CN113705693A - 一种电网雷电预警方法、装置、记录媒体及系统 - Google Patents
一种电网雷电预警方法、装置、记录媒体及系统 Download PDFInfo
- Publication number
- CN113705693A CN113705693A CN202111010348.5A CN202111010348A CN113705693A CN 113705693 A CN113705693 A CN 113705693A CN 202111010348 A CN202111010348 A CN 202111010348A CN 113705693 A CN113705693 A CN 113705693A
- Authority
- CN
- China
- Prior art keywords
- current
- historical
- early warning
- centroid
- clustering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013213 extrapolation Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G01R29/12—Measuring electrostatic fields or voltage-potential
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
本发明涉及雷电预警技术领域,公开了一种电网雷电预警方法,包括下述步骤:构建K‑Means算法,根据获取的雷电当前坐标数据以及历史坐标数据分别计算当前聚类中心点以及历史聚类中心点,输出当前聚类结果以及历史聚类结果;根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并据此对雷电进行预警。本发明通过对雷暴数据进行获取,采用K‑Means算法聚类分析雷暴云团质心,计算雷暴云区的运动轨迹,外推分析能实现预测下一时刻雷电发生位置和数量,划分危险程度等级,可实现对小范围内区域预警。本发明还提供了一种包括存储有上述方法程序的非暂态可读记录媒体及处理电路构成的系统,通过处理电路可以调用该程序,以执行上述方法,完成对电网雷电预警。
Description
技术领域
本发明涉及雷电预警技术领域,具体公开了一种电网雷电预警方法、装置、记录媒体及系统。
背景技术
雷电是自然界中重要的大气现象之一,它在强对流天气中的长距离放电过程伴有高温、高电压、强电流、强摇射及冲击波等物理效应和现象,在瞬间能够产生巨大的破坏力,会造成不同程度的雷电灾害。其主要的危害有两种形式:直击雷是带电云层与地面上某点之间发生剧烈的放电现象;另外就是感应雷:当雷击发生后,静电感应作用会使地面某范围内帯上异种电荷,而地面由于散流电阻较大出现局部髙电压或者由于放电过程中强大的脉冲电流对四周的导体产生电磁感应,并伴随传导效应向周围扩散。
大气电场仪可以实时反映雷雨云的基本活动情况,但缺乏直观性,却无法准确知道雷电运动方向和趋势,也无法确定雷电点具体位置,若单一地依据大气电场仪监测数据,会造成较高的误报率,所以,亟需一种电网雷电预警方法,能够降低预测空间预警误差,提高对雷电预警监测的准确率。
发明内容
针对现有技术的不足,本发明提供了一种电网雷电预警方法,包括以下步骤;
S1,获取当前时次雷暴的当前坐标数据以及前一时次雷暴的历史坐标数据;
S2,根据所述当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对所述当前聚类中心点以及历史聚类中心点进行计算,输出当前聚类结果以及历史聚类结果;
S3,根据所述当前聚类结果以及历史聚类结果计算各簇中心移矢量,并依据该各簇中心移矢量对雷电进行预警。
优选的,所述步骤S1中还包括以下步骤:设置预设监测区域,并对所述预设监测区域进行格点划分,这种做法保证了后续设定的地理坐标与直角坐标的准确性。
优选的,还包括设定地理坐标与直角坐标之间的转化关系,根据所述转化关系将所述当前坐标数据以及历史坐标数据转化为当前直角坐标以及历史直角坐标。
将将地理坐标数据转化为直角坐标数据,便于后续的聚类操作。
优选的,所述步骤S2中还包括以下步骤:设置K-Means算法的初始阈值,根据所述初始阈值在所述当前直角坐标以及历史直角坐标中分别标记出待选种子点,生成待选种子矩阵,确定当前初始聚类中心点以及历史初始聚类中心点。
通过所述初始阈值进行标记,便于后续将当前数据与历史数据进行比较。
优选的,所述步骤S2中还包括以下步骤:通过欧式距离公式计算雷暴与所述种子点之间的距离,计算聚类集群的质心,并获取所述聚类集群的原始质心,将所述质心与原始质心进行比较,当所述质心与原始质心不相同时,则根据所述质心重新进行聚类;当所述质心与原始质心相同时,输出当前所述质心对应的当前聚类结果以及历史聚类结果。
利用K-Means算法的聚类原理,将当前数据的聚类结果与历史数据的聚类效果区分开。
优选的,所述步骤S3中还包括以下步骤,根据所述簇中心移矢量,采用最小二乘法对历史聚类结果的质心移动路径进行拟合,外推下一时刻的雷暴位置和数量进行预测,并根据所述质心的变化对下一时刻雷电的发生位置进行预测。
利用最小二乘法进行拟合,实现了预测结果的最小误差,保证了预测的准确性。
优选的,还包括以下步骤:根据历史时间段和当时时间段内所述质心的变化情况获取对应的线性回归方程,根据所述线性回归方程对下一时刻雷暴质心移动的速度和方向进行预测。
