CN115456248A - 基于卷积神经网络的落雷预测模型构建方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的落雷预测模型构建方法，该方法以目标区域的历史雷电定位数据和气象数据为基础，通过统计雷电数据提取了目标区域内部的落雷次数与雷电流强度信息，以二者出现的比例为依据并结合目标区域的防雷要求划分了落雷次数与雷电流强度的分类区间，以落雷次数类别和雷电流强度类别为基础分别建立了落雷次数类别样本和雷电流强度类别样本，分别训练了以时空变量和气象参量为输入、以落雷次数或雷电流强度各个类别的概率为输出的卷积神经网络预测模型，实现了对落雷次数和雷电流强度的分类预测。本方法可用于开展基于预报信息的雷击故障主动防护，对降低雷击灾害损失、提升社会防雷水平具有十分重要的意义。

Description

基于卷积神经网络的落雷预测模型构建方法

技术领域

本发明涉及雷电防护技术领域，具体地指一种基于卷积神经网络的落雷预测模型构建方法。

背景技术

雷电活动因具有高强度、集中爆发等特点而被列为十大最严重的自然灾害之一，长期影响着电网、风电、石油石化等重要能源行业的安全生产。近年来全球气候环境变暖，极端天气频发，雷电活动逐渐频繁，雷击导致的灾害数量呈逐年上升趋势。据统计，由雷击引起的重要输电线路跳闸、大型地面储油罐火灾已分别超过46％和60％。传统防雷措施如安装避雷针、降低接地电阻等只能在雷电击中目标后生效，尚缺乏事前措施规避或减少雷击致灾风险，达到全过程防护雷电的目的。

雷电预警预报技术作为事前雷电防护的基础，国内外学者已开展了大量的研究工作。常规方法是以大气不稳定参数为预报因子预测雷电发生概率，其缺点在于预测内容不足，无法获知雷电活动的强弱信息，导致雷电预报结果的应用效果尚存在较大的进步空间。

发明内容

本发明的目的就是要提供一种基于卷积神经网络的落雷预测模型构建方法，本发明以目标区域的历史雷电定位数据和气象数据为基础，通过统计雷电数据提取了目标区域内部的落雷次数与雷电流强度信息，以二者出现的比例为依据并结合目标区域的防雷要求划分了落雷次数与雷电流强度的分类区间，以落雷次数类别和雷电流强度类别为基础分别建立了落雷次数类别样本和雷电流强度类别样本，分别训练了以时空变量和气象参量为输入、以落雷次数或雷电流强度各个类别的概率为输出的卷积神经网络预测模型，能实现对落雷次数和雷电流强度的分类预测。

为实现此目的，本发明所设计的基于卷积神经网络的落雷预测模型构建方法，其特征在于：它包括以下步骤：

步骤S1、根据目标区域的防雷需求，指定落雷次数与雷电流强度预测矩形网格的尺寸和预测时长；

步骤S2、将目标区域按照落雷次数与雷电流强度预测矩形网格的尺寸大小分割成多个网格，将目标区域历史雷电数据跨越的时间按落雷次数与雷电流强度预测时长分割成多个时次，在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个时次内的雷电地闪的数量和雷电流幅值的最大值，分别称为落雷次数和雷电流强度，随后删除数值为0的落雷次数与雷电流强度；

步骤S3、统计不同落雷次数出现的比例，以此为依据并结合目标区域的防雷要求划分落雷次数的分类区间；

步骤S4、根据落雷次数分类区间将每个落雷次数处理成落雷次数类别，根据落雷次数类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建落雷次数类别样本；

步骤S5、对落雷次数类别样本中的落雷次数类别做独热编码，得到新的落雷次数样本，根据新的落雷次数类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以落雷次数各个类别的概率为输出的卷积神经网络预测模型，得到落雷次数分类预测卷积神经网络模型；

