CN116910491B - 一种雷电监测预警系统、方法、电子设备及存储介质 - Google Patents
一种雷电监测预警系统、方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116910491B CN116910491B CN202311160046.5A CN202311160046A CN116910491B CN 116910491 B CN116910491 B CN 116910491B CN 202311160046 A CN202311160046 A CN 202311160046A CN 116910491 B CN116910491 B CN 116910491B
- Authority
- CN
- China
- Prior art keywords
- lightning
- data
- target
- prediction
- early warning
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005684 electric field Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种雷电监测预警系统、方法、电子设备及存储介质，涉及信息处理技术领域，通过数据获取模块获取待监测区域的目标状况数据和目标雷电数据；特征分析模块采用特征模型获取目标状况数据和目标雷电数据的特征，对特征进行分析，生成第一数据；位置预测模块采用目标位置预测算法对第一数据进行雷电位置预测，将雷电预测位置作为第二数据；概率预测模块将第一数据和第二数据输入至预先训练好的雷电预测模型，输出待监测区域中雷电预测位置的雷电预测概率；预警模块当任一雷电预测位置的雷电预测概率满足预设阈值时，生成雷电预测位置的预警信息，发布给待监测区域的管理员端。所述系统提高了雷电预警和识别的准确度和效率。
Description
技术领域
本发明涉及信息处理技术领域，特别是涉及一种雷电监测预警系统、方法、电子设备及存储介质。
背景技术
雷电是强对流天气下产生的一种大气放电现象，放电时间短，能量巨大。雷电的强大电流产生的热能、雷电周围区域产生的高频电磁场以及强烈的雷电波等，能在瞬间产生巨大的破坏作用，会造成人员伤亡、损毁通信设备、击毁建筑物、导致配电装置断路而引发火灾等。加油站、加气站作为存储和处理易燃易爆物品的场所，是一个潜在的重大危险源，尤其是在雷电天气下，极易发生事故，因此，在雷电发生前进行准确及时的预警具有重大的意义。
现有技术中存在的雷电预警系统，通过对大气电场强度的持续监测，实时识别和判断雷电电场特征，为雷电的接近提供有效的预警信息，但是雷电的形成受较多因素影响，如发生地区的地理地质特征、气候特征、周边环境变化等，以及雷电瞬间发生的特性，这些都为雷电的精准预警带来困难。
因此，需要一种可以得到准确雷电预警位置的雷电监测预警系统。
发明内容
本发明提供一种雷电监测预警系统、方法、电子设备及存储介质，以解决对雷电的预测定位不准确的问题。
第一方面，本发明实施例提供一种雷电监测预警系统，所述系统包括：
数据获取模块，用于获取待监测区域的目标状况数据和目标雷电数据；
特征分析模块，用于采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；
位置预测模块，用于采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个所述雷电预测位置，将所述雷电预测位置作为第二数据；
概率预测模块，用于将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；
预警模块，用于当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。
可选地，所述系统还包括：
图像数据获取模块，用于获取待监测区域的目标图像数据；
状况数据获取模块，用于采用图像传感器识别所述目标图像数据，得到所述目标状况数据，所述目标状况数据包括待监测区域的天气数据和环境数据；
雷电数据获取模块，用于采用雷电传感器识别所述目标图像数据，得到所述目标雷电数据，所述目标雷电数据包括待监测区域的雷电强度数据。
可选地，所述图像数据获取模块还包括：
第一判断单元，用于采用第一识别算法对图像数据进行第一识别，将满足第一预设条件的所述图像数据作为第一图像数据，所述第一预设条件为预设雷电识别阈值；
第二判断单元，用于采用第二识别算法对所述第一图像数据进行第二识别，将满足第二预设条件的所述第一图像数据作为第二图像数据，所述第二预设条件为预设雷电识别标准，所述预设雷电识别标准包括雷电亮度、雷电线条、雷电判断关联参数中的至少一者；
目标图像数据获取单元，用于将所述第二图像数据作为目标图像数据。
可选地，所述特征模型是通过历史雷电数据训练得到的，所述特征分析模块包括：
天气分析单元，用于采用所述特征模型获取所述目标状况数据的天空特征和环境特征，基于所述天空特征和环境特征进行天气分析，得到所述天气信息，所述天气信息包括晴天、阴天、雨天；
时间分析单元，用于采用所述特征模型获取所述目标雷电数据的时间特征，基于所述时间特征进行时间分析，得到所述时间信息，所述时间信息为目标图像数据的获取时间；
雷电分析单元，用于采用所述特征模型获取所述目标雷电数据的雷电特征，基于所述雷电数据进行雷电分析，得到所述雷电信息，所述雷电信息包括电场强度；
第一数据获取单元，用于将所述天气信息、所述时间信息和所述雷电信息作为所述第一数据。
可选地，所述特征分析模块还包括：
