CN117077775B - 一种基于雷电数据的雷电动态图谱绘制方法及系统 - Google Patents
一种基于雷电数据的雷电动态图谱绘制方法及系统 Download PDFInfo
- Publication number
- CN117077775B CN117077775B CN202311067514.4A CN202311067514A CN117077775B CN 117077775 B CN117077775 B CN 117077775B CN 202311067514 A CN202311067514 A CN 202311067514A CN 117077775 B CN117077775 B CN 117077775B
- Authority
- CN
- China
- Prior art keywords
- data
- lightning
- grid
- time
- detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims description 101
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 102220070930 rs794728599 Human genes 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- POFWRMVFWIJXHP-UHFFFAOYSA-N n-benzyl-9-(oxan-2-yl)purin-6-amine Chemical compound C=1C=CC=CC=1CNC(C=1N=C2)=NC=NC=1N2C1CCCCO1 POFWRMVFWIJXHP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 208000025274 Lightning injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
-
- 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)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于雷电数据的雷电动态图谱绘制方法及系统，本发明将区域进行网格划分，并对网格区域进行灵活调整，根据调整后的网格区域内的雷电数据进行雷电动态图谱绘制，同时根据最新雷电数据对未来时间范围内的雷电数据进行预测；本发明提高了雷电数据展示的可观性，提高了对未来雷电数据预测的准确性。
Description
技术领域
本发明涉及雷电动态图谱绘制领域，尤其涉及一种基于雷电数据的雷电动态图谱绘制方法及系统。
背景技术
在电力行业，雷电动态图谱是一种重要的工具，用于评估和预测雷击风险，帮助电力企业制定相应的防雷策略和安全管理措施。目前，雷电动态图谱的制作和分析主要依赖于先进的雷电监测技术、数据处理算法和地理信息系统(GIS)技术。
首先，雷电监测技术的发展为雷电动态图谱提供了大量的实时雷电数据。雷电监测系统能够实时捕捉雷电活动的信息，包括雷暴云的运动轨迹、闪电频次和强度等参数。通过收集这些数据，可以分析雷电活动的时空分布规律，进而绘制出雷电动态图普，指导电力设施的布局和防雷措施的制定。
其次，数据处理算法在雷电动态图普的制作中起着关键作用。这些算法能够对大量的雷电监测数据进行处理和分析，提取出有用的信息并进行可视化展示。常见的数据处理算法包括聚类分析、空间插值和时空分析等，它们可以帮助识别雷击频次高的区域和雷电活动的热点区域，为制定针对性防雷策略提供支持。
同时，GIS技术在雷害风险分布图中的应用也非常重要。GIS技术能够将雷电监测数据与地理信息进行关联，实现雷击活动与地理位置的空间分析。通过在地图上展示雷电活动的分布情况，可以直观地了解雷害风险的空间特征，为电力设施的风险评估和防护规划提供基础数据。
