CN114154721A - 用于确定舞动预测结果的方法、系统、处理器及存储介质 - Google Patents

用于确定舞动预测结果的方法、系统、处理器及存储介质 Download PDF

Info

Publication number
CN114154721A
CN114154721A CN202111468850.0A CN202111468850A CN114154721A CN 114154721 A CN114154721 A CN 114154721A CN 202111468850 A CN202111468850 A CN 202111468850A CN 114154721 A CN114154721 A CN 114154721A
Authority
CN
China
Prior art keywords
database
micro
meteorological
terrain
data
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
CN202111468850.0A
Other languages
English (en)
Inventor
李丽
简洲
徐勋建
郭俊
冯涛
叶钰
易宇声
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111468850.0A priority Critical patent/CN114154721A/zh
Publication of CN114154721A publication Critical patent/CN114154721A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电网领域，公开了一种用于确定舞动预测结果的方法、系统、处理器及存储介质，该用于确定舞动预测结果的方法包括：获取待预测区域当天的中尺度气象预测结果；将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势；将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据；将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据；将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。本发明可以实现微地形区域的舞动结果的快速预测。

Description

用于确定舞动预测结果的方法、系统、处理器及存储介质
技术领域
本发明涉及电网领域，具体地涉及一种用于确定舞动预测结果的方法、系统、处理器及存储介质。
背景技术
覆冰输电线路在大风条件下极易发生舞动，舞动易造成线路跳闸、金具损坏、甚至倒塔断线。微地形是指与大尺度地形(例如几千米尺度)差异较大的局部小尺度地形(例如，几百米以内)，由于微地形舞动多发生在线路一档或数档之间，最小尺度仅几十米，而微地形区域的风速、温度受地形影响，故其微地形舞动预测结果与大尺度区域的舞动预测结果差异很大。因此，需要开展微地形区域舞动预测计算，其中小尺度大涡模式是开展微地形区域计算的最常用模式之一，大涡模式可以很好地处理小尺度地表非均匀性，分辨率在1-30米，可以给出更加符合实际的地表气象条件，但是大涡模式每次只能模拟计算1-3km左右范围区域，且对计算机速度和内存等硬件条件要求很高，如果每次预测计算中都对所有微地形区域开展大涡模拟，对计算平台要求非常高，其计算速度很难满足预测业务需求。因此，如何实现微地形区域的舞动结果的快速预测是亟待解决的问题。
发明内容
本发明实施例的目的是提供一种用于确定舞动预测结果的方法、系统、处理器及存储介质，以实现微地形区域的舞动结果的快速预测。
为了实现上述目的，本发明第一方面提供一种用于确定舞动预测结果的方法，方法包括：
获取待预测区域当天的中尺度气象预测结果；
将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势；
将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据；
将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据；
将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。
在本发明实施例中，环流形势数据库的得到包括：获取待预测区域在预设时间区间内的历史环流形势数据；对历史环流形势数据进行聚类分析，以得到环流形势数据库。
在本发明实施例中，对历史环流形势数据进行聚类分析，以得到环流形势数据库，包括：确定历史环流形势数据之间的距离；将距离小于或等于第一预设阈值的历史环流形势数据划分至相同的类；确定各个类之间的距离；在类之间的距离小于或等于第二预设阈值的情况下，将类合并，直至类之间的距离大于第二预设阈值。
在本发明实施例中，确定各个类之间的距离，包括：确定各个类的历史环流形势数据的平均值；确定各个平均值之间的距离，以得到各个类之间的距离。
在本发明实施例中，微地形气象数据库的得到包括：获取待预测区域的微地形的类型；基于中尺度气象模式和大涡模式，根据类型和历史环流形势数据，得到微地形气象数据库。
