CN115685386A - 基于人工智能的电力设备气象监测预警方法 - Google Patents

Abstract

本发明涉及基于人工智能的电力设备气象监测预警方法，包括以下步骤：步骤一对降水、风速和台风进行精细化监测，步骤二对未来短时间内天气现象进行预测以及精准化降水和风速预报，步骤三预测是否会出现台风天气并实现台风预警信息、大风落区预警和暴雨落区预警；本发明的优点：由于步骤三将超阈值风速的落区和超阈值雨量的落区在地图上进行展示，可叠加显示各所选时段风速风向和未来预报时段降水的分布情况，根据不同的风速级进行风速风向的展示，以及根据不同的降水级进行展示，因此可直观地判断灾害天气的影响范围，精准定位受灾害天气影响的电网设施，而且为电网防灾、抗灾、减灾提供数据支撑和决策依据。

Description

基于人工智能的电力设备气象监测预警方法

技术领域

本发明涉及电力监测预警技术领域，具体涉及基于人工智能的电力设备气象监测预警方法。

背景技术

电力系统是国民经济和社会发展的重要支柱，其用于输送电能的架空输电网分布广、线路长，且长期暴露于大气环境中，因此易受灾害性天气影响而发生故障，主要导致电网故障的灾害有风偏、覆冰、雷击、滑坡以及变电站积水，现有的气象数据未能与电力设备关联，不能将各种灾害天气对电力设备的影响进行预警，不能提供精细化的气象监测预警信息。

发明内容

本发明的目的就是解决现有气象数据不能提供精细化的气象监测预警信息的技术问题，提出基于人工智能的电力设备气象监测预警方法，通过多元气象源数据实现对灾害性天气的精确监测和预报，直观展示灾害天气的衍变过程，从而为电网防灾、抗灾、减灾提供数据支撑和决策依据。

为了解决上述技术问题，本发明是通过以下技术方案实现的：基于人工智能的电力设备气象监测预警方法，包括以下步骤：

步骤一:分别获取卫星数据、雷达数据和气象站数据，并对降水、风速和台风进行精细化监测；

步骤二：根据步骤一获取的卫星数据、雷达数据和气象站数据对未来短时间内天气现象进行预测，以及根据步骤一精细化监测的降水和风速数据，以及气象站的实况降水和风速进行精准化降水和风速预报；

步骤三：根据未来短时间内的天气现象预测是否会出现台风天气，并在地图上展示台风预警信息，并根据设定的风速阈值和雨量阈值，分析提取超阈值风速的落区和超阈值雨量的落区，并在地图上叠加显示图像，以实现大风落区预警和暴雨落区预警。

优选的，步骤一中的卫星数据通过真彩色图像显示，雷达数据通过天气雷达回波图像数据的归一化处理方法得到雷达拼图实况图像。

优选的，步骤一中的降水、风速的精准化监测依次通过数据质量控制、特征选择、卷积神经网络和深度神经网络后得出，台风的精准化监测通过对数据进行质量控制，消除杂波和异常值，然后对所有数据进行数据高空间分辨率重构，并对重构后的数据进行特征提取和特征选择，然后将处理好的特征输入到建立的深度学习模型中，得出实时台风天气。

优选的，数据质量控制包括界限值检查、时间一致性检查、内部一致性检查和空间一致性检查；数据空间分辨率重构通过卷积神经网络获取。

优选的，步骤二中的图像包括降水分布色斑图、风速色斑图、格点风速值、格点风向标志和风场流线图。

优选的，步骤三中展示的台风预警信息包括台风的中心位置、移动路径实况、台风路径预报以及台风在各个时间段的信息情况。

综上所述，本发明的优点：通过步骤一获取卫星数据、雷达数据和气象站数据并对降水、风速和台风进行精细化监测，步骤二对未来短时间内天气现象进行预测以及精准化降水和风速预报，步骤三预测是否会出现台风天气并实现台风预警信息、大风落区预警和暴雨落区预警的方法，由于步骤二中通过卫星数据、雷达数据和气象站数据预测天气现象，因此能实现未来1小时、未来2小时、未来3小时、未来4小时、未来5小时、未来6小时时间范围内强天气灾害落区预报，展示灾害天气演变过程，由于步骤三将超阈值风速的落区和超阈值雨量的落区在地图上进行展示，可叠加显示各所选时段风速风向和未来预报时段降水的分布情况，根据不同的风速级进行风速风向的展示，以及根据不同的降水级进行展示，因此可直观地判断灾害天气的影响范围，精准定位受灾害天气影响的电网设施，而且为电网防灾、抗灾、减灾提供数据支撑和决策依据，提升电力气象服务水平，有力保障电网安全，助力电网科学调度，有效减少因气象灾害造成的经济损失。