步骤S6、在雷电流强度为0kA和雷电流强度最大值之间划分等间距的雷电流强度区间，统计雷电流强度出现在不同雷电流强度区间内的比例，以此为依据并结合目标区域的防雷要求划分雷电流强度的分类区间；

步骤S7、根据雷电流强度分类区间将每个雷电流强度处理成对应的雷电流强度类别，根据雷电流强度类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建雷电流强度类别样本；

步骤S8、对雷电流强度类别样本中的雷电流强度类别做独热编码，得到新的雷电流强度类别样本，根据新的雷电流强度类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以雷电流强度各个类别的概率为输出的卷积神经网络预测模型，得到雷电流强度分类预测卷积神经网络模型。

本发明以目标区域的历史雷电定位数据和气象数据为基础，通过统计雷电数据提取了目标区域内部的落雷次数与雷电流强度信息，以二者出现的比例为依据并结合目标区域的防雷要求划分了落雷次数与雷电流强度的分类区间，以落雷次数类别和雷电流强度类别为基础分别建立了落雷次数类别样本和雷电流强度类别样本，分别训练了以时空变量和气象参量为输入、以落雷次数或雷电流强度各个类别的概率为输出的卷积神经网络预测模型，实现了对落雷次数和雷电流强度的分类预测。本方法可用于开展基于预报信息的雷击故障主动防护，对降低雷击灾害损失、提升社会防雷水平具有十分重要的意义。

本发明的有益效果：

本发明通过气象参量、时空变量和落雷次数类别与雷电流强度类别分别训练卷积神经网络，分别得到落雷次数与雷电流强度分类预测模型。本发明提出的方法根据目标区域的防雷需求将落雷次数和雷电流强度划分为多个类别，保证了预测结果在雷害风险提前预警方面的实用性。本方法利用卷积神经网络提取局部特征的优点，提升了落雷次数与雷电流强度分类预测结果的准确性。本方法考虑了预报网格周边的气象条件，提高了落雷次数及雷电流强度分类预测的整体效果。本方法可用于开展基于预报信息的雷击故障主动防护，对降低雷击灾害损失、提升社会防雷水平具有十分重要的意义。

附图说明

图1为本发明实施步骤的流程图；

图2为本发明实施例统计雷电数据的流程图；

图3为本发明实施例统计得到的不同落雷次数出现比例的散点及插值曲线图；

图4为本发明实施例落雷次数与雷电流强度分类预测卷积神经网络模型的结构示意图；

图5为本发明实施例统计得到的雷电流强度出现在不同雷电流强度区间内的比例的散点及插值曲线图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细说明：

如图1所示基于卷积神经网络的落雷预测模型构建方法，其特征在于：它包括以下步骤：

步骤S1、确定网格尺寸和时长，根据目标区域的防雷需求，指定落雷次数与雷电流强度预测矩形网格的尺寸和预测时长，目标区域是一个较大的空间范围，落雷次数与雷电流强度预测矩形网格指的是每次预测结果覆盖的一个较小的空间范围；

步骤S2、统计雷电数据，将目标区域按照落雷次数与雷电流强度预测矩形网格的尺寸大小分割成多个网格，将目标区域历史雷电数据跨越的时间按落雷次数与雷电流强度预测时长分割成多个时次，在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个时次内的雷电地闪的数量和雷电流幅值的最大值，分别称为落雷次数和雷电流强度，随后删除数值为0的落雷次数与雷电流强度；

步骤S3、划分落雷次数分类区间，统计不同落雷次数出现的比例，以此为依据并结合目标区域的防雷要求划分落雷次数的分类区间；

步骤S4、创建落雷次数类别样本，根据落雷次数分类区间将每个落雷次数处理成落雷次数类别，根据落雷次数类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建落雷次数类别样本，某时次某网格及网格周边范围的气象数据为该时次该网格自身及该网格四周预设范围内网格(如网格周边3×3范围内的网格)的气象数据；