在本发明实施例中，线路覆冰数据库的得到包括：通过气候仿真实验和/或覆冰增长模型，根据微地形气象数据库得到线路覆冰数据库。
在本发明实施例中，线路舞动振幅数据库的得到包括：通过舞动仿真平台的舞动振幅预测仿真实验，根据微地形气象数据库、线路覆冰数据库以及输电线路的线路特征，得到线路舞动振幅数据库。
本发明第二方面提供一种处理器，被配置成执行根据上述的用于确定舞动预测结果的方法。
本发明第三方面提供一种用于确定舞动预测结果的系统，包括：根据上述的处理器。
本发明第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器执行根据上述的用于确定舞动预测结果的方法。
上述技术方案，通过获取待预测区域当天的中尺度气象预测结果，并将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势，从而将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据，进一步将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据，将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。上述方案通过事先建立环流形势数据库、微地形气象数据库、线路覆冰数据库以及线路舞动振幅数据库，在需要得到舞动预测结果的时候，根据待预测区域当天的中尺度气象预测结果和上述数据库，可以得到待预测区域的微地形的输电线路的舞动预测结果，避免了实时计算所需的时间，提高了预测效率，实现了微地形区域的舞动结果的快速预测。
本发明实施例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实施例的进一步理解，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实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了本发明一实施例中用于确定舞动预测结果的方法的流程示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了本发明一实施例中用于确定舞动预测结果的方法的流程示意图。如图1所示，在本发明实施例中，提供了一种用于确定舞动预测结果的方法，以该方法应用于处理器为例进行说明，该方法可以包括以下步骤：
步骤S102，获取待预测区域当天的中尺度气象预测结果。
可以理解，中尺度气象即中尺度气候，是指水平尺度几十公里至几百公里，时间尺度几小时到几十小时的气候现象，按其性质分为中尺度对流气候和中尺度稳定性气候。其中，中尺度对流气候包括雷暴、短时强降水、冰雹、雷暴大风、龙卷以及下击暴流等，它是在一定的大尺度环流背景中，由各种物理条件相互作用形成的中尺度气候系统造成的。中尺度对流气候主观分析，是利用各种高空和地面观测资料、雷达和卫星等遥感探测资料、数值分析预报产品等资料，分析产生中尺度对流气候的中尺度对流系统及其发生发展的环境场条件。中尺度气象预测结果即天气预报。
待预测区域为需要得到输电线路的舞动预测结果的区域或范围。
具体地，处理器可以获取待预测区域当天的中尺度气象预测结果，即获取当天的关于该待预测区域的天气预报，具体可以通过用户输入得到或者气象预测平台发送得到。
步骤S104，将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势。
可以理解，未来预设时间段为未来的某一时间段，例如未来三天或者未来五天。环流形势数据库为预先建立的关于环流形势的历史数据库。环流形势是多个环流因子的综合特征，大气环流是指世界规模的大气运动状况，主要包括长波和超长波槽脊、行星锋区和急流、阻塞高压、极涡、副高等行星尺的天气系统。大气环流的基本状态，即通常所谓的天气系统，是各种天气过程发生的环流背景，在具有一定特征的环流形势下，产生一定类型的天气系统，盛行特定的天气过程，并出现相应的天气状况。因此吗，天气预报须从分析环流形势入手，以环流形势的预报为基础。
具体地，处理器可以将待预测区域当天的中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段(例如，未来三天)内的环流形势，也就是说根据当天的天气预报结果和环流形势数据库，确定未来某一时间段的环流形势的种类。
步骤S106，将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据。
可以理解，微地形气象数据库为预先建立的包括了各种微地形的气象特征的历史数据库。气象数据即气象特征，气象数据可以包括但不限于温度、风速、风向以及湿度等特征数据。
具体地，处理器可以将待预测区域在未来预设时间段内的环流形势、待预测区域当天的中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以得到待预测区域的微地形的气象数据。
步骤S108，将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据。