数据处理单元，用于对所述目标状况数据和所述目标雷电数据进行去噪处理，得到去噪处理后的目标状况数据和目标雷电数据；
数据输入单元，用于将所述去噪处理后的目标状况数据和目标雷电数据输入至所述特征模型中。
可选地，所述雷电预测模型是通过以下步骤训练得到的：
获取历史雷电数据，所述历史雷电数据包括雷电强度、雷电持续时间、位置信息中的至少一者；
采用所述特征模型获取所述历史雷电数据的特征，得到所述历史雷电数据的特征，将所述历史雷电数据的特征作为训练样本；
基于所述历史雷电数据的特征，对待训练的雷电预测模型进行训练，直至所述雷电预测模型中输出的雷电预测概率大于预设阈值时，停止训练，得到所述雷电预测模型。
可选地，所述系统还包括：
预警反馈模块，用于在管理员确认所述预警信息后，结束雷电监测；
预警优化模块，用于将所述第一数据、所述第二数据和所述预警信息存储至所述雷电预测模型中，并对所述雷电预测模型进行优化。
第二方面，本发明实施例提供一种雷电监测预警方法，所述方法包括：
获取待监测区域的目标状况数据和目标雷电数据；
采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；
采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个雷电预测位置，将所述雷电预测位置作为第二数据；
将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型中，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；
当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。
第三方面，本发明实施例提供一种电子设备，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如上述第一方面中任一项所述的雷电监测预警系统。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项所述的雷电监测预警系统。
本发明包括以下优点：本发明实施例提供一种雷电监测预警系统、方法、电子设备及存储介质，通过数据获取模块获取待监测区域的目标状况数据和目标雷电数据；通过特征分析模块采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；通过位置预测模块采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个所述雷电预测位置，将所述雷电预测位置作为第二数据；通过概率预测模块将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；通过预警模块，用于当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。本发明实施例提供的雷电预测预警系统通过对图像数据进行分析，获取天气信息、雷电信息等，对待监测区域进行雷电位置预测，实现更精准、可靠的雷电预测和监测，提高了雷电预警和识别的准确度和效率，保障了加油站、加气站、油库等危化品储存场所的设备和人员安全，为场所管理者提供及时准确的决策依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种雷电监测预警系统的架构图；
图2是本发明实施例提供的一种雷电预测模型的训练方法流程示意图；
图3是本发明实施例提供的一种雷电监测预警系统的数据获取架构图；
图4是本发明实施例提供的一种雷电监测预警方法的流程示意图；
图5是本发明实施例提供的一种电子设备的示意图。
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。
在油站、气站、危险品存放库等场景中，面对雷电天气，出于安全考虑会做出一些避险措施，例如：雷电天气下不进行卸油作业。但面对天气预报的雷电预警不精准，或是误报、漏报的场景，会直接影响站点的经营、存放物品的安全、所述区域内的人员安全等。当雷电预警漏报时造成的没有预兆的雷电对所述区域的威胁性更大，当识别到附近有闪光时，立即对其进行分析，得到雷电的预警信息，立即启动雷电预警和上报流程。
基于此，本发明提出一种对雷电概率进行预测的模型，以此作为雷电监测预警系统的核心进行雷电预测。
本发明实施例第一方面提供一种雷电监测预警系统，参阅图1，图1为本发明实施例提供的一种雷电监测预警系统的架构图，所述雷电监测预警系统包括：
数据获取模块101，用于获取待监测区域的目标状况数据和目标雷电数据；在一些危险品存放区域，对其进行雷电天气的监测预警十分重要，所述待监测区域可以为存放危险品的区域，具体可以为油站、气站、化学品存放库、油库等区域。本发明并不对此作限制，对雷电天气监测预警有实际需求的区域均可作为待监测区域。雷电天气是一种较为复杂的天气，通常会出现环境变化、天气变化和与雷电相关的参数变化，例如，在雨天时出现雷电的几率比晴天高，当天空中出现闪光等与雷电相关的参数变化时，出现雷电的几率也更高。因此，待监测区域的目标状况数据和目标雷电数据是对待监测区域是否出现雷电的直接判断依据。
特征分析模块102，用于采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；所述目标状况数据和目标雷电数据中包含较多的特征，将其中对雷电监测预警直接相关的特征提取出来，排除部分干扰特征，能进一步准确实现对雷电的预测预警。所述特征模型是基于机器学习方法训练得到的，所述机器学习方法可以为线性回归、支持向量回归和随机森林等方法。本发明并不对此作限定，只要能实现特征提取的机器学习方法均可作为本发明实施例中的特征模型。所述特征模型对所述目标状况数据和目标雷电数据进行特征提取后，对提取的所述特征进行分析，得到天气信息、时间信息、雷电信息等数据。