通过描写所述质心的变化情况所对应的坐标点,绘制对应的线性回归方程,分析自变量与因变量的关系,从而对质心移动的速度和方向进行预测。
本发明还提供一种电网雷电预警装置,包括:
获取模块,用于获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据;
聚类输出模块,用于构建K-Means算法,根据当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对前聚类中心点以及历史聚类中心点进行计算,并输出当前聚类结果以及历史聚类结果;
预警模块,用于根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并根据该各簇中心移矢量对雷电进行预警;
所述获取模块、聚类输出模块和预警模块通信连接,能执行权利要求1中所述S1-S3步骤。
本发明的另一方案为一种非暂态可读记录媒体,用以存储包含多个指令的一个或多个程序,所述程序被处理器执行时实现上述电网雷电预警方法的步骤。
本发明的又一方案为一种电网雷电预警系统,包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被处理器执行时实现上述电网雷电预警方法的步骤。
与现有技术相比,本发明具备以下有益效果:
(1)本申请设置预设监测区域,并对所述预设监测区域进行格点划分,主要是对小范围的区域进行预测,保证了设定的地理坐标与直角坐标的准确性,由于采用地理位置的数据进行分析过于困难,同时也存在不够直观的问题,根据所述转化关系将所述当前坐标数据以及历史坐标数据转化为当前直角坐标以及历史直角坐标,将地理坐标数据转化为直角坐标数据,便于后续的聚类操作,同时在坐标轴上观测数据更加直观;
(2)本发明利用K-Means算法的聚类原理,将当前数据的聚类结果与历史数据的聚类效果区分开,由于先前通过所述初始阈值进行标记,便于后续将当前数据与历史数据进行比较,避免了在聚类完成后无法识别数据的问题;
(3)本发明利用最小二乘法进行拟合,将预测值与实际值尽可能地贴近拟合,实现了预测结果的最小误差,保证了预测的准确性,同时通过描写所述质心的变化情况所对应的坐标点,绘制对应的线性回归方程,分析自变量与因变量的关系,从而对质心移动的速度和方向进行预测,进一步地降低预测空间预警误差,提高对雷电预警监测的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备的结构示意图;
图2为本发明实施例的程序运行流程示意图;
图3为本发明实施例的功能模块示意图;
图中10.获取模块;20.聚类输出模块;30.预警模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,该设备可以包括:处理器1001,例如中央处理器(Central ProcessingUnit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对设备的限定,在实际应用中设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电网雷电预警方法程序。
在图1所示的设备中,网络接口1004主要用于建立设备与存储电网雷电预警方法系统中所需的所有数据的服务器的通信连接;用户接口1003主要用于与用户进行数据交互;本发明电网雷电预警方法设备中的处理器1001、存储器1005可以设置在电网雷电预警方法设备中,所述电网雷电预警方法设备通过处理器1001调用存储器1005中存储的电网雷电预警方法程序,并执行本发明实施提供的电网雷电预警方法。
结合图2,图2为本发明电网雷电预警方法第一实施例的流程示意图。
本实施例中,所述电网雷电预警方法包括以下步骤:
S10:获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据。
应当理解的是,本实施中系统首先会获取预设监测区域,并对该预设监测区域进行格点划分,当检测到预设监测区域发生雷暴时,获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据。
应当理解的是,系统还会设定地理坐标与直角坐标之间的转化关系,根据该转化关系将当前坐标数据以及历史坐标数据转化为当前直角坐标以及历史直角坐标。
应当理解的是,对监测区域的格点划分不仅有利于格点内闪电密度的量化,同时也有利于预报的精细化。格点分辨率为10km*10km。选取这种分辨率是根据普通单体雷暴的水平尺度来定的。雷暴单体在塔状积云阶段水平尺度在5~8km,成熟阶段8~11km,消散阶段8~16km。因此,10km*10km的格点分辨率选择是合理的。
应当理解的是,在读取了闪电数据后,要将每个闪电的坐标都从地理坐标转换为直角坐标(x,y)。正右方为X轴的正方向,正上方为y的正方向。采用一种线性近似,即0.01°对应1km。送样就可把闪电从地理坐标转换为直角坐标,闪电聚类中也的计算时会用到直角坐标系。通过闪电经绅度是否在某个网格点的范围巧来确定巧电的格点标识,即确定巧电在哪个格点内。
S20:构建K-Means算法,根据当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对前聚类中心点以及历史聚类中心点进行计算,并输出当前聚类结果以及历史聚类结果。
应当理解的是,之后系统会构建K-Means算法,设定初始阈值,根据该初始阈值在当前直角坐标以及历史直角坐标中标记出待选种子点,根据该待选种子点生成待选种子矩阵,将该待选种子矩阵作为初始聚类中心,所述初始聚类中心包括:当前初始聚类中心点以及历史初始聚类中心点,通过K-Means算法对该初始聚类中心进行计算,并输出当前聚类结果以及历史聚类结果。