步骤S5、训练落雷次数分类预测模型，对落雷次数类别样本中的落雷次数类别做独热编码(One-Hot Encoding)，得到新的落雷次数样本，根据新的落雷次数类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以落雷次数各个类别的概率为输出的卷积神经网络预测模型，得到落雷次数分类预测卷积神经网络模型；

步骤S6、划分雷电流强度分类区间，在雷电流强度为0kA和雷电流强度最大值之间划分等间距的雷电流强度区间，统计雷电流强度出现在不同雷电流强度区间内的比例，以此为依据并结合目标区域的防雷要求划分雷电流强度的分类区间，雷电流强度的分类区间为多个能将雷电流强度处理成多个类别的区间；

步骤S7、创建雷电流强度类别样本，根据雷电流强度分类区间将每个雷电流强度处理成对应的雷电流强度类别，根据雷电流强度类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建雷电流强度类别样本；

步骤S8、训练雷电流强度分类预测模型，对雷电流强度类别样本中的雷电流强度类别做独热编码，得到新的雷电流强度类别样本，根据新的雷电流强度类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以雷电流强度各个类别的概率为输出的卷积神经网络预测模型，得到雷电流强度分类预测卷积神经网络模型；

步骤S9，将目标区域分割成多个网格，通过落雷次数分类预测卷积神经网络模型和雷电流强度分类预测卷积神经网络模型分别预测各个网格内的落雷次数和雷电流强度类别，遍历所有网格实现目标区域的落雷次数和雷电流强度分类预测，落雷次数分类预测卷积神经网络模型的输出结果是输入时次、输入网格落雷次数各类别的概率；雷电流强度分类预测卷积神经网络模型的输出结果是输入时次、输入网格雷电流强度各类别的概率。

上述设计方案的步骤S2中历史雷电数据跨越的时间为获取到的目标区域的历史雷电数据起始时刻到终止时刻之间的时间段。

上述设计方案的步骤S3中落雷次数的分类区间为多个能将落雷次数处理成多个类别的区间。

上述设计方案的步骤S4中落雷次数类别所属的时次和网格为具体落雷次数发生的时次和网格，当一个落雷次数类别对应多个时次和网格组合时，每个时次、网格组合都计入落雷次数类别样本。

上述设计方案的步骤S6中雷电流强度的分类区间为多个能将雷电流强度处理成多个类别的区间。

上述设计方案的步骤S7中雷电流强度类别所属的时次和网格为具体雷电流强度发生的时次和网格，当一个雷电流强度类别对应多个时次、网格组合时，每个时次、网格组合都计入雷电流强度类别样本。

上述技术方案将目标区域分割成多个网格，每次预测一个网格内的落雷次数或雷电流强度类别，遍历所有网格实现目标区域的落雷次数或雷电流强度分类预测。

上述技术方案的步骤S2中每个网格的位置用其左下角顶点的纬度lat和经度lon组成的坐标对(lat,lon)表示，例如网格北纬25°～26°、东经110°～112°用(25°,110°)表示。

上述技术方案的步骤S2中历史雷电数据跨越的时间指的是获取到的目标区域的历史雷电数据起始时刻到终止时刻之间的时间段。假设历史雷电数据中最早的雷电发生在2020年1月1日2:00，最后一个雷电发生在2021年3月15日23:00，则历史雷电数据跨越的时间为2020年1月1日2:00-2021年3月15日23:00。

上述技术方案的步骤S2中每个时次的时间用其起始时间表示，例如时次2020年7月1日14:00～17:00用2020年7月1日14:00表示。

上述技术方案的步骤S2中落雷次数为0与雷电流强度为0等价，即某时次某网格的落雷次数为0意味着雷电流强度也为0，反之亦然。

上述技术方案的步骤S3中落雷次数出现的比例指的是具体某个落雷次数出现的次数与落雷次数个数的比值。假设有10个落雷次数，分别是4,3,1,1,3,1,2,1,2和2，则落雷次数1出现的比例是40％，落雷次数2出现的比例是30％。落雷次数1出现的次数是4，落雷次数个数是10。