位置预测模块103，用于采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个所述雷电预测位置，将所述雷电预测位置作为第二数据；由于雷电出现的位置和范围较为难以确定，因此需要选择一种合适的算法或方法，对可能出现雷电的区域进行分析和判断，所述目标位置预测算法可以为基于空间统计模型的雷暴定位、基于雷达数据的多普勒速度分析等算法，以历史雷电数据作为训练样本训练得到的。所述目标位置预测算法可用于对雷电可能出现的位置进行预测，目标位置预测算法会输出至少一个雷电预测位置。
示例性地，当所述目标位置预测算法为基于空间统计模型的雷暴定位算法的情况下，通过该算法对雷电数据的分布情况进行统计和分析，预测未来可能出现雷电的区域，可以将所述算法的训练参数设置为：历史雷电采集时间范围为2017年-2022年之间，所述待监测区域划分为100个小区域，统计和分析方法为卡尔曼滤波法和循环神经网络，所述目标位置预测算法对所述100个小区域中每个区域进行雷电预测，输出雷电预测位置，所述雷电预测位置可以是经纬度信息，也可以为监测闪电在云层出现的位置等。采用所述目标位置预测算法可以准确的预测出雷电出现的位置，增加雷电预测系统的雷电预测准确性。
概率预测模块104，用于将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；所述预先训练好的雷电预测模型是基于机器学习算法，以历史雷电数据作为训练样本训练得到的，所述机器学习算法包括支持向量机（support vector machines，SVM）、决策树、神经网络等。所述预先训练好的雷电预测模型用于对所述第一数据和所述第二数据进行分析，得到所述第二数据中的每一个雷电预测位置对应的雷电预测概率。由于雷电预测位置是对待监测区域细化后的结果，通过对每一处所述雷电预测位置进行雷电概率预测，可以准确的得到雷电出现的位置。
在本发明可选的一实施例中，所述雷电预测概率的计算需要对历史雷电数据进行分析和处理，并采用所述雷电监测数据预测未来可能出现雷电的概率，常用的统计学方法包括贝叶斯推断（Bayesian Inference）算法、马尔科夫链算法等。当采用贝叶斯推断算法进行预测概率的计算时，该算法可以从历史数据中学习到各种事件的出现概率，并利用这些概率来对未来事件进行预测。可以使用以下参数对所述贝叶斯推断算法进行设置，历史雷电数据的时间范围为2017年至2022年，预测时间为未来一小时出现雷电的概率等。
预警模块105，用于当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端；所述预设阈值为预先设置的雷电判断标准值，当雷电预测概率大于或等于所述预设阈值的情况下，生成预警信息，当雷电预测概率小于所述预设阈值的情况下，不生成预警信息，将所述每个雷电预测位置的雷电预测概率和预设阈值进行判断，仅针对雷电预测概率大于或等于预设阈值的雷电预测位置生成预警信息，然后，将生成的预警信息发送给待监测区域的管理员端，以使管理员能对应做出相应的雷电预警措施。将所述雷电预测预警系统用于加油站、加气站等场所，能实现对雷电和天气等因素的精确、及时的监测和分析，保障场所设备和人员的安全，同时提高监测效率和准确度。
基于上述第一方面，参阅图3，图3为本发明实施例提供的一种雷电监测预警系统的数据获取架构图，本发明实施例提出的雷电监测预警系统还包括：
图像数据获取模块160，用于获取待监测区域的目标图像数据；
状况数据获取模块170，用于采用图像传感器识别所述目标图像数据，得到所述目标状况数据，所述目标状况数据包括待监测区域的天气数据和环境数据；
雷电数据获取模块180，用于采用雷电传感器识别所述目标图像数据，得到所述目标雷电数据，所述目标雷电数据包括待监测区域的雷电强度数据。
所述待监测区域的目标图像数据的获取一般通过待监测区域预先设置的摄像头进行图像数据的采集，由于常规摄像头主要是监控使用，捕获区域主要为路面和室内；专门设置对天空布防的摄像头，因角度问题容易脏，而不能获取到有价值的图像数据；普通摄像头无法准确拍摄和识别雷电，及时采用亮度改变的逻辑来判断也容易误判，如在雷电预测模型训练效果不够的情况下，汽车闪光或灯光闪烁导致误判。但在待监测区域必然设置有多个摄像头，其中必然包括朝外或朝马路或进出站通道的机位，容易拍摄到天空和附近的环境；此外，单个摄像头容易被灯光和汽车闪光影响，但多个摄像头组合，可以降低亮度因素导致误判的情况。
由于直接从摄像头获取的图像数据可能不能直接用于雷电预警这种精度较高的事项上，因此，所述图像数据获取模块还包括对获取的图像数据进行处理的单元，所述图像数据获取模块包括：第一判断单元，用于采用第一识别算法对图像数据进行第一识别，将满足第一预设条件的所述图像数据作为第一图像数据，所述第一预设条件为预设雷电识别阈值；第二判断单元，用于采用第二识别算法对所述第一图像数据进行第二识别，将满足第二预设条件的所述第一图像数据作为第二图像数据，所述第二预设条件为预设雷电识别标准，所述预设雷电识别标准包括雷电亮度、雷电线条、雷电判断关联参数中的至少一者；目标图像数据获取单元，用于将所述第二图像数据作为目标图像数据。首先，通过第一识别算法对所述从摄像头直接获取的图像数据进行识别，由于是直接识别从摄像头直接获取的图像数据，所以第一预设条件为预设雷电识别阈值，将所述雷电识别阈值设置为较低阈值。将符合所述第一预设条件的图像数据作为第一图像数据，将所述第一图像数据进行第二次识别，所述第二识别算法为经过训练的雷电识别算法，所述第二预设条件为雷电亮度、雷电线条、雷电判断关联参数等预设雷电标准，由于摄像头的性能问题，标准的雷电判断关联参数，如完整的雷电线条不一定可以正好录下并识别，因此，雷电亮度也作为判断条件之一，与常见的用于雷电判断关联参数结合，如空气湿度、风速等参数。将摄像头获取的图像数据进行两次识别后，得到的目标图像数据比较准确，可为雷电紧急预警提供准确的识别判断参数。
