CN114118598A - 基于深度学习预测模型的电网雷电灾害预测方法及系统 - Google Patents
基于深度学习预测模型的电网雷电灾害预测方法及系统 Download PDFInfo
- Publication number
- CN114118598A CN114118598A CN202111453201.3A CN202111453201A CN114118598A CN 114118598 A CN114118598 A CN 114118598A CN 202111453201 A CN202111453201 A CN 202111453201A CN 114118598 A CN114118598 A CN 114118598A
- Authority
- CN
- China
- Prior art keywords
- lightning
- forecast
- power grid
- physical quantity
- deep learning
- 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 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000011282 treatment Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明提供一种基于深度学习预测模型的电网雷电灾害预测方法及系统,方法包括:获取监测区域的历史雷电观测资料,将开展标准化网格内电网周边的数值天气预报,并统计数值天气预报中的气象物理量;通过相关性分析获取与雷电相关性高的相关物理量,对相关物理量的物理量阈值做0、1化处理;利用超过一年时间的历史雷电观测资料建立雷电潜势预报的回归方程;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,得到预报模型。本实施例通过研判关键物理量,进而求总结雷电发生与关键物理量的对应关系,能保证在闪电密集时段准确地对标准化网格内电网周边进行电网雷电灾害预测,且可操作性强,更具有实用性。
Description
技术领域
本发明属于电网技术领域,尤其涉及一种基于深度学习预测模型的电网雷电灾害预测方法及系统。
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。
国内外雷电潜势预报的常用方法是筛选出与雷暴发生相关性较高的大气不稳定参数作为预报因子,在此基础上构建雷电发生的概率预报方程,并区分强雷暴与弱雷暴。国内外关于雷电潜势预报的方法已经做了大量的研究,大多使用了多元线性回归法、线性/非线性拟合方程、判别分析法、指标叠加法等数学统计方法来制作雷暴潜势预报建立预报的回归方程。因为不同的地理位置、气象条件、海拔高度都可能引起雷暴特征的差异,因此,对于不同地区建立适合本地区的区域性雷电潜势预报方程是仍值得进行的基础性研究。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。
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。因而迫切需要一种效率性更快的电网雷电灾害预测方法,支撑电网雷电灾害预估水平,提高电网应对雷电灾害的能力和安全稳定运行水平。
发明内容
本发明的主要目的是提出一种基于深度学习预测模型的电网雷电灾害预测方法,旨在解决现有技术中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的技术问题。
为了实现上述目的,本发明提供一种基于深度学习预测模型的电网雷电灾害预测方法,其中,所述方法包括:
步骤S1,获取监测区域的历史雷电观测资料,将所述监测区域网格划分为标准化网格,通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格;
步骤S2,开展所述标准化网格内电网周边的数值天气预报,并统计所述数值天气预报中的气象物理量;
步骤S3,通过相关性分析获取与雷电相关性高的相关物理量,对所述相关物理量的物理量阈值做0、1化处理;
步骤S4,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程;
步骤S5,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,得到预报模型;
步骤S6,基于当前雷电观测资料和所述预报模型预测电网雷电灾害。
在本发明实施例中,通过相关性公式获取与雷电相关性高的相关物理量:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差,r为与雷电的相关系数,r大于0表示正相关,r小于0表示负相关,r等于0表示不相关,r的绝对值越大表示相关性越高,其绝对值的最大值不超过1。
在本发明实施例中,根据所述相关性公式筛选出与雷电相关系数最高的7个相关物理量,所述相关物理量分别为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和500hPa温度差。
在本发明实施例中,根据以下阈值设定做0、1化处理:
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。
在本发明实施例中,在所述步骤S4中,对超过一年时间的所述历史雷电观测资料应用长短期记忆网络做时序数据的处理后,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程。
在本发明实施例中,在所述的步骤S4中,将所述雷电潜势预报的回归方程存入数据库,支持动态训练和更新。
在本发明实施例中,在所述步骤S2中,采用气象研究与预报建模系统开展所述标准化网格内电网周边的数值天气预报。
在本发明实施例中,所述步骤S6包括,基于当前雷电观测资料和所述预报模型预测3小时观测的闪电发生气候概率和3小时雷电概率指数。
本发明还提出一种基于深度学习预测模型的电网雷电灾害预测系统,所述系统包括:
数据采集模块,用于获取监测区域的历史雷电观测资料,将所述监测区域网格划分为标准化网格,通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格;
数据处理模块,用于开展所述标准化网格内电网周边的数值天气预报,并统计所述数值天气预报中的气象物理量;通过相关性分析获取与雷电相关性高的相关物理量,对所述相关物理量的物理量阈值做0、1化处理;利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程;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,得到预报模型;