然而，目前在雷电动态图普制作中仍面临一些挑战。首先，雷电监测技术虽然已经取得了很大进展，但仍存在一些盲区和数据不稳定的问题。这可能导致雷电动态图普的准确性和可靠性受到影响。其次，数据处理算法和GIS技术在实际应用中也需要不断改进和优化，以提高分布图的精度和实用性。
综上所述，在电力行业下，雷电动态图谱的制作依赖于先进的雷电监测技术、数据处理算法和GIS技术。这些技术的应用为电力行业提供了重要的决策依据，但仍需不断优化和完善，以更好地指导电力设施的布局和雷电防护工作。通过持续推进科技创新和技术进步，电力行业将能够更好地应对雷害风险，确保电力设施的安全运行。
发明内容
本发明的目的在于提供一种基于雷电数据的雷电动态图谱绘制方法，所述方法包括以下步骤：
S1.根据区域内探测站的布置点位和探测站的探测范围对区域进行网格划分；
S2.根据区域内历史雷电数据对步骤S1中的网格进行调整；
S3.根据历史雷电数据中的探测站位置数据，绘制雷电探测效率图谱；
S4.根据历史雷电数据中的探测站检测数据，绘制地闪密度图谱；
S5.根据历史雷电数据中的探测站雷电故障数据，绘制雷害故障分布图谱；
S6.将所述雷电探测效率图谱、地闪密度图谱、雷电灾害故障分布图谱进行合并，生成雷害图谱；
S7.根据雷电探测站捕获的最新数据，输入至LSTM神经网络模型中，预测未来预设时间内发生地闪放电次数，主回击次数，后续回击次数；
S8.根据所述最新数据动态调整所述雷害图谱。
第二方面，本发明还提供了一种基于雷电数据的雷电动态图谱绘制系统，所述系统执行如第一方面所述的方法。
本发明的有益效果如下：
1.本发明通过构建雷电数据的探测效率图谱、地闪密度图谱、雷害故障分布图谱，并根据最新雷电数据，对未来时间范围内的雷电数据进行预测，提高了雷电数据的客观性，同时提高了对未来雷电数据预测的准确性；
2.本发明通过对基于探测站的探测范围划分的网格区域进行二次划分，即将部分网格区域进行合并，将部分网格区域进行拆分，实现了有区分度地对各网格区域的雷电数据进行计算和预测，提高了系统整体的运行效率，且提高了系统对区域内雷电数据监测和预测的精准度；
3.本发明通过LSTM神经网络模型对未来预设时间范围内的雷电数据进行预测，并通过不断抽取正负样本对LSTM进行预先训练，提高了对雷电数据预测的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明的一个实施例提供了一种基于雷电数据的雷电动态图谱绘制方法的流程图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
本发明提出一种基于雷电数据的雷电动态图谱绘制方法，包括以下步骤：
S1.根据区域内探测站的布置点位和探测站的探测范围对区域进行网格划分；
S2.根据区域内历史雷电数据对步骤S1中的网格进行调整；
S3.根据历史雷电数据中的探测站位置数据，绘制雷电探测效率图谱；
S4.根据历史雷电数据中的探测站检测数据，绘制地闪密度图谱；
S5.根据历史雷电数据中的探测站雷电故障数据，绘制雷害故障分布图谱；
S6.将所述雷电探测效率图谱、地闪密度图谱、雷电灾害故障分布图谱进行合并，生成雷害图谱；
S7.根据雷电探测站捕获的最新数据，输入至LSTM神经网络模型中，预测未来预设时间内发生地闪放电次数，主回击次数，后续回击次数；
S8.根据所述最新数据动态调整所述雷害图谱。
进一步地，所述步骤S1具体包括如下步骤：
S11.获取区域内多个探测站的布置点位{G1，G2…，Gn}和所述多个探测站的探测范围{S1，S2…，Sn}，其中，处于点位Gi的探测站的探测范围为Si，i＝1,2…n；
其中，n为探测站的个数；
S12.根据所述多个探测站的探测范围{S1，S2…，Sn}，将所述区域进行网格划分，获得多个网格区域{S1，S2…，Sn}。
进一步地，所述步骤S2具体包括如下步骤：
S21.获取区域内的多个网格区域{S1，S2…，Sn}中每个网格区域内的历史雷电数据；
其中，获取历史雷电数据为，获取预设时长T范围内的历史雷电数据；
其中，所述预设时长可灵活设定，可设定为一年、半年、三个月等。
所述每个网格区域内的历史雷电数据包括三个雷电数据表，分别为探测站数据表、雷电数据表、故障数据表；