上述技术方案的步骤S3中落雷次数的分类区间指的是多个能将落雷次数处理成多个类别的区间，例如[1,3)、[3,6)和[6,+∞)。

上述技术方案的步骤S4中根据落雷次数分类区间将每个落雷次数处理成落雷次数类别的过程举例如下：假设落雷次数的分类区间为[1,3)、[3,6)和[6,+∞)，对应的落雷次数类别为1级、2级和3级，即若某个落雷次数n≥1且n＜3，则n的落雷次数类别为1级，依次类推；假设有10个落雷次数，分别是4,3,1,1,3,1,2,1,2和8，则它们的落雷次数类别依次为2级、2级、1级、1级、2级、1级、1级、1级、1级和3级。

上述技术方案的步骤S4中落雷次数类别所属的时次、网格指的是具体落雷次数发生的时次和网格，例如2020年7月1日14:00时次、网格(25°,110°)的落雷次数类别为2级，则2级所属的时次为2020年7月1日14:00、网格为(25°,110°)。一个时次与一个网格组合可唯一确定一个落雷次数类别，但一个落雷次数类别可能出现在不同的时次、网格组合，例如2020年7月3日17:00时次、网格(26°,112°)的落雷次数类别亦为2级。当一个落雷次数类别对应多个时次、网格组合时，每个时次、网格组合都计入落雷次数类别样本。

上述技术方案的步骤S4中气象数据指的是大气参数比如500hPa(百帕)的风速、700hPa的温度等。

上述技术方案的步骤S4中某时次某网格周边的气象数据指的是该时次该网格空间上周边网格及其自身的气象数据。假设落雷次数与雷电流强度预测矩形网格纬度方向的尺寸是1°、经度方向的尺寸是2°，则2020年7月3日17:00时次、网格(26°,112°)周边3×3范围内的气象数据包含2020年7月3日17:00时次网格(25°,110°)、(25°,112°)、(25°,114°)、(26°,110°)、(26°,112°)、(26°,114°)、(27°,110°)、(27°,112°)和(27°,114°)共9个网格的气象数据，其中3×3范围的含义是以网格(26°,112°)为中心的正方形范围，纬度方向有3个网格、经度方向有3个网格。

上述技术方案的步骤S5中独热编码又称为一位有效编码，对于一个落雷次数，如果它有m个类别，则经过独热编码后变成m个二元类别，这些类别互斥，每次只有一个激活。假设落雷次数有3个类别，分别为1级、2级和3级，则经过独热编码后落雷次数类别分别变为(1,0,0)、(0,1,0)和(0,0,1)。

上述技术方案的步骤S5中落雷次数分类预测卷积神经网络模型的输出结果是输入时次、输入网格落雷次数各类别的概率。假设落雷次数有3个类别，分别为1级、2级和3级。输入2020年7月3日17:00时次、网格(26°,112°)的时间信息(如7、3、17)和位置信息(如26、112)及2020年7月3日17:00时次、网格(26°,112°)周边3×3范围内的气象数据，输出为0.1、0.7和0.2，其含义是：2020年7月3日17:00时次、网格(26°,112°)内落雷次数类别为1级、2级和3级的概率分别为0.1、0.7和0.2。

上述技术方案的步骤S6中统计雷电流强度出现在不同雷电流强度区间内的比例的过程举例如下：假设有10个雷电流强度21kA、33kA、37kA、25kA、36kA、59kA、34kA、29kA、47kA和52kA，以10kA为间隔从20kA开始划分4个区间，依次为[20,30)、[30,40)、[40,50)和[50,60)，则雷电流强度出现在[20,30)、[30,40)、[40,50)和[50,60)内的比例分别为0.3、0.4、0.1和0.2。