可以理解，线路覆冰数据库为预先建立的关于输电线路的覆冰厚度和形状的历史数据库。覆冰数据可以包括但不限于覆冰厚度和形状等。
具体地，处理器可以将待预测区域的微地形的气象数据与预存储的线路覆冰数据库进行匹配，以确定待预测区域的微地形的覆冰数据。
步骤S110，将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。
可以理解，输电线路的线路特征为预先固定设置并存储的线路结构等数据。线路舞动振幅数据库为预先建立的关于输电线路的舞动振幅的历史数据库。舞动预测结果为输电线路的舞动振幅的预测结果。
具体地，处理器可以将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。
上述用于确定舞动预测结果的方法，通过获取待预测区域当天的中尺度气象预测结果，并将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势，从而将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据，进一步将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据，将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。上述方案通过事先建立环流形势数据库、微地形气象数据库、线路覆冰数据库以及线路舞动振幅数据库，在需要得到舞动预测结果的时候，根据待预测区域当天的中尺度气象预测结果和上述数据库，可以得到待预测区域的微地形的输电线路的舞动预测结果，避免了实时计算所需的时间，提高了预测效率，实现了微地形区域的舞动结果的快速预测。
在一个实施例中，环流形势数据库的得到包括：获取待预测区域在预设时间区间内的历史环流形势数据；对历史环流形势数据进行聚类分析，以得到环流形势数据库。
可以理解，预设时间区间为过去的某一段时间的冬季，例如过去五年的冬季，冬季例如可以是第一年的11月至第二年的3月。
具体地，处理器可以获取待预测区域在预设时间区间(例如，过去十年的冬季)内的历史环流形势数据，进而利用聚类分析方法，对历史环流形势数据进行聚类分析，划分典型天气形势类型，以得到环流形势数据库。
在一个实施例中，对历史环流形势数据进行聚类分析，以得到环流形势数据库，包括：确定历史环流形势数据之间的距离；将距离小于或等于第一预设阈值的历史环流形势数据划分至相同的类；确定各个类之间的距离；在类之间的距离小于或等于第二预设阈值的情况下，将类合并，直至类之间的距离大于第二预设阈值。
可以理解，聚类分析方法是对不同的样本进行数字分类，定量确定样本间的亲疏关系，划分不同类型。第一预设阈值为各个历史环流形势数据之间的距离基准，若两个历史环流形势数据之间的距离小于或等于该第一预设阈值，则可以将该两个历史环流形势数据划分至一个类，否则分成不同的类。第二预设阈值为各个类之间的距离基准，若两个类之间的距离小于或等于该第二预设阈值，则可以将该类合并成一个新类，否则还是两个不同的类。
具体地，先将待预测区域近十年逐天的冬季环流形势数据各自看成一类，以11月1日-3月31日是冬季为例，近十年冬季共1510个样本，共有1510类；然后规定样本之间的距离和类与类之间的距离，选择距离最小的并成一个新类，计算新类与其他类的距离，再将距离近的两类合并，重复直至每类之间的距离大于设定的类与类之间的距离，聚类完成，共将1510个样本分成k类：B＝{b1,b2...,bk},其中bx表示每个典型环流形势数据。
在一个实施例中，确定各个类之间的距离，包括：确定各个类的历史环流形势数据的平均值；确定各个平均值之间的距离，以得到各个类之间的距离。
具体地，在需要计算各个类之间的距离的时候，可以先确定各个类中的历史环流形势数据的平均值，进而确定各个平均值的之间的距离，从而得到各个类之间的距离。
在一个实施例中，微地形气象数据库的得到包括：获取待预测区域的微地形的类型；基于中尺度气象模式和大涡模式，根据类型和历史环流形势数据，得到微地形气象数据库。
可以理解，各个微地形的类型可以包括但不限于垭口、峡谷、高山、独立山丘、迎风坡、水体等。中尺度气象模式和大涡模式，即WRF-LES耦合模型，WRF-LES耦合模型可以采用6层嵌套，中尺度模式采用三层嵌套，中尺度区域内部设计三个小尺度模拟区域为大涡模拟。中尺度气象模式(WRF)可以抓住中尺度过程，分辨率有限，一般不能小于1km，因此不能刻画小尺度的地表非均匀性(尤其是复杂地形)和小尺度气象过程。大涡模式(LES)可以很好地处理小尺度地表非均匀性，分辨率较小，给出更加符合实际的地表通量和大涡运动过程。
具体地，处理器可以获取待预测区域的微地形的类型，基于中尺度气象模式和大涡模式，根据该微地形的类型和历史环流形势数据，得到微地形气象数据库。也就是说，可以利用中尺度气象-大涡模式，模拟各种典型微地形区域在各种典型环流形势条件下精细化气象条件，得到不同中尺度气象数值预报结果条件下的微地形区域温度、风速、风向、湿度等分布特征，建立典型微地形区域在典型环流形势下精细化气象条件数据库。
在一个实施例中，线路覆冰数据库的得到包括：通过气候仿真实验和/或覆冰增长模型，根据微地形气象数据库得到线路覆冰数据库。
具体地，处理器可以通过气候仿真实验和/或覆冰增长模型，根据微地形气象数据库得到线路覆冰数据库，也就是说，可以开展基于人工气候室仿真结果和/或覆冰增长模型的仿真实验，建立微地形区域不同温度、风速、风向、湿度条件下输电线路覆冰厚度和形状大数据库。
在一个实施例中，线路舞动振幅数据库的得到包括：通过舞动仿真平台的舞动振幅预测仿真实验，根据微地形气象数据库、线路覆冰数据库以及输电线路的线路特征，得到线路舞动振幅数据库。
具体地，处理器可以通过舞动仿真平台的舞动振幅预测仿真实验，根据微地形气象数据库、线路覆冰数据库以及输电线路的线路特征，得到线路舞动振幅数据库，也就是说，可以开展基于舞动仿真平台的舞动预测振幅仿真试验，建立不同温度、风速、风向、覆冰厚度、覆冰形状、线路结构条件下线路舞动振幅数据库。
在一个具体的实施例中，用于确定舞动预测结果的方法可以包括以下步骤：
(1)基础数据收集整理
确定预测区域范围，收集预测区域内全部舞动微地形区域，包括微地形位置和地形数据、典型微地形类型、微地形区域线路和杆塔信息。典型微地形类型A＝{a1,a2,..am}，其中m表征有m类典型微地形，目前常见的典型微地形类型主要包括垭口、峡谷、高山、独立山丘、迎风坡、水体等。
收集预测区域近十年的冬季环流形势数据，利用聚类分析方法，划分典型天气形势类型，建立典型环流形势数据库。
聚类分析方法是运用数学方法对不同的样本进行数字分类，定量确定样本间的亲疏关系，划分不同类型。先将预测区域近十年逐天的冬季环流形势数据各自看成一类，以11月1日-3月31日是冬季为例，近十年冬季共1510个样本，共有1510类；然后规定样本之间的距离和类与类之间的距离，选择距离最小的并成一个新类，计算新类与其他类的距离，再将距离近的两类合并，重复直至每类之间的距离大于设定的类与类之间的距离，聚类完成，共将1510个样本分成k类：B＝{b1,b2...,bk}，其中bx表示每个典型环流形势数据。
(2)基于中尺度气象模式-大涡模式模拟的微地形区域精细化气象条件数据库
利用中尺度气象-大涡模式，模拟各种典型微地形区域在各种典型环流形势条件下精细化气象条件，得到不同中尺度气象数值预报结果条件下的微地形区域温度、风速、风向、湿度等分布特征，建立典型微地形区域在典型环流形势下精细化气象条件数据库C。
Figure BDA0003392536770000101
(3)基于覆冰增长模型的线路覆冰大数据库
开展基于人工气候室仿真结果X1和/或覆冰增长模型X2的仿真实验，建立微地形区域不同温度、风速、风向、湿度条件下输电线路覆冰厚度和形状大数据库D。
Figure BDA0003392536770000102
(4)基于舞动仿真试验的线路舞动振幅大数据库
开展基于舞动仿真平台的舞动预测振幅仿真试验，建立不同温度、风速、风向、覆冰厚度、覆冰形状、线路结构条件(即如下公式中的L)下线路舞动振幅数据库E。
Figure BDA0003392536770000111
(5)基于大数据的微地形区域舞动快速预测计算
根据每天的中尺度气象数据预测结果，与典型环流形势数据库B进行匹配，确定未来三天典型环流形势bx；根据典型环流形势、预测的中尺度气象条件，与典型微地形区域典型环流形势下气象条件数据库C进行匹配，确定典型微地形区域精细化温度、风速、风向、湿度等气象条件cx；根据微地形区域精细化气象条件，与基于覆冰增长模型的线路覆冰大数据库D匹配，确定微地形区域覆冰厚度和形状dx；根据典型微地形区域精细化气象条件、覆冰条件、线路结构条件，与线路舞动振幅数据库E进行匹配，快速得到微地形区域舞动预测结果ex，并可以通过图文、预警文字等可视化方式进行展示。
因此，本发明实施例提供的用于确定舞动预测结果的方法，利用大数据建立历史数据库，在每次进行微地形区域舞动预测时可以通过与数据库快速匹配得出预测结果，从而快速得到微地形区域的舞动预测结果。
本发明实施例提供了一种处理器，被配置成执行根据上述实施方式中的用于确定舞动预测结果的方法。
本发明实施例提供了一种用于确定舞动预测结果的系统，包括：处理器，处理器被配置成：获取待预测区域当天的中尺度气象预测结果；将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势；将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据；将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据；将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。
上述用于确定舞动预测结果的系统，通过获取待预测区域当天的中尺度气象预测结果，并将中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定待预测区域在未来预设时间段内的环流形势，从而将环流形势、中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定待预测区域的微地形的气象数据，进一步将气象数据与预存储的线路覆冰数据库进行匹配，以确定微地形的覆冰数据，将气象数据、覆冰数据、微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到微地形的输电线路的舞动预测结果。上述方案通过事先建立环流形势数据库、微地形气象数据库、线路覆冰数据库以及线路舞动振幅数据库，在需要得到舞动预测结果的时候，根据待预测区域当天的中尺度气象预测结果和上述数据库，可以得到待预测区域的微地形的输电线路的舞动预测结果，避免了实时计算所需的时间，提高了预测效率，实现了微地形区域的舞动结果的快速预测。
在一个实施例中，处理器进一步被配置成：获取待预测区域在预设时间区间内的历史环流形势数据；对历史环流形势数据进行聚类分析，以得到环流形势数据库。
在一个实施例中，处理器进一步被配置成：确定历史环流形势数据之间的距离；将距离小于或等于第一预设阈值的历史环流形势数据划分至相同的类；确定各个类之间的距离；在类之间的距离小于或等于第二预设阈值的情况下，将类合并，直至类之间的距离大于第二预设阈值。
在一个实施例中，处理器进一步被配置成：确定各个类的历史环流形势数据的平均值；确定各个平均值之间的距离，以得到各个类之间的距离。
在一个实施例中，处理器进一步被配置成：获取待预测区域的微地形的类型；基于中尺度气象模式和大涡模式，根据类型和历史环流形势数据，得到微地形气象数据库。
在一个实施例中，处理器进一步被配置成：通过气候仿真实验和/或覆冰增长模型，根据微地形气象数据库得到线路覆冰数据库。
在一个实施例中，处理器进一步被配置成：通过舞动仿真平台的舞动振幅预测仿真实验，根据微地形气象数据库、线路覆冰数据库以及输电线路的线路特征，得到线路舞动振幅数据库。
本发明实施例提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器执行根据上述实施方式中的用于确定舞动预测结果的方法。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于确定舞动预测结果的方法，其特征在于，所述方法包括：
获取待预测区域当天的中尺度气象预测结果；
将所述中尺度气象预测结果与预存储的环流形势数据库进行匹配，以确定所述待预测区域在未来预设时间段内的环流形势；
将所述环流形势、所述中尺度气象预测结果与预存储的微地形气象数据库进行匹配，以确定所述待预测区域的微地形的气象数据；
将所述气象数据与预存储的线路覆冰数据库进行匹配，以确定所述微地形的覆冰数据；
将所述气象数据、所述覆冰数据、所述微地形的输电线路的线路特征与预存储的线路舞动振幅数据库进行匹配，以得到所述微地形的输电线路的舞动预测结果。
2.根据权利要求1所述的方法，其特征在于，所述环流形势数据库的得到包括：
获取所述待预测区域在预设时间区间内的历史环流形势数据；
对所述历史环流形势数据进行聚类分析，以得到所述环流形势数据库。
3.根据权利要求2所述的方法，其特征在于，所述对所述历史环流形势数据进行聚类分析，以得到所述环流形势数据库，包括：
确定所述历史环流形势数据之间的距离；
将所述距离小于或等于第一预设阈值的历史环流形势数据划分至相同的类；
确定各个类之间的距离；
在所述类之间的距离小于或等于第二预设阈值的情况下，将所述类合并，直至所述类之间的距离大于所述第二预设阈值。
4.根据权利要求3所述的方法，其特征在于，所述确定各个类之间的距离，包括：
确定各个所述类的历史环流形势数据的平均值；
确定各个所述平均值之间的距离，以得到所述各个类之间的距离。
5.根据权利要求2所述的方法，其特征在于，所述微地形气象数据库的得到包括：
获取所述待预测区域的微地形的类型；
基于中尺度气象模式和大涡模式，根据所述类型和所述历史环流形势数据，得到所述微地形气象数据库。
6.根据权利要求1所述的方法，其特征在于，所述线路覆冰数据库的得到包括：
通过气候仿真实验和/或覆冰增长模型，根据所述微地形气象数据库得到所述线路覆冰数据库。
7.根据权利要求1所述的方法，其特征在于，所述线路舞动振幅数据库的得到包括：
通过舞动仿真平台的舞动振幅预测仿真实验，根据所述微地形气象数据库、所述线路覆冰数据库以及输电线路的线路特征，得到所述线路舞动振幅数据库。
8.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任意一项所述的用于确定舞动预测结果的方法。
9.一种用于确定舞动预测结果的系统，其特征在于，包括：
根据权利要求8所述的处理器。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器执行根据权利要求1至7中任意一项所述的用于确定舞动预测结果的方法。
CN202111468850.0A 2021-12-04 2021-12-04 用于确定舞动预测结果的方法、系统、处理器及存储介质 Pending CN114154721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111468850.0A CN114154721A (zh) 2021-12-04 2021-12-04 用于确定舞动预测结果的方法、系统、处理器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111468850.0A CN114154721A (zh) 2021-12-04 2021-12-04 用于确定舞动预测结果的方法、系统、处理器及存储介质

Publications (1)

Publication Number Publication Date
CN114154721A true CN114154721A (zh) 2022-03-08

Family

ID=80452553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111468850.0A Pending CN114154721A (zh) 2021-12-04 2021-12-04 用于确定舞动预测结果的方法、系统、处理器及存储介质

Country Status (1)

Country Link
CN (1) CN114154721A (zh)

Similar Documents

Publication Publication Date Title
Doorga et al. Multi-criteria GIS-based modelling technique for identifying potential solar farm sites: A case study in Mauritius
Fernández-González et al. Sensitivity analysis of the WRF model: Wind-resource assessment for complex terrain
KR102076426B1 (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
Maussion et al. Precipitation seasonality and variability over the Tibetan Plateau as resolved by the High Asia Reanalysis
Yasutomi et al. Development of a long-term daily gridded temperature dataset and its application to rain/snow discrimination of daily precipitation
Sobash et al. Assimilating surface mesonet observations with the EnKF to improve ensemble forecasts of convection initiation on 29 May 2012
KR101383617B1 (ko) 일사량 예측 방법 및 장치
CN111428942B (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
Kim et al. The relationship between tropical cyclone rainfall area and environmental conditions over the subtropical oceans
Zarenistanak et al. Trends and projections of temperature, precipitation, and snow cover during snow cover-observed period over southwestern Iran
Barnes et al. Comparison of observed and simulated spatial patterns of ice microphysical processes in tropical oceanic mesoscale convective systems
Nunes et al. Severe convection features in the Amazon Basin: A TRMM-based 15-year evaluation
Kahraman et al. Severe convective storm environments in Turkey
Galvez et al. Wind resource assessment and sensitivity analysis of the levelised cost of energy. A case study in Tabasco, Mexico
Manor et al. Bayesian Inference aided analog downscaling for near-surface winds in complex terrain
Gharaylou et al. Prediction of lightning activity using WRF-ELEC model: Impact of initial and boundary conditions
CN106772697B (zh) 云海自然景观预报方法及系统
Berkovic Winter wind regimes over Israel using self-organizing maps
Feser et al. North Atlantic winter storm activity in modern reanalyses and pressure-based observations
Haddjeri et al. Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
Rautenbach et al. Teleconnections between global sea-surface temperatures and the interannual variability of observed and model simulated rainfall over southern Africa
Wei Examining El Niño–Southern Oscillation effects in the subtropical zone to forecast long-distance total rainfall from typhoons: A case study in Taiwan
Du et al. Ensemble fog prediction
CN111427101A (zh) 雷雨大风分级预警方法、系统、存储介质、计算机程序

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