采用传感器对所述图像数据进行识别，其中，在监测时，雷电传感器主要用于测量雷电强度数据和雷电持续时间数据，而图像传感器则用于监测天气状况和环境情况，所述雷电传感器采用高精度、高灵敏度的传感器技术，可在瞬间实现对雷电的监测和预警，同时避免人工漏报或误报的问题；所述图像传感器采用计算机视觉技术，结合图像分析和处理算法，实现对雷电风险的辅助确认。所述图像传感器可采用多个可拍摄特定角度的摄像头，并通过对摄像头图像的综合分析和处理，实现对天气和环境的全面监测和评估，以便更好地指导决策。通过传感器识别得到的数据需要被有效地捕获和处理，并将其传输到计算机视觉模型中进行识别和分析。具体地，采用图像传感器识别所述目标图像数据，得到目标状况数据，所述目标状况数据包括待监测区域的天气数据和环境数据，所述天气数据和环境数据可以为是否有云层、环境温度、风速等数据。采用雷电传感器识别所述目标图像数据，得到所述目标雷电数据，所述目标雷电数据包括待监测区域的雷电强度数据，由于雷电本身是一种自然现象，雷云里边有大量的电荷积蓄，当局部电场达到了满足空气击穿的条件，会产生分为很多级的放电先导，产生雷电现象，因此，通过监测雷电的电场强度可以判断是否达到满足空气击穿的条件。
此外，图像传感器的拍摄频率是影响整个系统精度和速度的重要参数之一。传感器拍摄频率越高，所获得的图像数据就越丰富，但同时也会带来更高的数据处理压力和计算成本。因此，在实现过程中需要考虑到拍摄频率与计算效率的平衡，选择适当的频率进行数据采集。通常，针对雷电预测需求，每秒钟采样20-30次是一个较好的频率选择。具体选择频率时，需要根据实际硬件环境和数据处理能力来确定，本发明实施例并不对此作相应限制。
在本发明可选的一实施例，所述特征模型是通过历史雷电数据训练得到的，所述特征分析模块包括：天气分析单元，用于采用所述特征模型获取所述目标状况数据的天空特征和环境特征，基于所述天空特征和环境特征进行天气分析，得到所述天气信息，所述天气信息包括晴天、阴天、雨天；时间分析单元，用于采用所述特征模型获取所述目标雷电数据的时间特征，基于所述时间特征进行时间分析，得到所述时间信息，所述时间信息为目标图像数据的获取时间；雷电分析单元，用于采用所述特征模型获取所述目标雷电数据的雷电特征，基于所述雷电数据进行雷电分析，得到所述雷电信息，所述雷电信息包括电场强度；第一数据获取单元，用于将所述天气信息、所述时间信息和所述雷电信息作为所述第一数据。通过对目标状况数据中的天空特征和环境特征进行分析，可以得到包括晴天、阴天、雨天等天气信息，通过对所述雷电数据进行分析，可以得到获取所述雷电数据的时间信息，时间信息可以包括年份、月份、星期、小时、分钟等信息。通过对所述目标雷电数据进行分析还可以得到目标雷电数据的电场信息，通过电场信息的判断可以预测是否达到局部电场击穿云层的条件。
在本发明可选的一实施例中，所述特征分析模块还包括：数据处理单元，用于对所述目标状况数据和所述目标雷电数据进行去噪处理，得到去噪处理后的目标状况数据和目标雷电数据；数据输入单元，用于将所述去噪处理后的目标状况数据和目标雷电数据输入至所述特征模型中。在实际操作中，由于各种传感器采集的数据可能存在一定程度的噪声和误差，因此需要对传感器识别得到的数据进行滤波和校准。此外，为了确保数据的有效性和可靠性，还需要进行数据质量评估和分析，以便在后续的处理过程中更好地利用这些数据。示例性的，可以采用卡尔曼滤波（Kalman Filter）算法，卡尔曼滤波算法通过迭代递推的方式，对传感器采样数据进行动态校准和估计，并给出一个更加准确的状态估计值，可以使用以下参数对卡尔曼滤波算法的参数进行设置，测量噪声协方差矩阵，系统噪声协方差矩阵/>，初始状态估计/>，初始状态误差协方差矩阵。本发明并不对上述参数设置做限定，上述参数设置以实际需求为准。
参阅图2，图2为本发明实施例提供的一种雷电预测模型的训练方法流程示意图，所述预先训练好的雷电预测模型是通过以下步骤训练得到的：
步骤S1：获取历史雷电数据，所述历史雷电数据包括雷电强度、雷电持续时间、位置信息中的至少一者；
步骤S2：采用所述特征模型获取所述历史雷电数据的特征，得到所述历史雷电数据的特征，将所述历史雷电数据的特征作为训练样本；
步骤S3：基于所述历史雷电数据的特征，对待训练的雷电预测模型进行训练，直至所述雷电预测模型中输出的雷电预测概率大于预设阈值时，停止训练，得到所述雷电预测模型。
雷电预测模型的训练方法是预测模型构建过程中的关键步骤之一，在构建模型的过程中，需要选择一些合适的特征，并利用这些特征对不同雷电预测位置生成预测函数。通常采用的机器学习算法包括支持向量机（support vector machines，SVM）算法、决策树算法、神经网络等。示例性地，当选用的机器学习算法为支持向量机算法构建所述雷电预测模型时，支持向量机算法可以基于历史数据的分类情况，生成一个预测函数，并利用该函数来预测未来可能出现的雷电事件，可以使用以下参数对支持向量机算法的参数进行设置：SVM核函数选用径向基函数（Radial Basis Function，RBF），核函数系数设置为0.1，惩罚参数设置为10，训练数据设置为10000条历史雷电数据。本发明并不对上述参数设置做限定，上述参数设置以实际需求为准。