具体实施方式

基于人工智能的电力设备气象监测预警方法，包括以下步骤：

步骤一:分别获取卫星数据、雷达数据和气象站数据，并对降水、风速和台风进行精细化监测；

步骤二：根据步骤一获取的卫星数据、雷达数据和气象站数据对未来短时间内天气现象进行预测，以及根据步骤一精细化监测的降水和风速数据，以及气象站的实况降水和风速进行精准化降水和风速预报；

步骤三：根据未来短时间内的天气现象预测是否会出现台风天气，并在地图上展示台风预警信息，并根据设定的风速阈值和雨量阈值，分析提取超阈值风速的落区和超阈值雨量的落区，并在地图上叠加显示图像，地图界面可叠加显示未来预报时段落区分布情况，根据不同落区范围所包含的供电网格信息叠加影响情况展示，以实现大风落区预警和暴雨落区预警。

通过步骤一获取卫星数据、雷达数据和气象站数据并对降水、风速和台风进行精细化监测，步骤二对未来短时间内天气现象进行预测以及精准化降水和风速预报，步骤三预测是否会出现台风天气并实现台风预警信息、大风落区预警和暴雨落区预警的方法，由于步骤二中通过卫星数据、雷达数据和气象站数据预测天气现象，因此能实现未来1小时、未来2小时、未来3小时、未来4小时、未来5小时、未来6小时时间范围内强天气灾害落区预报，展示灾害天气演变过程，由于步骤三将超阈值风速的落区和超阈值雨量的落区在地图上进行展示，可叠加显示各所选时段风速风向和未来预报时段降水的分布情况，根据不同的风速级进行风速风向的展示，以及根据不同的降水级进行展示，因此可直观地判断灾害天气的影响范围，精准定位受灾害天气影响的电网设施，而且为电网防灾、抗灾、减灾提供数据支撑和决策依据，提升电力气象服务水平，有力保障电网安全，助力电网科学调度，有效减少因气象灾害造成的经济损失。

步骤一中的卫星数据通过真彩色图像显示，雷达数据通过天气雷达回波图像数据的归一化处理方法得到雷达拼图实况图像，卫星数据通过真彩色图像显示，是一种很好的观察目标的方式，符合人眼观察自然世界的规律，卫星数据覆盖了可见光、短波红外、中波红外和长波红外波段，通道设置没有符合人眼响应谱段的红绿蓝三个通道，因此没有办法直接生成真彩色图像，为充分发挥AGRI的多通道性能，设计了符合AGRI通道特点的真彩色图像合成算法，利用不符合人眼红绿蓝视觉特性的3个反射通道合成得到了符合人眼视觉效果的真彩色合成图像，AGRI真彩色合成算法不同于其他基于复杂产品算法的合成算法，直接利用观测计数值，保证了图像的观测定量化，在地图上叠加显示FY4A真彩色卫星逐4分钟的实况云图，可自行选择显示不同时刻的图像，并按时间顺序播放图像。

雷达数据通过天气雷达回波图像数据的归一化处理方法得到雷达拼图实况图像，能在更大范围内监测和预警灾害性天气，为短时气象预报提供大范围直观可视的部分大气环境探测资料，进一步发挥数字化天气雷达在气象保障中的作用，为了保证雷达拼图的效果，根据目前天气雷达配置的实际特点，应该对不同型号、功率、开机时间的雷达回波图像进行空间归一化处理，应用球面投影技术得到较为理想的天气雷达区域回波图，单站雷达是以一定仰角作PPI扫描时获得气象资料的，当采用不同仰角进行扫描时，通过PPI扫描获得的资料不在一个平面极坐标内，而是以球坐标格点的形式分布在三维空间中。在对几部雷达的回波资料进行拼图时，应使用处在同一高面上的数据，因此要对由不同仰角PPI构成的扫描天气雷达数据，即CAPPI资料，进行插值计算。插值计算选取内插值方法，具体可选用线性插值、二次型插值和三次样条插值算法。线性插值原理简单，但计算误差较大，常用于定性分析；二次型插值和三次样条插值多用于定量计算。此处选用二次型插值算法，获得不同扫描仰角间的同一高面的雷达回波图像数据。得到统一的地图投影直角坐标上的回波资料后，接下来就是如何将不同站点雷达的图像拼合成一幅图。关键问题是重叠区域回波值的确定。确定方法目前主要根据雷达的探测能力、波长、离目标的距离参数进行综合分析，采取重叠区域回波值取最大值、重叠区域回波值线性平均和重叠区域回波值质量优先3种方法。在实际运用中也可以根据经验法，即哪部雷达对该区域的探测相对更准确、更可信，就采用那部雷达的回波数据来作为重叠区域的回波强度值。值得注意的是由于雷达标校原因，在雷达探测回波重叠区常会出现系统误差。解决这一问题的方法之一就是用统计方法纠正该系统误差。根据上述3种方法的特点，选择收集数据后进行统计分析，订正系统误差后，根据不同情况采取3种方法相结合的方式，得出较好的组网拼图图像。