雷电预警模块,用于基于当前雷电观测资料和所述预报模型预测电网雷电灾害。
在本发明实施例中,所述数据处理模块还用于通过相关性公式获取与雷电相关性高的相关物理量:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差,r为与雷电的相关系数,r大于0表示正相关,r小于0表示负相关,r等于0表示不相关,r的绝对值越大表示相关性越高,其绝对值的最大值不超过1。
通过上述技术方案,本发明实施例所提供的基于深度学习预测模型的电网雷电灾害预测方法具有如下的有益效果:
首先收集监测区域内电网自建或气象局的雷电定位等历史雷电观测资料;并将历史雷电观测资料标准化插值至3*3km的标准化网格,利用同一时期数值预报输出量计算各种与雷电相关的预报指数并统计在监测区域范围内不同物理量的影响权重,进而形成经验公式的回归方程。基于格点化数值预报结果来计算雷电潜势,同时针对得到的潜势预报结果,结合电网的实时雷电观测,进行相应的后订正,最终完成雷电潜势预报模型的建立。本发明基于深度学习的电网雷电灾害预报模型通过研判关键物理量,进而求总结雷电发生与关键物理量的对应关系,能基于电网雷电灾害进行深度学习和预测,并能保证在闪电密集时段准确地对标准化网格内电网周边进行电网雷电灾害预测,且无需测量获取电网相关信息,可操作性强,更具有实用性。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是根据本发明一实施例中基于深度学习预测模型的电网雷电灾害预测方法的流程示意图;
图2是利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程的观测图;
图3是利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程的预报图;
图4是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的预测图;
图5是监测区域中标准化网格内电网周边的3小时观测的闪电发生的气候概率;
图6是监测区域中标准化网格内电网周边的3小时雷电概率指数图。
具体实施方式
以下结合附图对本发明的具体实施例进行详细说明。应当理解的是,此处所描述的具体实施例仅用于说明和解释本发明,并不用于限制本发明。
下面参考附图描述根据本发明的基于深度学习预测模型的电网雷电灾害预测方法。
如图1所示,在本发明的实施例中,提供一种基于深度学习预测模型的电网雷电灾害预测方法,所述方法包括:
步骤S1,获取监测区域的历史雷电观测资料,将所述监测区域网格划分为标准化网格,通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格;
步骤S2,开展所述标准化网格内电网周边的数值天气预报,并统计所述数值天气预报中的气象物理量;
步骤S3,通过相关性分析获取与雷电相关性高的相关物理量,对所述相关物理量的物理量阈值做0、1化处理;
步骤S4,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程;
步骤S5,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,得到预报模型;
步骤S6,基于当前雷电观测资料和所述预报模型预测电网雷电灾害。
通过双线性插值方法,已知函数f在Q11=(x1,y1)、Q12=(x1,y2),Q21=(x2,y1)以及Q22=(x2,y2)四个点的值,以取周围四点插值为例,得到未知函数f在点P=(x,y)的值,首先在x方向进行线性插值,然后在y方向进行线性插值,进行两个变量的插值函数的线性插值扩展,在两个方向分别进行一次线性插值。
本实施例中,首先收集监测区域内电网自建或气象局的雷电定位等历史雷电观测资料;并将历史雷电观测资料标准化插值至3*3km的标准化网格,利用同一时期数值预报输出量计算各种与雷电相关的预报指数并统计在监测区域范围内不同物理量的影响权重,进而形成经验公式的回归方程。基于格点化数值预报结果来计算雷电潜势,同时针对得到的潜势预报结果,结合电网的实时雷电观测,进行相应的后订正,最终完成雷电潜势预报模型的建立。本实施例基于深度学习的电网雷电灾害预报模型通过研判关键物理量,进而求总结雷电发生与关键物理量的对应关系,能基于电网雷电灾害进行深度学习和预测,并能保证在闪电密集时段准确地对标准化网格内电网周边进行电网雷电灾害预测,且无需测量获取电网相关信息,可操作性强,更具有实用性。
在第一实施例的基础上,提出第二实施例,通过相关性公式获取与雷电相关性高的相关物理量:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差,r为与雷电的相关系数,r大于0表示正相关,r小于0表示负相关,r等于0表示不相关,r的绝对值越大表示相关性越高,其绝对值的最大值不超过1。本实施例中听过以上公式能快速计算得出与雷电相关性高的相关物理量,使得数据获取更加精确和快速,为预报模型提供精准的数据基础。
在第二实施例的基础上提出第三实施例,根据所述相关性公式筛选出与雷电相关系数最高的7个相关物理量,所述相关物理量分别为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和500hPa温度差。
本实施例中具体筛选出最高的7个相关物理量,并依据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和500hPa温度差,并利用超过一年的雷电观测数据形成回归方程,可有效预测雷电的发生。
在第三实施例的基础上提出第四实施例,根据以下阈值设定做0、1化处理:
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。本实施例中具体将与雷电相关系数最高的7个相关物理量进行0、1化处理,可方便后续数据处理,优化数据处理效率,提高电网雷电灾害预测的效率。
在一实施例中,在所述步骤S4中,对超过一年时间的所述历史雷电观测资料应用长短期记忆网络做时序数据的处理后,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程。本实施例中可在利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程之前,应用LSTM(长短期记忆网络)做时序数据的处理,可提高数据的有效性,优化有效数据所占权重。