在本发明可选的一实施例中，可以采用深度学习模式识别构建所述特征模型，深度学习模式是指利用深度神经网络进行特征提取和分类的过程。通过选择一种适当的神经网络结构，并对其进行训练和优化得到所述特征模型，以获得更高的识别准确率。当采用卷积神经网络（Convolutional Neural Networks，CNN）进行特征提取和分类时，卷积神经网络可以基于图像数据进行特征学习，可以对所述卷积神经网络进行以下设置：CNN网络结构可以为VGG16（Visual Geometry Group），学习率为0.01，迭代次数为1000次，训练数据为10000条历史雷电数据。本发明并不对上述参数设置做限定，上述参数设置以实际需求为准。
在本发明可选的一实施例中，可以基于时间序列模型构建所述雷电预测模型，采用历史监测数据进行分析和建模，并将其用于未来雷电的预测。常用的时间序列模型包括自回归（Autoregression，AR）模型、移动平均（Moving Average，MA）模型、ARIMA（Autoregressive Integrated Moving Average，自回归移动平均模型）模型等。当以ARIMA模型对所述雷电预测模型进行预测时，ARIMA模型可以基于历史雷电数据的时间序列特征，生成一个预测函数，采用该函数预测未来可能出现的雷电事件，可以采用10000条历史雷电数据作为训练数据，训练所述ARIMA模型得到所述雷电预测模型。本发明并不对上述参数设置做限定，上述参数设置以实际需求为准。
在本发明可选的一实施例中，在训练得到所述雷电预测模型之后，对训练得到的雷电预测模型进行精度评估，以确定所述雷电预测模型的准确性和可靠性。所述精度评估方法可以为均方差（Mean squared error，MSE）、平均绝对误差（mean absolute error，MAE）等。当采用平均绝对误差作为评估指标时，平均绝对误差指标可以衡量雷电预测模型预测误差的平均值，并给出一个比较直观的误差量化度量。在实际预测中，可以使用以下参数对所述评估方法进行设置：训练数据可以为10000条历史雷电数据，测试数据可以为1000条未来雷电数据，计算方法为MAE=Σ|真实值-预测值|/样本数。本发明并不对上述参数设置做限定，上述参数设置以实际需求为准。
在本发明可选的一实施例中，所述系统还包括：预警反馈模块，用于在管理员确认所述预警信息后，结束雷电监测；预警优化模块，用于将所述第一数据、所述第二数据和所述预警信息存储至所述雷电预测模型中，并对所述雷电监测模型进行优化。当待监测区域的管理员接收到预警信息后，根据预警信息做出相应的防范措施，或者在该时间范围内不进行危险操作，保障场所和人员的安全。将所述第一数据、所述第二数据和所述预警信息存储至所述雷电预测模型中，基于所述第一数据、所述第二数据和所述预警信息对所述雷电预测模型进行优化，实现所述雷电预测模型的实时更新。
本发明实施例提供一种雷电监测预警系统，通过数据获取模块获取待监测区域的目标状况数据和目标雷电数据；通过特征分析模块采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；通过位置预测模块采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个所述雷电预测位置，将所述雷电预测位置作为第二数据；通过概率预测模块将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；通过预警模块，用于当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。本发明实施例提供的雷电预测预警系统通过对图像数据进行分析，获取天气信息、雷电信息等，对待监测区域进行雷电位置预测，实现更精准、可靠的雷电预测和监测，提高了雷电预警和识别的准确度和效率，保障了加油站、加气站、油库等危化品储存场所的设备和人员安全，为场所管理者提供及时准确的决策依据。
基于同一发明构思，本发明实施例还提供一种雷电监测预警方法，参阅图4，图4为本发明实施例提供的一种雷电监测预警方法的流程示意图，所述方法包括以下步骤：
步骤S410：获取待监测区域的目标状况数据和目标雷电数据；
步骤S420：采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；
步骤S430：采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个雷电预测位置，将所述雷电预测位置作为第二数据；
步骤S440：将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型中，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；
步骤S450：当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。
所述目标状况数据和目标雷电数据均为所述待监测区域中的数据信息，基于所述目标状况数据和目标雷电数据，通过特征模型采集得到特征并分析可以得到待监测区域的天气信息、时间信息、雷电信息等，采用目标位置预测算法对所述信息进行雷电位置预测，得到至少一个雷电预测位置，将上述信息和雷电预测位置输入至预先训练好的雷电预测模型，可以得到每一个所述雷电预测位置的雷电预测概率，当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端，使管理员可以及时根据雷电预警信息做出相应的预警操作，保障财产和人员安全。本发明实施例提供的雷电预测预警方法通过对图像数据进行分析，获取天气信息、雷电信息等，对待监测区域进行雷电位置预测，实现更精准、可靠的雷电预测和监测，提高了雷电预警和识别的准确度和效率，保障了加油站、加气站、油库等危化品储存场所的设备和人员安全，为场所管理者提供及时准确的决策依据。