步骤一中的降水、风速的精准化监测依次通过数据质量控制、特征选择、卷积神经网络和深度神经网络后得出，台风的精准化监测通过对数据进行质量控制，消除杂波和异常值，然后对所有数据进行数据高空间分辨率重构，并对重构后的数据进行特征提取和特征选择，在利用降水数据时，由于降水数据分辨率不统一，空间分辨率无法达到要求，就需要利用地形信息对降水数据进行预处理，提高数据空间分辨率，然后将处理好的特征输入到建立的深度学习模型中，得出实时台风天气。数据质量控制包括界限值检查、时间一致性检查、内部一致性检查和空间一致性检查；数据空间分辨率重构通过卷积神经网络获取。

具体的，界限值按其特性分为气候学界限值检查和区域界限值检查，界限值范围的上限值设定得是否合理决定了界限值检查的效果，如果上限值设定的太高，则错误的数据有可能被当作正确数据处理，从而导致了错误数据在应用中的使用；上限值设定的太低，则个别偏大值的正确数据又可能会被作为错误数据处理，恰恰这个数据正是对于研究极端天气和气象预警非常有帮助，界限值检查出的错误数据若用后续的空间一致性检查方法筛查，81.2％的数据可被检出，18.6％的数据因无邻近站而无法进行空检，剩下的0.2％错误数据因其邻近站为同样级别的错误数据也无法检出。

时间一致性检查是利用气象要素随时间的变化而具有一定的规律，在相对较短的时间内不会出现大幅跳变的特性，对气象自动站相应要素值变化是否符合这种规律的一种检验方法。各气象要素采样值不能超出一定时间内的变化范围，超出的数据为可疑资料，根据气象要素连续变化规律确定两次采样差值的上限，如果超过上限值则报警提示人工干预，如果超过上限值两倍则提示需要检查自动站设备；经过长期的运行，我们可以根据记录不断的调整各要素变化的上限值，可以发现自动站运行中的故障。

内部一致性检查是利用气象要素不同值的物理特性联系，判断其是否符合一定的规律，通过一个变量的观测值来判定另一个变量同时刻的观测值是否可信，不仅能够检测出错误，还能检测出可能出现的错误。

空间一致性检查是根据气象参数具有一定的空间分布特点，利用单站和其他相邻台站地理环境因素的相似性造成气象要素存在相似性的特性，对本站气象要素进行正确与否检验的一种方法，根据气象要素的空间分布规律，将某个站的数据与相邻近的站点同时观测的气象要素数据值进行比较或利用邻近测站观测值通过一定的插值方法计算出被检查站点的估计值，然后对观测值与估计值进行比较，如果均为正偏差或均为负偏差，并且偏差幅度超过历史上限，则将该记录标记为可疑，报警提示人工确定，若偏差幅度超过历史上限两倍，则按缺测处理。空间一致性检查的有效性取决于观测站网的密度和被检参数与空间的相关程度。空间一致性检查对于新建站点、缺少历史资料的站点进行数据质量控制尤为重要，还能有效发现自动站精度漂移。

对于在雷达数据中出现的杂波以及卫星数据中存在噪声数据，一般采用中值滤波算法对其进行过滤，中值滤波是一种非线性平滑技术，是基于排序统计理论的一种能有效抑制雷达回波噪声的非线性信号处理技术。采用中值滤波方法对回波的测量值损失小，平滑的效果好，边沿清晰，对天气雷达数字化回波图作平滑处理是一种切实可行的方法。中值滤波的基本原理是把雷达图像序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的回波强度值更接近真实值，从而消除孤立的噪声点。该方法是用某种结构的二维滑动窗口，将窗口内像素按照像素值的大小进行排序，生成单调的二维数据序列。这种算法的关键是窗口大小的选择，根据实践经验，矩形窗口选择5×5或3×3像素矩阵比较合适，既可以较好消除这些噪声杂波，增强回波的平滑度，又可以保留强回波中心特征。