在一实施例中,在所述的步骤S4中,将所述雷电潜势预报的回归方程存入数据库,支持动态训练和更新。本实施例中的基于深度学习预测模型的电网雷电灾害预测方法能在使用过程中不断动态训练和更新,使预报模型在使用一段时间后精确性越来越高。
在一实施例中,在所述步骤S2中,采用气象研究与预报建模系统开展所述标准化网格内电网周边的数值天气预报。采用气象研究与预报建模系统WRF(Weather ResearchForecast)预报电网周边的数值天气预报,能实现高分辨中尺度天气研究预报模型,使数值天气预报的数据更加精确。
在一实施例中,所述步骤S6包括,基于当前雷电观测资料和所述预报模型预测3小时观测的闪电发生气候概率和3小时雷电概率指数。如图2和图3所示,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程可得到图2中的观测图和图3中的预报图,在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,可得到图4中的预测图,基于当前雷电观测资料和所述预报模型,可得到图5中标准化网格3小时观测的闪电发生气候概率图以及图6中的标准化网格3小时雷电概率指数图,具体可通过不同颜色或者颜色深度代表发生概率的高度。
本发明还提出一种基于深度学习预测模型的电网雷电灾害预测系统,其特征在于,所述系统包括:
数据采集模块,用于获取监测区域的历史雷电观测资料,将所述监测区域网格划分为标准化网格,通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格;
数据处理模块,用于开展所述标准化网格内电网周边的数值天气预报,并统计所述数值天气预报中的气象物理量;通过相关性分析获取与雷电相关性高的相关物理量,对所述相关物理量的物理量阈值做0、1化处理;利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程;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,得到预报模型;
雷电预警模块,用于基于当前雷电观测资料和所述预报模型预测电网雷电灾害。
本实施例中,首先通过数据采集模块收集监测区域内电网自建或气象局的雷电定位等历史雷电观测资料;并将历史雷电观测资料标准化插值至3*3km的标准化网格,数据处理模块利用同一时期数值预报输出量计算各种与雷电相关的预报指数并统计在监测区域范围内不同物理量的影响权重,进而形成经验公式的回归方程。基于格点化数值预报结果来计算雷电潜势,同时针对得到的潜势预报结果,结合电网的实时雷电观测,进行相应的后订正,最终完成雷电潜势预报模型的建立,最后雷电预警模块基于当前雷电观测资料和所述预报模型预测电网雷电灾害;本实施例基于深度学习的电网雷电灾害预报模型通过研判关键物理量,进而求总结雷电发生与关键物理量的对应关系,能基于电网雷电灾害进行深度学习和预测,并能保证在闪电密集时段准确地对标准化网格内电网周边进行电网雷电灾害预测,且无需测量获取电网相关信息,可操作性强,更具有实用性。
在一实施例中,所述数据处理模块还用于通过相关性公式获取与雷电相关性高的相关物理量:
其中,Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差,r为与雷电的相关系数,r大于0表示正相关,r小于0表示负相关,r等于0表示不相关,r的绝对值越大表示相关性越高,其绝对值的最大值不超过1。本实施例中,具体通过以上相关性公式获取与雷电相关性高的相关物理量后,对所述相关物理量的物理量阈值做0、1化处理,可提高预报模型预测精确性。
在另一实施例中,基于深度学习预测模型的电网雷电灾害预测系统还包括展示模块,展示模块可根据图5中标准化网格3小时观测的闪电发生气候概率图以及图6中的标准化网格3小时雷电概率指数图进行数据化处理,得到更加直观的图表形式或者折线展示图。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接或彼此可通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,所述方法包括:
步骤S1,获取监测区域的历史雷电观测资料,将所述监测区域网格划分为标准化网格,通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格;
步骤S2,开展所述标准化网格内电网周边的数值天气预报,并统计所述数值天气预报中的气象物理量;
步骤S3,通过相关性分析获取与雷电相关性高的相关物理量,对所述相关物理量的物理量阈值做0、1化处理;
步骤S4,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程;
步骤S5,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,得到预报模型;
步骤S6,基于当前雷电观测资料和所述预报模型预测电网雷电灾害。
3.根据权利要求2所述的基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,根据所述相关性公式筛选出与雷电相关系数最高的7个相关物理量,所述相关物理量分别为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和500hPa温度差。
4.根据权利要求3所述的基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,根据以下阈值设定做0、1化处理:
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。
5.根据权利要求1所述的基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,在所述步骤S4中,对超过一年时间的所述历史雷电观测资料应用长短期记忆网络做时序数据的处理后,利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程。
6.根据权利要5所述的基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,在所述的步骤S4中,将所述雷电潜势预报的回归方程存入数据库,支持动态训练和更新。
7.根据权利要求1至6中任意一项所述的基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,在所述步骤S2中,采用气象研究与预报建模系统开展所述标准化网格内电网周边的数值天气预报。