基于同一发明构思，本发明实施例公开了一种电子设备，图5示出了本发明实施例公开的一种电子设备示意图，如图5所示，电子设备100包括：存储器110和处理器120，所述电子设备的存储器不少于12G，处理器主频不低于2.4GHz，存储器110与处理器120之间通过总线通信连接，存储器110中存储有计算机程序，该计算机程序可在处理器120上运行，以实现本发明实施例公开的一种雷电监测预警系统。
基于同一发明构思，本发明实施例公开了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现本发明实施例公开的一种雷电监测预警系统。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例是参照根据本发明实施例的方法、装置、电子设备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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种雷电监测预警系统、方法、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种雷电监测预警系统，其特征在于，所述系统包括：
图像数据获取模块，用于获取待监测区域的目标图像数据，所述目标图像数据为满足第一预设条件和第二预设条件的图像数据，所述第一预设条件为预设雷电识别阈值，所述第二预设条件为预设雷电识别标准，所述预设雷电识别标准包括雷电亮度、雷电线条、雷电判断关联参数中的至少一者；
数据获取模块，用于基于所述目标图像数据，获取所述待监测区域的目标状况数据和目标雷电数据，所述目标状况数据包括所述待监测区域的天气数据和环境数据；
特征分析模块，用于采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；
位置预测模块，用于采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个所述雷电预测位置，将所述雷电预测位置作为第二数据；
概率预测模块，用于将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；
预警模块，用于当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。
2.根据权利要求1所述的雷电监测预警系统，其特征在于，所述系统还包括：
状况数据获取模块，用于采用图像传感器识别所述目标图像数据，得到所述目标状况数据；
雷电数据获取模块，用于采用雷电传感器识别所述目标图像数据，得到所述目标雷电数据，所述目标雷电数据包括待监测区域的雷电强度数据。
3.根据权利要求1所述的雷电监测预警系统，其特征在于，所述图像数据获取模块还包括：
第一判断单元，用于采用第一识别算法对所述图像数据进行第一识别，将满足第一预设条件的所述图像数据作为第一图像数据；
第二判断单元，用于采用第二识别算法对所述第一图像数据进行第二识别，将满足第二预设条件的所述第一图像数据作为第二图像数据；
目标图像数据获取单元，用于将所述第二图像数据作为目标图像数据。
4.根据权利要求1所述的雷电监测预警系统，其特征在于，所述特征模型是通过历史雷电数据训练得到的，所述特征分析模块包括：
天气分析单元，用于采用所述特征模型获取所述目标状况数据的天空特征和环境特征，基于所述天空特征和环境特征进行天气分析，得到所述天气信息，所述天气信息包括晴天、阴天、雨天；
时间分析单元，用于采用所述特征模型获取所述目标雷电数据的时间特征，基于所述时间特征进行时间分析，得到所述时间信息，所述时间信息为目标图像数据的获取时间；
雷电分析单元，用于采用所述特征模型获取所述目标雷电数据的雷电特征，基于所述雷电数据进行雷电分析，得到所述雷电信息，所述雷电信息包括电场强度；
第一数据获取单元，用于将所述天气信息、所述时间信息和所述雷电信息作为所述第一数据。
5.根据权利要求1所述的雷电监测预警系统，其特征在于，所述特征分析模块还包括：
数据处理单元，用于对所述目标状况数据和所述目标雷电数据进行去噪处理，得到去噪处理后的目标状况数据和目标雷电数据；
数据输入单元，用于将所述去噪处理后的目标状况数据和目标雷电数据输入至所述特征模型中。
6.根据权利要求1所述的雷电监测预警系统，其特征在于，所述雷电预测模型是通过以下步骤训练得到的：
获取历史雷电数据，所述历史雷电数据包括雷电强度、雷电持续时间、位置信息中的至少一者；
采用所述特征模型获取所述历史雷电数据的特征，得到所述历史雷电数据的特征，将所述历史雷电数据的特征作为训练样本；
基于所述历史雷电数据的特征，对待训练的雷电预测模型进行训练，直至所述雷电预测模型中输出的雷电预测概率大于预设阈值时，停止训练，得到所述雷电预测模型。
7.根据权利要求1所述的雷电监测预警系统，其特征在于，所述系统还包括：
预警反馈模块，用于在管理员确认所述预警信息后，结束雷电监测；
预警优化模块，用于将所述第一数据、所述第二数据和所述预警信息存储至所述雷电预测模型中，并对所述雷电预测模型进行优化。
8.一种雷电监测预警方法，其特征在于，所述方法包括：