应当理解的是,之后即通过欧式距离公式计算雷暴与种子之间的距离,根据该距离计算聚类集群的质心,并获取该聚类集群的原始质心,将该质心与原始质心进行比较,当质心与原始质心不相同时,则根据该质心重新进行聚类;当质心与原始质心相同时,输出当前质心对应的聚类结果,所述聚类结果包括:当前聚类结果以及历史聚类结果。
应当理解的是,根据K-Means算法的工作过程,首先要从n个数据对象任意选择k个对象作为初始聚类中心。在对闪电数据进行聚类时,不是任意选取k个闪电作为初始聚类中心,而是选择格点闪电密度达到特定阀值的点作为闪电巧始聚类中心。将这K个初始聚类中心点称为种子点,则通过此算法的筛选将得到由送K个种子点聚类出来的K个闪电集群。
S30:根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并根据该各簇中心移矢量对雷电进行预警。
应当理解的是,之后系统会根据当前聚类结果以及历史聚类结果计算各簇中心移动的速度和方向,采用最小二乘法对历史聚类结果质心的移动路径进行拟合,通过外推对下一时刻的雷暴位置和数量进行预测,并根据聚类结果质心的变化对下一时刻雷电的发生位置进行预测。
应当理解的是,最后系统会通过外推对下一时刻的雷暴位置和数量进行预测,根据历史时间段和当时时间段内质心的变化情况获取对应的线性回归方程,根据该线性回归方程对下一时刻雷暴质心移动的速度和方向进行预测。
需要说明的是,以上仅为举例说明,并不对本申请的技术方案构成任何限定。
通过上述描述不难发现,本实施例通过获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据;构建K-Means算法,根据当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对前聚类中心点以及历史聚类中心点进行计算,并输出当前聚类结果以及历史聚类结果;根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并根据该各簇中心移矢量对雷电进行预警。本实施例通过对雷暴数据进行获取,采用K-Means算法聚类分析雷暴云团质心,计算雷暴云区的运动轨迹,外推分析能实现预测下一时刻雷电发生位置和数量的预测,根据预测雷暴数量划分危险程度等级,可实现对小范围内区域预警,提高雷暴预警的精确度。
此外,本发明实施例还提出一种电网雷电预警装置。如图3所示,该电网雷电预警装置包括:获取模块10、聚类输出模块20、预警模块30。
获取模块10,用于获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据;
聚类输出模块20,用于构建K-Means算法,根据当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对前聚类中心点以及历史聚类中心点进行计算,并输出当前聚类结果以及历史聚类结果;
预警模块30,用于根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并根据该各簇中心移矢量对雷电进行预警。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的电网雷电预警方法,此处不再赘述。
此外,本发明实施例还提出一种非暂态可读记录媒体,该媒体上存储有电网雷电预警方法程序,所述电网雷电预警方法程序被处理器执行时实现如下操作:
S1,获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据;
S2,构建K-Means算法,根据当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对前聚类中心点以及历史聚类中心点进行计算,并输出当前聚类结果以及历史聚类结果;
S3,根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并根据该各簇中心移矢量对雷电进行预警。
进一步地,所述电网雷电预警方法程序被处理器执行时还实现如下操作:
获取预设监测区域,并对该预设监测区域进行格点划分,当检测到预设监测区域发生雷暴时,获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据。
进一步地,所述电网雷电预警方法程序被处理器执行时还实现如下操作:
设定地理坐标与直角坐标之间的转化关系,根据该转化关系将当前坐标数据以及历史坐标数据转化为当前直角坐标以及历史直角坐标。
进一步地,所述电网雷电预警方法程序被处理器执行时还实现如下操作:
构建K-Means算法,设定初始阈值,根据该初始阈值在当前直角坐标以及历史直角坐标中标记出待选种子点,根据该待选种子点生成待选种子矩阵,将该待选种子矩阵作为初始聚类中心,所述初始聚类中心包括:当前初始聚类中心点以及历史初始聚类中心点,通过K-Means算法对该初始聚类中心进行计算,并输出当前聚类结果以及历史聚类结果。
进一步地,所述电网雷电预警方法程序被处理器执行时还实现如下操作:
通过欧式距离公式计算雷暴与种子之间的距离,根据该距离计算聚类集群的质心,并获取该聚类集群的原始质心,将该质心与原始质心进行比较,当质心与原始质心不相同时,则根据该质心重新进行聚类;当质心与原始质心相同时,输出当前质心对应的聚类结果,所述聚类结果包括:当前聚类结果以及历史聚类结果。
进一步地,所述电网雷电预警方法程序被处理器执行时还实现如下操作:
根据当前聚类结果以及历史聚类结果计算各簇中心移动的速度和方向,采用最小二乘法对历史聚类结果质心的移动路径进行拟合,通过外推对下一时刻的雷暴位置和数量进行预测,并根据聚类结果质心的变化对下一时刻雷电的发生位置进行预测。
进一步地,所述电网雷电预警方法程序被处理器执行时还实现如下操作:
通过外推对下一时刻的雷暴位置和数量进行预测,根据历史时间段和当时时间段内质心的变化情况获取对应的线性回归方程,根据该线性回归方程对下一时刻雷暴质心移动的速度和方向进行预测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电网雷电预警方法,其特征在于包括以下步骤;
S1,获取当前时次雷暴的当前坐标数据以及前一时次雷暴的历史坐标数据;
S2,根据所述当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对所述当前聚类中心点以及历史聚类中心点进行计算,输出当前聚类结果以及历史聚类结果;
S3,根据所述当前聚类结果以及历史聚类结果计算各簇中心移矢量,并依据该各簇中心移矢量对雷电进行预警。
2.如权利要求1所述的一种电网雷电预警方法,其特征在于,所述步骤S1中还包括以下步骤:设置预设监测区域,并对所述预设监测区域进行格点划分。
3.如权利要求2所述的一种电网雷电预警方法,其特征在于,还包括设定地理坐标与直角坐标之间的转化关系,根据所述转化关系将所述当前坐标数据以及历史坐标数据转化为当前直角坐标以及历史直角坐标。
4.如权利要求3所述的一种电网雷电预警方法,其特征在于,所述步骤S2中还包括以下步骤:设置K-Means算法的初始阈值,根据所述初始阈值在所述当前直角坐标以及历史直角坐标中分别标记出待选种子点,生成待选种子矩阵,确定当前初始聚类中心点以及历史初始聚类中心点。
5.如权利要求4所述的一种电网雷电预警方法,其特征在于,所述步骤S2中还包括以下步骤:通过欧式距离公式计算雷暴与所述种子点之间的距离,计算聚类集群的质心,并获取所述聚类集群的原始质心,将所述质心与原始质心进行比较,当所述质心与原始质心不相同时,则根据所述质心重新进行聚类;当所述质心与原始质心相同时,输出当前所述质心对应的当前聚类结果以及历史聚类结果。
6.如权利要求5所述的一种电网雷电预警方法,其特征在于,所述步骤S3中还包括以下步骤,根据所述簇中心移矢量,采用最小二乘法对历史聚类结果的质心移动路径进行拟合,外推下一时刻的雷暴位置和数量进行预测,并根据所述质心的变化对下一时刻雷电的发生位置进行预测。
7.如权利要求6所述的一种电网雷电预警方法,其特征在于,还包括以下步骤:根据历史时间段和当时时间段内所述质心的变化情况获取对应的线性回归方程,根据所述线性回归方程对下一时刻雷暴质心移动的速度和方向进行预测。
8.一种电网雷电预警装置,其特征在于,所述电网雷电预警装置包括:
获取模块,用于获取当前时次的当前雷暴当前坐标数据以及前一时次的历史雷暴坐标数据;
聚类输出模块,用于构建K-Means算法,根据当前坐标数据以及历史坐标数据分别获取当前聚类中心点以及历史聚类中心点,通过K-Means算法对当前聚类中心点以及历史聚类中心点进行计算,并输出当前聚类结果以及历史聚类结果;
预警模块,用于根据当前聚类结果以及历史聚类结果计算各簇中心移矢量,并根据该各簇中心移矢量对雷电进行预警;
所述获取模块、聚类输出模块和预警模块通信连接,能执行权利要求1中所述S1-S3步骤。
9.一种非暂态可读记录媒体,用以存储包含多个指令的一个或多个程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的电网雷电预警方法的步骤。
10.一种电网雷电预警系统,其特征在于,所述设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的电网雷电预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010348.5A CN113705693A (zh) | 2021-08-31 | 2021-08-31 | 一种电网雷电预警方法、装置、记录媒体及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010348.5A CN113705693A (zh) | 2021-08-31 | 2021-08-31 | 一种电网雷电预警方法、装置、记录媒体及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705693A true CN113705693A (zh) | 2021-11-26 |
Family
ID=78657686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111010348.5A Pending CN113705693A (zh) | 2021-08-31 | 2021-08-31 | 一种电网雷电预警方法、装置、记录媒体及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705693A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116741012A (zh) * | 2023-08-14 | 2023-09-12 | 河北省气象行政技术服务中心 | 模拟雷电生成及处理方法、装置、电子设备及存储介质 |