上述技术方案的步骤S6中雷电流强度的分类区间指的是多个能将雷电流强度处理成多个类别的区间，例如[0,30kA)、[30kA,90kA)、[90kA,150kA)和[150kA,+∞)。

上述技术方案的步骤S7中根据雷电流强度分类区间将每个雷电流强度处理成雷电流强度类别的过程举例如下：假设雷电流强度的分类区间为[0,30kA)、[30kA,90kA)、[90kA,150kA)和[150kA,+∞)，对应的雷电流强度类别为1级、2级、3级和4级，即若某个雷电流强度c≥30kA且c＜90A，则c的雷电流强度类别为2级，依次类推；假设有10个雷电流强度，分别是21kA、93kA、67kA、25kA、36kA、59kA、34kA、29kA、107kA和152kA，则它们的雷电流强度类别依次为1级、3级、2级、1级、2级、2级、2级、1级、3级和4级。

上述技术方案的步骤S7中雷电流强度类别所属的时次、网格指的是具体雷电流强度发生的时次和网格，例如2020年7月1日14:00时次、网格(25°,110°)的雷电流强度类别为3级，则3级所属的时次为2020年7月1日14:00、网格为(25°,110°)。一个时次与一个网格组合可唯一确定一个雷电流强度类别，但一个雷电流强度类别可能出现在不同的时次、网格组合，例如2020年7月3日17:00时次、网格(26°,112°)的雷电流强度类别亦为3级。当一个雷电流强度类别对应多个时次、网格组合时，每个时次、网格组合都计入雷电流强度类别样本。

上述技术方案的步骤S7中某时次某网格周边的气象数据的含义与步骤S4相同。

上述技术方案的步骤S8中假设雷电流强度有4个类别，分别为1级、2级、3级和4级，则经过独热编码后雷电流强度类别分别变为(1,0,0,0)、(0,1,0,0)、(0,0,1,0)和(0,0,0,1)。

上述技术方案的步骤S8中雷电流强度分类预测卷积神经网络模型的输出结果是输入时次、输入网格雷电流强度各类别的概率。假设雷电流强度有4个类别，分别为1级、2级、3级和4级。输入2020年7月3日17:00时次、网格(26°,112°)的时间信息(如7、3、17)和位置信息(如26、112)及2020年7月3日17:00时次、网格(26°,112°)周边3×3范围内的气象数据，输出为0.1、0.5、0.2和0.2，其含义是：2020年7月3日17:00时次、网格(26°,112°)内雷电流强度类别为1级、2级、3级和4级的概率分别为0.1、0.5、0.2和0.2。

本发明适用于已积累较长时间历史雷电数据并可获取丰富气象数据的大面积地区。

本实施例以华中地区(北纬24.3°-36.3°、东经108.2°-116.45°)为例，采用基于卷积神经网络的落雷次数与雷电流强度分类预测方法，建立其落雷次数与雷电流强度分类预测模型。具体步骤包括：

S1、确定网格尺寸和时长

目标区域为华中地区，防雷需求以电网防雷要求为主要参考，设定落雷次数与雷电流强度预测矩形网格的尺寸为：纬度方向0.05°、经度方向0.05°，即大小为0.05°×0.05°的正方形网格，预测时长为3小时，这是一种电网雷击预警最常用的选择。

S2、统计雷电数据

本实施例获取了华中地区2020年的雷电数据，历史雷电数据跨越的时间为2020年1月1日2:00-2020年12月31日23:00，统计雷电数据的具体方法如附图2所示，详述如下：

A、以3小时为间隔将雷电数据跨越的时段划分成2928个时次，组成时次序列T，每个时次用其起始时间表示；

B、将预报区域划分成241×166＝40006个0.05°×0.05°的正方形网格，每个网格的空间位置用其左下角顶点的纬度lat_i(1≤i≤241)和经度lon_j(1≤j≤166)组成的坐标对(lat_i,lon_j)表示；