获取待监测区域的目标图像数据，所述目标图像数据为满足第一预设条件和第二预设条件的图像数据，所述第一预设条件为预设雷电识别阈值，所述第二预设条件为预设雷电识别标准，所述预设雷电识别标准包括雷电亮度、雷电线条、雷电判断关联参数中的至少一者；
基于所述目标图像数据，获取所述待监测区域的目标状况数据和目标雷电数据，所述目标状况数据包括所述待监测区域的天气数据和环境数据；
采用特征模型获取所述目标状况数据和所述目标雷电数据的特征，对所述特征进行分析，生成第一数据，所述第一数据包括天气信息、时间信息、雷电信息中的至少一者；
采用目标位置预测算法对所述第一数据进行雷电位置预测，得到至少一个雷电预测位置，将所述雷电预测位置作为第二数据；
将所述第一数据和所述第二数据输入至预先训练好的雷电预测模型中，输出所述待监测区域中所述雷电预测位置的雷电预测概率，所述预先训练好的雷电预测模型是基于历史雷电数据训练得到的；
当任一所述雷电预测位置的雷电预测概率大于或等于预设阈值时，生成所述雷电预测位置的预警信息，并发布给待监测区域的管理员端。
9.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-7中任一项所述的雷电监测预警系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的雷电监测预警系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160046.5A CN116910491B (zh) | 2023-09-11 | 2023-09-11 | 一种雷电监测预警系统、方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160046.5A CN116910491B (zh) | 2023-09-11 | 2023-09-11 | 一种雷电监测预警系统、方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116910491A CN116910491A (zh) | 2023-10-20 |
| CN116910491B true CN116910491B (zh) | 2024-01-23 |
Family
ID=88358643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311160046.5A Active CN116910491B (zh) | 2023-09-11 | 2023-09-11 | 一种雷电监测预警系统、方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910491B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
| CN106019287A (zh) * | 2016-07-29 | 2016-10-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于小型雷达的输电线路雷电监测预警方法 |
| CN107728234A (zh) * | 2017-09-17 | 2018-02-23 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
| CN108427041A (zh) * | 2018-03-14 | 2018-08-21 | 南京中科九章信息技术有限公司 | 雷电预警方法、系统、电子设备和存储介质 |
| CN108957595A (zh) * | 2018-08-09 | 2018-12-07 | 深圳市雅码科技有限公司 | 一种雷电预报方法及系统 |
| 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 |
| CN112396116A (zh) * | 2020-11-24 | 2021-02-23 | 武汉三江中电科技有限责任公司 | 一种雷电检测方法、装置、计算机设备及可读介质 |
| CN113986999A (zh) * | 2021-09-13 | 2022-01-28 | 广东电网有限责任公司广州供电局 | 雷电预警方法、预警装置、电子设备和计算机存储介质 |
| CN114994801A (zh) * | 2022-08-05 | 2022-09-02 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种雷电监测预警方法及装置 |
| CN116541671A (zh) * | 2023-04-20 | 2023-08-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于深度学习的密集通道山火蔓延行为预测算法 |
-
2023
- 2023-09-11 CN CN202311160046.5A patent/CN116910491B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337133A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司中山供电局 | 基于识别预报技术的电网雷暴灾害预警系统及方法 |
| CN106019287A (zh) * | 2016-07-29 | 2016-10-12 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于小型雷达的输电线路雷电监测预警方法 |