8.根据权利要1至6中任意一项所述的基于深度学习预测模型的电网雷电灾害预测方法,其特征在于,所述步骤S6包括,基于当前雷电观测资料和所述预报模型预测3小时观测的闪电发生气候概率和3小时雷电概率指数。
9.一种基于深度学习预测模型的电网雷电灾害预测系统,其特征在于,所述系统包括:
数据采集模块,用于获取监测区域的历史雷电观测资料,将所述监测区域网格划分为标准化网格,通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格;
数据处理模块,用于开展所述标准化网格内电网周边的数值天气预报,并统计所述数值天气预报中的气象物理量;通过相关性分析获取与雷电相关性高的相关物理量,对所述相关物理量的物理量阈值做0、1化处理;利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程;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,得到预报模型;
雷电预警模块,用于基于当前雷电观测资料和所述预报模型预测电网雷电灾害。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453201.3A CN114118598A (zh) | 2021-12-01 | 2021-12-01 | 基于深度学习预测模型的电网雷电灾害预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453201.3A CN114118598A (zh) | 2021-12-01 | 2021-12-01 | 基于深度学习预测模型的电网雷电灾害预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118598A true CN114118598A (zh) | 2022-03-01 |
Family
ID=80369489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453201.3A Pending CN114118598A (zh) | 2021-12-01 | 2021-12-01 | 基于深度学习预测模型的电网雷电灾害预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118598A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077775A (zh) * | 2023-08-23 | 2023-11-17 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
-
2021
- 2021-12-01 CN CN202111453201.3A patent/CN114118598A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077775A (zh) * | 2023-08-23 | 2023-11-17 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
CN117077775B (zh) * | 2023-08-23 | 2024-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gouda et al. | Model selection for accurate daily global solar radiation prediction in China | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN102629294B (zh) | 台风引发输电线路故障的概率评估方法 | |
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
CN107330243B (zh) | 一种基于典型气象年的架空输电线路载流量计算方法 | |
CN111242404B (zh) | 一种强降雨诱发洪灾事件的极端性评估方法及系统 | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN104123682A (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
CN105046581B (zh) | 基于多参数风荷载的输电线路强风跳闸风险评估方法 | |
CN104597526A (zh) | 基于电网地理信息系统的气象干旱监测预警系统及方法 | |
CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
CN110632681B (zh) | 基于机器学习的电网午后雷阵雨的短临预警方法及系统 | |
Lou et al. | Assessment of economic losses from tropical cyclone disasters based on PCA-BP | |
CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN116756481B (zh) | 基于时变增益模型和Copula的流域未来水文干旱概率分析方法 | |
CN115808727A (zh) | 百米级阵风客观预报方法及装置 | |
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 | |
CN110619433B (zh) | 电网暴雨数值模式参数化方案的快速选择方法及系统 | |
CN107066689B (zh) | 一种输电线路风偏故障的气象风险预警方法 | |
CN115456248A (zh) | 基于卷积神经网络的落雷预测模型构建方法 | |
KR102134861B1 (ko) | 기후 정보 기반의 전기설비 열화 분석 시스템 및 방법 | |
CN117335411B (zh) | 一种光伏电站群的中长期发电量预测方法 | |
CN114609698A (zh) | 一种基于配料法思想和二分法的短时强降水概率预报方法 |
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 |