C、对T中每个时次t_k(1≤k≤2928)，获取该时次的雷电记录L_k；

D、在L_k中统计每个网格(lat_i,lon_j)在时次t_k的雷电地闪的数量和所有雷电地闪的雷电流幅值的最大值，分别称为落雷次数和雷电流强度；

E、删除数值为0的落雷次数与雷电流强度。

最后得到落雷次数和雷电流强度的个数均为5.11×10⁵个。

S3、划分落雷次数分类区间

2020年华中地区落雷次数出现比例的散点及插值曲线如附图3所示，图中横坐标为具体落雷次数，纵坐标为相应落雷次数出现的比例，例如落雷次数1出现的比例是40％、落雷次数2出现的比例是14％。将出现比例最大的落雷次数1作为一个类别，即落雷次数1级；将出现比例大于1％的落雷次数2～9作为一个类别，即落雷次数2级；将出现比例小于等于1％的落雷次数作为一个类别，即落雷次数3级。落雷次数分类区间及对应的落雷次数类别如表1所示。

表1落雷次数分类区间及对应的落雷次数类别

S4、创建落雷次数类别样本

根据表1将5.11×10⁵个落雷次数中的每一个按其所属区间转换成落雷次数类别，根据每一个落雷次数类别及其所属的时次、网格、该时次该网格周边25×25范围的气象数据创建落雷次数类别样本，落雷次数类别样本共计5.11×10⁵个。每一个落雷次数类别样本包含下述内容：落雷次数类别、该落雷次数类别所属时次的时间信息(月份、日期、小时)、该落雷次数类别所属网格的位置信息(纬度、经度)、该时次该网格周边25×25范围的气象数据。

气象数据共有17种，分别为850hPa比湿、强天气威胁指数、850hPa温度、500hPa风速V分量、能量旋度EHI、500hPa风速U分量、500hPa温度、抬升指数、对流有效位能、500hPa比湿、零度层高度、850hPa风速V分量、700hPa温度、850hPa风速U分量、最大上升速度、925hPa温度、700hPa比湿。

S5、训练落雷次数分类预测模型

将每个落雷次数类别样本中的落雷次数类别做独热编码，得到新的落雷次数样本。将新的落雷次数样本随机划分为两个互斥的部分，分别称作新的落雷次数训练集和新的落雷次数测试集，数量分别为3.50×10⁵和1.61×10⁵，其中新的落雷次数训练集用于训练落雷次数分类预测卷积神经网络模型，新的落雷次数测试集用于测试该落雷次数分类预测卷积神经网络模型的性能。

落雷次数分类预测卷积神经网络模型的结构如附图4所示，图中Conv2D是2维卷积层，MaxPooling2D是2维最大池化层，Dense是密集连接层，concatenate是合并层，y为输出结果。每个2维卷积层拥有64个过滤器，密集连接层1～3(或6～8)的节点数依次为128、128和64，全连接层4、5的节点数为128和64，密集连接层9的节点数为3。激活函数ReLU、softmax分别如式(1)～(2)所示。

ReLU(x)＝max(0，x) (1)

式中，m为分类的类别个数，z_i为输出层第i个节点的输出值。对于本实施例，分类的类别个数为3，x为函数的自变量，e为自然常数，i和j都是从1到m之间的整数，代表输出层节点的编号，j表示分母中累加的编号，i表示的是这个式子能够算出第i个节点的softmax函数值，i是可以变化的，所以能算出1到m之间所有的softmax。

为了评价落雷次数分类预测卷积神经网络模型的性能，在此引入多分类指标，其计算基础是多分类混淆矩阵。对于一个有m个类别的多分类任务，其混淆矩阵如表2所示。

表2多分类混淆矩阵

表2中F_iP_j代表将类别i错误地预测为类别j的频次，T_iP_i代表将类别i预测为类别i的频次，其中i,j＝1,2,…,m。多分类指标的计算需要将多分类问题简化为多个二分类问题，计算出各自的分类指标。以类别i为例，正确地预测到类别i的频次TP_i＝T_iP_i，错误地将其它类别预测为类别i的频次FP_i