| CN107728234A (zh) * | 2017-09-17 | 2018-02-23 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
| CN108427041A (zh) * | 2018-03-14 | 2018-08-21 | 南京中科九章信息技术有限公司 | 雷电预警方法、系统、电子设备和存储介质 |
| CN108957595A (zh) * | 2018-08-09 | 2018-12-07 | 深圳市雅码科技有限公司 | 一种雷电预报方法及系统 |
| 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 |
| CN112396116A (zh) * | 2020-11-24 | 2021-02-23 | 武汉三江中电科技有限责任公司 | 一种雷电检测方法、装置、计算机设备及可读介质 |
| CN113986999A (zh) * | 2021-09-13 | 2022-01-28 | 广东电网有限责任公司广州供电局 | 雷电预警方法、预警装置、电子设备和计算机存储介质 |
| CN114994801A (zh) * | 2022-08-05 | 2022-09-02 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种雷电监测预警方法及装置 |
| CN116541671A (zh) * | 2023-04-20 | 2023-08-04 | 国网安徽省电力有限公司电力科学研究院 | 一种基于深度学习的密集通道山火蔓延行为预测算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116910491A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10755136B2 (en) | Pruning filters for efficient convolutional neural networks for image recognition in vehicles | |
| KR101995107B1 (ko) | 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템 | |
| CN110321853B (zh) | 基于视频智能检测的分布式电缆防外破系统 | |
| Chu et al. | Real-time forecasting of solar irradiance ramps with smart image processing | |
| CN108009506A (zh) | 入侵检测方法、应用服务器及计算机可读存储介质 | |
| CN110598655B (zh) | 人工智能云计算多光谱烟雾高温火花火灾监控方法 | |
| CN114664048B (zh) | 一种基于卫星遥感监测的火情监测及火灾预警方法 | |
| CN111932519A (zh) | 天气预测方法、装置、计算机设备和存储介质 | |
| WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
| CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
| CN113095114A (zh) | 液压系统漏油检测方法、装置和设备 | |
| US20200074559A1 (en) | System and a method for computing infrastructural damages | |
| CN112862150A (zh) | 一种基于图像与视频多模型的森林火情预警方法 | |
| CN112686186A (zh) | 一种基于深度学习的高空抛物识别方法及其相关组件 | |
| CN117314157A (zh) | 一种矿山边坡稳定性的安全评估方法、装置、介质及设备 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| CN116910491B (zh) | 一种雷电监测预警系统、方法、电子设备及存储介质 | |
| CN117372954A (zh) | 充电站安全监测方法、装置、系统和计算机设备 | |
| CN117033935A (zh) | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 | |
| CN110318953B (zh) | 风电机组电控系统的温度监控方法和设备 | |
| KR102457470B1 (ko) | 영상 분석을 이용한 인공지능 기반 강수 판단장치 및 방법 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN115294048A (zh) | 一种异物检测方法、装置、设备及存储介质 | |
| CN114445669A (zh) | 一种烟火告警方法、装置、电子设备及存储介质 | |
| McKenzie et al. | An empirical evaluation of infrared clutter for point target detection algorithms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |