得到训练后的预报数据订正模型，以采用训练后的预报数据订正模型对输入的输电线路杆塔的气象预报数据进行订正，从而提高了对输电线路杆塔的气象要素预报的准确度，使得对输电线路覆冰灾害发生的概率预测更精准。
在一示例中，如图4a所示，针对输电线路杆塔的温度预测，随机森林算法模型(即预报数据订正模型)中训练数据集合的R2决定系数可以为0.999；如图4b所示，其可以表征训练数据集合中输电线路杆塔的实际温度值和随机森林算法模型的预测值的残差情况。
通过上述实施例采用训练数据集合对待训练的预报数据订正模型中原始参数信息进行参数优化，得到目标参数信息，进而基于目标参数信息得到训练后的预报数据订正模型，能够对WRF模式的模拟结果进行订正，提升了WRF模式的模拟精度，以获取更精确的输电线路杆塔的气象预报数据。
在一个实施例中，预设杆塔可以包括第一子预设杆塔和第二子预设杆塔，在所述采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合的步骤之后，可以包括如下步骤：
根据所述第一气象预报数据和所述输电线路气象监测数据生成测试数据集合；其中，所述训练数据集合包括所述第一子预设杆塔对应的第二气象预报数据，所述测试数据集合包括所述第二子预设杆塔对应的第三气象预报数据。
由于预设杆塔可以包括第一子预设杆塔和第二子预设杆塔，可以根据第一气象预报数据和输电线路气象监测数据生成测试数据集合，该测试数据集合可以包括第二子预设杆塔对应的第三气象预报数据，训练数据集合可以包括第一子预设杆塔对应的第二气象预报数据。
例如，可以根据时间这一维度将插值到预设杆塔的第一气象预报数据和实际监测获取的输电线路气象监测数据进行匹配，构成模型的训练数据集合和测试数据集合，其中，训练数据集合和测试数据集合的比例可以为4：1，测试数据集合不用于模型训练。
在一示例中，如图4a所示，针对输电线路杆塔的温度预测，随机森林算法模型(即预报数据订正模型)中测试数据集合的R2决定系数可以为0.997；如图4b所示，其可以表征测试数据集合中输电线路杆塔的实际温度值和随机森林算法模型的预测值的残差情况。
通过上述实施例根据第一气象预报数据和输电线路气象监测数据生成测试数据集合，训练数据集合包括第一子预设杆塔对应的第二气象预报数据，测试数据集合包括第二子预设杆塔对应的第三气象预报数据，可以基于时间维度结合气象预报数据的输电线路气象监测数据，以测试训练模型，能够对WRF模式的模拟结果进行订正，提升了WRF模式的模拟精度。
在一个实施例中，在所述采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型的步骤之后，可以包括如下步骤：
将所述第三气象预报数据输入所述训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的所述第三气象预报数据进行订正，得到所述第三气象预报数据的订正结果。
在得到训练后的预报数据订正模型后，可以将测试数据集合中第三气象预报数据输入该训练后的预报数据订正模型，进而可以采用训练后的预报数据订正模型对输入的第三气象预报数据进行订正，得到第三气象预报数据的订正结果。
在一个可选实施例中，如图4c所示，可以将未参与模型训练的测试数据集合中气象预报数据(即第三气象预报数据)的订正结果与实际数值进行比较，如针对#113输电线路杆塔的四种相位(B相、光缆、C相、地线)，可以对比预报数据订正模型的订正结果、实际输电线路杆塔的温度值、WRF预测的输电线路杆塔温度值以及订正结果和实际温度值的残差。
通过上述实施例将第三气象预报数据输入训练后的预报数据订正模型，训练后的预报数据订正模型用于对输入的第三气象预报数据进行订正，得到第三气象预报数据的订正结果，能够对WRF模式的模拟结果进行订正，获取更精确的输电线路杆塔的气象预报数据，提升了WRF模式的模拟精度。
应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种输电线路杆塔的气象预报数据处理装置，包括：
第一气象预报数据得到模块501，用于获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
气象监测数据获取模块502，用于获取所述预设杆塔对应的输电线路气象监测数据；
训练数据集合生成模块503，用于采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
模型训练模块504，用于采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
在一个实施例中，所述第一气象预报数据得到模块501包括：
数据获取子模块，用于获取预设时长条件对应的气象数据和地表静态数据；
信息确定子模块，用于确定所述气象预报模式的网格设置信息和参数化集合信息；
初始气象数据生成子模块，用于结合所述气象数据、所述地表静态数据、所述网格设置信息，以及所述参数化集合信息，生成所述初始气象数据。
在一个实施例中，所述预设杆塔包括多个，所述初始气象数据包括多个格点气象数据，所述第一气象预报数据得到模块501包括：
多个杆塔坐标信息获取子模块，用于获取多个预设杆塔各自对应的杆塔坐标信息；
插值处理子模块，用于针对每一预设杆塔的杆塔坐标信息，根据每一格点气象数据对应的坐标信息进行插值处理，得到插值处理后的气象数据；所述插值处理后的气象数据包括多个杆塔坐标信息各自对应的格点气象数据；
第一气象预报数据得到子模块，用于基于所述插值处理后的气象数据得到所述预设杆塔的第一气象预报数据。
在一个实施例中，所述输电线路气象监测数据与所述第一气象预报数据具有相同的时间信息，所述训练数据集合生成模块503包括：
杆塔特征信息获取子模块，用于获取所述预设杆塔的杆塔特征信息；
训练数据集合生成子模块，用于根据所述时间信息和所述杆塔特征信息，采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合。
在一个实施例中，所述模型训练模块504包括：
目标参数信息得到子模块，用于采用所述训练数据集合对待训练的预报数据订正模型中原始参数信息进行参数优化，得到目标参数信息；
模型得到模块子模块，用于基于所述目标参数信息得到训练后的预报数据订正模型。
在一个实施例中，所述装置还包括：
测试数据集合生成模块，用于根据所述第一气象预报数据和所述输电线路气象监测数据生成测试数据集合；其中，所述训练数据集合包括所述第一子预设杆塔对应的第二气象预报数据，所述测试数据集合包括所述第二子预设杆塔对应的第三气象预报数据。
在一个实施例中，所述装置还包括：
数据订正模块，用于将所述第三气象预报数据输入所述训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的所述第三气象预报数据进行订正，得到所述第三气象预报数据的订正结果。
在本申请实施例中，通过获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对初始气象数据进行插值处理，得到预设杆塔的第一气象预报数据，然后获取预设杆塔对应的输电线路气象监测数据，采用第一气象预报数据和输电线路气象监测数据生成训练数据集合，进而采用训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型，训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正，实现了对气象预报模式的模拟结果进行订正，通过结合输电线路气象监测数据进行模型训练，提升了WRF模式的模拟精度，能够获取更精确的输电线路杆塔的气象预报数据。
关于一种输电线路杆塔的气象预报数据处理装置的具体限定可以参见上文中对于一种输电线路杆塔的气象预报数据处理方法的限定，在此不再赘述。上述一种输电线路杆塔的气象预报数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储输电线路杆塔的气象预报数据处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现输电线路杆塔的气象预报数据处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
获取所述预设杆塔对应的输电线路气象监测数据；
采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
在一个实施例中，处理器执行计算机程序时还实现上述其他实施例中的输电线路杆塔的气象预报数据处理方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
获取所述预设杆塔对应的输电线路气象监测数据；
采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
在一个实施例中，计算机程序被处理器执行时还实现上述其他实施例中的输电线路杆塔的气象预报数据处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种输电线路杆塔的气象预报数据处理方法，其特征在于，所述方法包括：
获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
获取所述预设杆塔对应的输电线路气象监测数据；
采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
2.根据权利要求1所述的方法，其特征在于，所述获取基于气象预报模式的初始气象数据，包括：
获取预设时长条件对应的气象数据和地表静态数据；
确定所述气象预报模式的网格设置信息和参数化集合信息；
结合所述气象数据、所述地表静态数据、所述网格设置信息，以及所述参数化集合信息，生成所述初始气象数据。
3.根据权利要求1所述的方法，其特征在于，所述预设杆塔包括多个，所述初始气象数据包括多个格点气象数据，所述根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据，包括：
获取多个预设杆塔各自对应的杆塔坐标信息；
针对每一预设杆塔的杆塔坐标信息，根据每一格点气象数据对应的坐标信息进行插值处理，得到插值处理后的气象数据；所述插值处理后的气象数据包括多个杆塔坐标信息各自对应的格点气象数据；
基于所述插值处理后的气象数据得到所述预设杆塔的第一气象预报数据。
4.根据权利要求1所述的方法，其特征在于，所述输电线路气象监测数据与所述第一气象预报数据具有相同的时间信息，所述采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合，包括：
获取所述预设杆塔的杆塔特征信息；
根据所述时间信息和所述杆塔特征信息，采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型，包括：
采用所述训练数据集合对待训练的预报数据订正模型中原始参数信息进行参数优化，得到目标参数信息；
基于所述目标参数信息得到训练后的预报数据订正模型。
6.根据权利要求1所述的方法，其特征在于，所述预设杆塔包括第一子预设杆塔和第二子预设杆塔，在所述采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合的步骤之后，所述方法还包括：
根据所述第一气象预报数据和所述输电线路气象监测数据生成测试数据集合；其中，所述训练数据集合包括所述第一子预设杆塔对应的第二气象预报数据，所述测试数据集合包括所述第二子预设杆塔对应的第三气象预报数据。
7.根据权利要求6所述的方法，其特征在于，在所述采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型的步骤之后，所述方法还包括：
将所述第三气象预报数据输入所述训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的所述第三气象预报数据进行订正，得到所述第三气象预报数据的订正结果。
8.一种输电线路杆塔的气象预报数据处理装置，其特征在于，所述装置包括：
第一气象预报数据得到模块，用于获取基于气象预报模式的初始气象数据，并根据预设杆塔的杆塔坐标信息，对所述初始气象数据进行插值处理，得到所述预设杆塔的第一气象预报数据；
气象监测数据获取模块，用于获取所述预设杆塔对应的输电线路气象监测数据；
训练数据集合生成模块，用于采用所述第一气象预报数据和所述输电线路气象监测数据生成训练数据集合；
模型训练模块，用于采用所述训练数据集合对待训练的预报数据订正模型进行模型训练，得到训练后的预报数据订正模型；所述训练后的预报数据订正模型用于对输入的输电线路杆塔的气象预报数据进行订正。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的输电线路杆塔的气象预报数据处理方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的输电线路杆塔的气象预报数据处理方法的步骤。
CN202110521328.8A 2021-05-13 2021-05-13 输电线路杆塔的气象预报数据处理方法、装置、设备 Active CN113222019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110521328.8A CN113222019B (zh) 2021-05-13 2021-05-13 输电线路杆塔的气象预报数据处理方法、装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110521328.8A CN113222019B (zh) 2021-05-13 2021-05-13 输电线路杆塔的气象预报数据处理方法、装置、设备

Publications (2)

Publication Number Publication Date
CN113222019A true CN113222019A (zh) 2021-08-06
CN113222019B CN113222019B (zh) 2024-05-28

Family

ID=77095476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110521328.8A Active CN113222019B (zh) 2021-05-13 2021-05-13 输电线路杆塔的气象预报数据处理方法、装置、设备

Country Status (1)

Country Link
CN (1) CN113222019B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821895A (zh) * 2021-09-01 2021-12-21 南方电网科学研究院有限责任公司 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN114819501A (zh) * 2022-03-25 2022-07-29 云南省交通规划设计研究院有限公司 一种公路交通气象物联网多源异构数据处理方法和系统
CN115793104A (zh) * 2022-10-26 2023-03-14 国网山东省电力公司济南供电公司 一种电网杆塔呼称高度风速推测的方法和装置
CN116167509A (zh) * 2022-07-20 2023-05-26 中科三清科技有限公司 气温预测方法、装置、存储介质及电子设备
CN117290792A (zh) * 2023-11-14 2023-12-26 广东省气象服务中心(广东气象影视宣传中心) 一种基于机器学习的气压预报系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854055A (zh) * 2014-03-31 2014-06-11 南京工程学院 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型
CN104851051A (zh) * 2014-12-08 2015-08-19 国家电网公司 一种结合动态修正的电网区域暴雨量精细化预警方法
CN109416413A (zh) * 2016-05-11 2019-03-01 联邦科学和工业研究组织 太阳能预报
JP2019095323A (ja) * 2017-11-24 2019-06-20 株式会社日立製作所 気象予測装置
CN110390343A (zh) * 2018-04-16 2019-10-29 中国电力科学研究院有限公司 一种空间气象数据的订正方法及系统
CN111458769A (zh) * 2020-05-26 2020-07-28 南京大学 用于输电线路环境气象数据预测的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854055A (zh) * 2014-03-31 2014-06-11 南京工程学院 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型
CN104851051A (zh) * 2014-12-08 2015-08-19 国家电网公司 一种结合动态修正的电网区域暴雨量精细化预警方法
CN109416413A (zh) * 2016-05-11 2019-03-01 联邦科学和工业研究组织 太阳能预报
JP2019095323A (ja) * 2017-11-24 2019-06-20 株式会社日立製作所 気象予測装置
CN110390343A (zh) * 2018-04-16 2019-10-29 中国电力科学研究院有限公司 一种空间气象数据的订正方法及系统
CN111458769A (zh) * 2020-05-26 2020-07-28 南京大学 用于输电线路环境气象数据预测的方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821895A (zh) * 2021-09-01 2021-12-21 南方电网科学研究院有限责任公司 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN113821895B (zh) * 2021-09-01 2023-11-03 南方电网科学研究院有限责任公司 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN114819501A (zh) * 2022-03-25 2022-07-29 云南省交通规划设计研究院有限公司 一种公路交通气象物联网多源异构数据处理方法和系统
CN114819501B (zh) * 2022-03-25 2023-09-15 云南省交通规划设计研究院有限公司 一种公路交通气象物联网多源异构数据处理方法和系统
CN116167509A (zh) * 2022-07-20 2023-05-26 中科三清科技有限公司 气温预测方法、装置、存储介质及电子设备
CN116167509B (zh) * 2022-07-20 2023-09-29 中科三清科技有限公司 气温预测方法、装置、存储介质及电子设备
CN115793104A (zh) * 2022-10-26 2023-03-14 国网山东省电力公司济南供电公司 一种电网杆塔呼称高度风速推测的方法和装置
CN117290792A (zh) * 2023-11-14 2023-12-26 广东省气象服务中心(广东气象影视宣传中心) 一种基于机器学习的气压预报系统及方法
CN117290792B (zh) * 2023-11-14 2024-05-28 广东省气象服务中心(广东气象影视宣传中心) 一种基于机器学习的气压预报系统及方法

Also Published As

Publication number Publication date
CN113222019B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN113222019B (zh) 输电线路杆塔的气象预报数据处理方法、装置、设备
Nipen et al. Adopting citizen observations in operational weather prediction
Bhuiyan et al. A nonparametric statistical technique for combining global precipitation datasets: Development and hydrological evaluation over the Iberian Peninsula
CN110363327B (zh) 基于ConvLSTM和3D-CNN的短临降水预测方法
Dong et al. A novel hybrid approach based on self-organizing maps, support vector regression and particle swarm optimization to forecast solar irradiance
Li et al. Multi-site multivariate downscaling of global climate model outputs: an integrated framework combining quantile mapping, stochastic weather generator and Empirical Copula approaches
CN113344291B (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
CN112699959B (zh) 基于能量泛函模型的多源多尺度降水数据融合方法和装置
CN114091764A (zh) 气象预报要素订正方法、装置、计算机设备和存储介质
Sekertekin et al. Short-term air temperature prediction by adaptive neuro-fuzzy inference system (ANFIS) and long short-term memory (LSTM) network
CN112861072A (zh) 一种星地多源降水自适应动态融合方法
CN114819264A (zh) 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质
CN117233869A (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
Nnamchi et al. Development of solar isodose lines: Mercatorian and spatial guides for mapping solar installation areas
TWI717796B (zh) 以人工智慧估測地理位置日照量之系統、方法及儲存媒體
CN117421871A (zh) 海上风电潜力评估方法、装置和计算机设备
Saghafian et al. Backcasting long-term climate data: evaluation of hypothesis
de la Rosa et al. A novel inference method for local wind conditions using genetic fuzzy systems
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
Shah et al. A comparative study of spatial interpolation methods for CMIP6 monthly historical and future hydro-climatic datasets for Indian Region
Steyn Short-term stream flow forecasting and downstream gap infilling using machine learning techniques
Fan et al. A spatiotemporal-aware weighting scheme for improving climate model ensemble predictions
Amendola et al. A neural network ensemble downscaling system (SIBILLA) for seasonal forecasts over Italy: winter case studies
CN116167509B (zh) 气温预测方法、装置、存储介质及电子设备
Walsh et al. An Analog Method for Seasonal Forecasting in Northern High Latitudes

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
GR01 Patent grant
GR01 Patent grant