收集到的站点监测、气象模式数据、卫星和雷达数据的空间分辨率不统一，而且空间分辨率不高，如果直接作用到算法中，实现精细化识别误差较大，因此需要对数据进行高空间分辨率重构，卷积神经网络由于其内部特有的滤波器结构、权值共享和平移不变的特性，使得它被广泛用在图像处理中，例如人脸识别、雷达外推。在提高数据空间分辨率时，考虑到区域因素以及地形因素，模型选择将原数据和地形地貌信息作为输入，利用卷积神经网络来提取其高维特征，进行数据高分辨率重构，利用三层卷积神经网络，前两层用于提取地形地貌以及原始数据的高维空间特征，第三层卷积神经网络进行数据重构。模型虽然结构简单，但是由于利用卷积神经网络，并且结合本地地形地貌，最终结果更加合理、准确。

当所有数据空间分辨率都统一之后，就需要对数据进行特征工程，提取主要特征。针对于站点数据，主要是采用上述提高的傅里叶变换和小波变化，将历史站点数据从时域转换到频域，供深度学习模型学习。而对于卫星数据和雷达数据，主要是提取其不同气压下或者不同仰角之前的差值，作为识别台风天气的主要特征。当然，由于人为提取特征的数量是有限的，还可以通过自编码器来提取高维抽象特征。自编码器由编码起和解码器组成，自编码器的输入输出是同一组数据，而其过程是通过编码器从数据中提取高维特征，之后利用高维特征进行数据重组，最终希望重组的数据和原始数据差距很小，这样就表明自编码提取的高维特征可以表达原始数据，可以用来作为特征输入模型。随机森林是常用的机器学习算法，由于其内部是有多个决策树组成，而且在训练过程中不仅做到特征抽取随机，而且样例抽取也随机，这就使得它具有很好的拟合能力，而且降低了过拟合的风险，且内部结构可以计算出特征重要性，可以作为特征选择的一种方法。

步骤二中的图像包括降水分布色斑图、风速色斑图、格点风速值、格点风向标志和风场流线图，能实现未来1、3、6、12、24、48、72小时累积降水预报图像，未来3天分段累积降水预报图像，以及未来72小时逐3小时的预报风场图像。步骤三中展示的台风预警信息包括台风的中心位置、移动路径实况、台风路径预报以及台风在各个时间段的信息情况，能准确的获取台风的走势，提高台风的预警效果。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (6)

1.基于人工智能的电力设备气象监测预警方法，其特征在于：包括以下步骤：

步骤一:分别获取卫星数据、雷达数据和气象站数据，并对降水、风速和台风进行精细化监测；

步骤二：根据步骤一获取的卫星数据、雷达数据和气象站数据对未来短时间内天气现象进行预测，以及根据步骤一精细化监测的降水和风速数据，以及气象站的实况降水和风速进行精准化降水和风速预报；

步骤三：根据未来短时间内的天气现象预测是否会出现台风天气，并在地图上展示台风预警信息，并根据设定的风速阈值和雨量阈值，分析提取超阈值风速的落区和超阈值雨量的落区，并在地图上叠加显示图像，以实现大风落区预警和暴雨落区预警。

2.根据权利要求1所述的基于人工智能的电力设备气象监测预警方法，其特征在于：步骤一中的卫星数据通过真彩色图像显示，雷达数据通过天气雷达回波图像数据的归一化处理方法得到雷达拼图实况图像。

3.根据权利要求1所述的基于人工智能的电力设备气象监测预警方法，其特征在于：步骤一中的降水、风速的精准化监测依次通过数据质量控制、特征选择、卷积神经网络和深度神经网络后得出，台风的精准化监测通过对数据进行质量控制，消除杂波和异常值，然后对所有数据进行数据高空间分辨率重构，并对重构后的数据进行特征提取和特征选择，然后将处理好的特征输入到建立的深度学习模型中，得出实时台风天气。

4.根据权利要求3所述的基于人工智能的电力设备气象监测预警方法，其特征在于：数据质量控制包括界限值检查、时间一致性检查、内部一致性检查和空间一致性检查；数据空间分辨率重构通过卷积神经网络获取。

5.根据权利要求1所述的基于人工智能的电力设备气象监测预警方法，其特征在于：步骤二中的图像包括降水分布色斑图、风速色斑图、格点风速值、格点风向标志和风场流线图。

6.根据权利要求1所述的基于人工智能的电力设备气象监测预警方法，其特征在于：步骤三中展示的台风预警信息包括台风的中心位置、移动路径实况、台风路径预报以及台风在各个时间段的信息情况。