CN117435947A (zh) * | 2023-12-20 | 2024-01-23 | 山东和兑智能科技有限公司 | 一种避雷器状态监测系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253426A (zh) * | 2011-04-29 | 2011-11-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 采用空间密度聚类进行雷电运动预测的方法 |
CN109061774A (zh) * | 2018-06-26 | 2018-12-21 | 合肥佳讯科技有限公司 | 一种雷暴核关联性处理方法 |
CN109738970A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司电力科学研究院 | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 |
-
2021
- 2021-08-31 CN CN202111010348.5A patent/CN113705693A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253426A (zh) * | 2011-04-29 | 2011-11-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 采用空间密度聚类进行雷电运动预测的方法 |
CN109061774A (zh) * | 2018-06-26 | 2018-12-21 | 合肥佳讯科技有限公司 | 一种雷暴核关联性处理方法 |
CN109738970A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司电力科学研究院 | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116741012A (zh) * | 2023-08-14 | 2023-09-12 | 河北省气象行政技术服务中心 | 模拟雷电生成及处理方法、装置、电子设备及存储介质 |
CN116741012B (zh) * | 2023-08-14 | 2023-10-27 | 河北省气象行政技术服务中心 | 模拟雷电生成及处理方法、装置、电子设备及存储介质 |
CN117435947A (zh) * | 2023-12-20 | 2024-01-23 | 山东和兑智能科技有限公司 | 一种避雷器状态监测系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427041B (zh) | 雷电预警方法、系统、电子设备和存储介质 | |
CN110417611B (zh) | 识别数据存储网络中的延迟贡献者的方法、介质和系统 | |
CN108268597B (zh) | 一种动目标活动概率图谱构建及行为意图识别方法 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
CN113705693A (zh) | 一种电网雷电预警方法、装置、记录媒体及系统 | |
CN111033318A (zh) | 当地气象预测 | |
CN113769519A (zh) | 一种建筑工地的智能降尘控制方法及系统 | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
US8670782B2 (en) | Systems and methods for analyzing spatiotemporally ambiguous events | |
KR101575847B1 (ko) | 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법 | |
US20230024680A1 (en) | Method of determining regional land usage property, electronic device, and storage medium | |
CN110348508A (zh) | 检验异常值的数据核验方法及其系统、电子设备 | |
CN110705759A (zh) | 水位预警监控方法、装置、存储介质及电子设备 | |
CN115372877B (zh) | 基于无人机的变电站的避雷器泄露电流表计巡检方法 | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
JP6627842B2 (ja) | 情報処理装置、リスク予測方法、およびプログラム | |
CN115782105A (zh) | 一种注塑生产管理方法、系统、计算机设备及存储介质 | |
KR102489376B1 (ko) | 실시간 강우패턴 반응형 집중호우 예측시스템 | |
Murru et al. | Real time earthquake forecasting in Italy | |
CN116227929A (zh) | 通信数据的分析方法、装置、设备及存储介质 | |
CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
CN114360735A (zh) | 传染病时空聚集性探测分析方法、系统及电子设备 | |
CN112162336A (zh) | 基于二维气象要素场的能见度预测方法和装置 |
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 |