错误地将类别i预测为其它类别的频次FN_i

则类别i的命中率POD_i、精准率Pre_i和F₁值F_1i可依据式(5)～(7)计算，F_1i表示第i个类别的F₁值。

为了从所有类别的分类情况上整体评价多分类器的性能，需要对分类指标做平均，常见的方式有宏平均(Macro average)、微平均(Micro average)和加权平均(Weightedaverage)三种。因落雷次数多、雷电流幅值大的强雷电活动发生比例较小但对电网造成的危害更大，本实施例采用重点关注少数量样本类别的加权平均，该方式以各类别样本的占比为权重对分类指标做平均，则加权平均命中率POD、加权平均精准率Pre和加权平均F₁值可由式(8)～(10)计算。

式中n为样本数量，n_i为样本中类别i的样本数量。

测试落雷次数分类预测卷积神经网络模型的性能之前需要将落雷次数分类预测结果转换为落雷次数类别，具体过程举例如下：假设新的落雷次数测试集中某个样本经落雷次数分类预测卷积神经网络模型运算后的结果为0.1、0.7和0.2，说明该样本的落雷次数类别预测结果为2级的概率最大(0.7)，则将该样本的预测结果视为2级。

本实施例得到的落雷次数分类预测卷积神经网络模型在新的落雷次数测试集上的分类指标如表3所示。

表3落雷次数分类预测卷积神经网络模型的分类指标

S6、划分雷电流强度分类区间

在0到雷电流强度的最大值539kA之间以1kA为间隔划分雷电流强度区间，统计雷电流强度出现在这些雷电流强度区间内的比例，结果如附图5所示。图中横坐标为雷电流强度区间的序号，0代表[0,1kA)、1代表[1kA,2kA)……依次类推，纵坐标为雷电流强度出现在相应雷电流强度区间内的比例，例如雷电流强度出现在区间[15kA,16kA)的比例为2.2％、出现在区间[81kA,82kA)的比例为0.4％。GB/T50064-2014《交流电气装置的过电压保护和绝缘配合设计规范》规定的有架空地线单回线路反击耐雷水平见表4，以此为依据划分的雷电流强度分类区间及对应的雷电流强度类别见表5。

表4有架空地线单回线路反击耐雷水平规定值

表5雷电流强度分类区间及对应的雷电流强度类别

S7、创建雷电流强度类别样本

根据表5将5.11×10⁵个雷电流强度中的每一个按其所属区间转换成雷电流强度类别，根据每一个雷电流强度类别及其所属的时次、网格、该时次该网格周边25×25范围的气象数据创建雷电流强度类别样本，雷电流强度类别样本共计5.11×10⁵个。每一个雷电流强度类别样本包含下述内容：雷电流强度类别、该雷电流强度类别所属时次的时间信息(月份、日期、小时)、该雷电流强度类别所属网格的位置信息(纬度、经度)、该时次该网格周边25×25范围的气象数据。气象数据的种类与步骤S4相同。

S8、训练雷电流强度分类预测模型

将每个雷电流强度类别样本中的雷电流强度类别做独热编码，得到新的雷电流强度样本。将新的雷电流强度样本随机划分为两个互斥的部分，分别称作新的雷电流强度训练集和新的雷电流强度测试集，数量分别为3.50×10⁵和1.61×10⁵，其中新的雷电流强度训练集用于训练雷电流强度分类预测卷积神经网络模型，新的雷电流强度测试集用于测试该雷电流强度分类预测卷积神经网络模型的性能。

雷电流强度分类预测卷积神经网络模型的结构如附图4所示，密集连接层9的节点数为4，其它参数与步骤5相同。测试雷电流强度分类预测卷积神经网络模型的性能之前需要雷电流强度分类预测结果转换为雷电流强度类别，具体过程举例如下：假设新的雷电流强度测试集中某个样本经雷电流强度分类预测卷积神经网络模型运算后的输出为0.1、0.3、0.4和0.2，说明该样本的雷电流强度类别预测结果为3级的概率最大(0.4)，则将该样本的预测结果视为3级。

本实施例得到的雷电流强度分类预测卷积神经网络模型在新的雷电流强度测试集上的分类指标如表6所示。

表6雷电流强度分类预测卷积神经网络模型的分类指标

本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于卷积神经网络的落雷预测模型构建方法，其特征在于：它包括以下步骤：

步骤S1、根据目标区域的防雷需求，指定落雷次数与雷电流强度预测矩形网格的尺寸和预测时长；

步骤S2、将目标区域按照落雷次数与雷电流强度预测矩形网格的尺寸大小分割成多个网格，将目标区域历史雷电数据跨越的时间按落雷次数与雷电流强度预测时长分割成多个时次，在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个时次内的雷电地闪的数量和雷电流幅值的最大值，分别称为落雷次数和雷电流强度，随后删除数值为0的落雷次数与雷电流强度；

步骤S3、统计不同落雷次数出现的比例，以此为依据并结合目标区域的防雷要求划分落雷次数的分类区间；

步骤S4、根据落雷次数分类区间将每个落雷次数处理成落雷次数类别，根据落雷次数类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建落雷次数类别样本；

步骤S5、对落雷次数类别样本中的落雷次数类别做独热编码，得到新的落雷次数样本，根据新的落雷次数类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以落雷次数各个类别的概率为输出的卷积神经网络预测模型，得到落雷次数分类预测卷积神经网络模型。

2.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：步骤5后还包括步骤S6、在雷电流强度为0kA和雷电流强度最大值之间划分等间距的雷电流强度区间，统计雷电流强度出现在不同雷电流强度区间内的比例，以此为依据并结合目标区域的防雷要求划分雷电流强度的分类区间；

步骤S7、根据雷电流强度分类区间将每个雷电流强度处理成对应的雷电流强度类别，根据雷电流强度类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建雷电流强度类别样本；

步骤S8、对雷电流强度类别样本中的雷电流强度类别做独热编码，得到新的雷电流强度类别样本，根据新的雷电流强度类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以雷电流强度各个类别的概率为输出的卷积神经网络预测模型，得到雷电流强度分类预测卷积神经网络模型。

3.根据权利要求2所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：所述步骤S8后包括步骤S9，将目标区域分割成多个网格，通过落雷次数分类预测卷积神经网络模型和雷电流强度分类预测卷积神经网络模型分别预测各个网格内的落雷次数和雷电流强度类别，遍历所有网格实现目标区域的落雷次数和雷电流强度分类预测。

4.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：所述步骤S2中历史雷电数据跨越的时间为获取到的目标区域的历史雷电数据起始时刻到终止时刻之间的时间段。

5.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：所述步骤S3中落雷次数出现的比例为具体某个落雷次数出现的次数与落雷次数个数的比值。

6.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：所述步骤S3中落雷次数的分类区间为多个能将落雷次数处理成多个类别的区间。

7.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：步骤S4中落雷次数类别所属的时次和网格为具体落雷次数发生的时次和网格，当一个落雷次数类别对应多个时次和网格组合时，每个时次、网格组合都计入落雷次数类别样本。

8.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：步骤S4中某时次某网格及网格周边范围的气象数据为该时次该网格自身及该网格四周的网格的气象数据。

9.根据权利要求2所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：所述步骤S6中雷电流强度的分类区间为多个能将雷电流强度处理成多个类别的区间。

10.根据权利要求2所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：所述步骤S7中雷电流强度类别所属的时次和网格为具体雷电流强度发生的时次和网格，当一个雷电流强度类别对应多个时次、网格组合时，每个时次、网格组合都计入雷电流强度类别样本。

Images