其中，所述探测站数据表只存在一行数据，该行数据包括：探测站编号、探测站经度坐标、探测站纬度坐标；
其中，雷电数据表记录该网格区域内发生雷电的数据；所述雷电数据表包括一行或多行数据，其中每行数据包括：时间、雷电发生经度、雷电发生纬度、雷电电流幅值、地闪放电次数、主放电次数、主回击次数、后续回击次数；
其中，故障数据表记录该网格区域内发生故障的数据；所述故障数据表包括一行或多行数据，其中每行数据包括：电压等级、线路名称、杆塔号、跳闸时间、故障发生经度、故障发生纬度、故障类别；
S22.统计各网格区域内的雷电数据表的行数h1和故障数据表的行数h2，当一个网格区域Si内的行数h1＜T1，并且行数h2＜T2时，判断所述一个网格区域的上、下、左、右四个方向且与该一个网格区域Si相邻的多个网格区域的雷电数据表的行数{h11，h12…，h1m}和故障数据表的行数{h21，h22…，h2m}，计算所述相邻的多个网格的雷电数据表行数与故障数据表行数的平均值，获得{H1，H2，…，Hm}；
其中，T1和T2为预设阈值，可根据实际情况灵活设置。
其中m为与所述一个网格区域Si的相邻的多个网格区域的数量；
其中，(j＝1,2,…，m)；
获取{H1，H2，…，Hm}中最小数值所对应的网格区域Sj，将所述一个网格区域Si与所述最小数值所对应的网格区域Sj进行数据合并；
当一个网格区域Si内的行数h1>T'1，并且行数h2>T'2时，将该一个网格区域Si的雷电数据表中各行数据中的地闪放电次数进行相加，获得地闪放电次数总和F1；当所述F1>Tf时，将该一个网格区域Si进行拆分，拆分成两个网格区域Si1和Si2，并将该一个网格区域Si内的雷电数据表和故障数据表中的数据分别对应拆分至两个网格区域Si1和Si2中。
其中T'1、T'2、Tf为预设阈值，可根据具体情况灵活设定。
进一步地，T'1>T1，T'2>T2。
S23.针对多个网格区域{S1，S2…，Sn}中每个网格区域，重复执行步骤S22，直至所有网格区域均被处理完成为止，获得多个网格区域{S1，S2…，Sx}；其中，x为经过处理后的网格区域个数。
进一步地，所述步骤S22中对网格区域进行数据合并，具体包括如下步骤：
S221.将网格区域Si和网格区域Sj合并成一个网格区域Sij；
S222.网格区域Sij的探测站数据表包括两行数据，分别为网格区域Si内的探测站的探测站编号、探测站经度坐标、探测站纬度坐标；网格区域Sj内的探测站的探测站编号、探测站经度坐标、探测站纬度坐标；
网格区域Sij的雷电数据表为将网格区域Si和网格区域Sj的多行雷电数据进行合并；
网格区域Sij的故障数据表为将网格区域Si和网格区域Sj的多行故障数据进行合并。
进一步地，所述步骤S22中对网格区域Si进行拆分，具体包括如下步骤：
S22A.将网格区域Si拆分成上下两部分或者左右两部分；
其中，上下两部分，或者左右两部分的面积相等或不相等；
S22B.根据网格区域Si中雷电数据表中每行数据的雷电发生经度和雷电发生纬度，当该行数据的雷电发生经度和雷电发生纬度落入在Si1或Si2范围内时，将该行数据对应添加至网格区域Si1或Si2中的雷电数据表中；当该行数据的故障发生经度和故障发生纬度落入在Si1或Si2范围内时，将该行数据对应添加至网格区域Si1或Si2中的故障数据表中；
并且，网格区域Si1和Si2中的探测站数据表与网格区域Si的探测站数据表相同。
进一步地，所述步骤S3具体包括如下步骤：
S31.获取网格区域{S1，S2…，Sx}中各网格区域中在预设时长T范围内的历史雷电数据中的主放电次数总和Tg以及地闪放电次数的总和Tsg；
其中，一个网格区域对应的主放电次数总和Tg为该网格区域内的雷电数据表中各行数据中的主放电次数之和；一个网格区域内的地闪放电次数总和Tsg为该网格区域内的雷电数据表中各行数据中的地闪放电次数之和；
计算各个网格区域对应的探测效率DE，其中探测效率DE的计算方式为：DE＝Tsg/Tg/Acell；
其中，Acell为网格区域的面积；
S32.在步骤S1中的所述区域对应的GIS图像中，根据各网格区域{S1，S2…，Sx}的范围对所述GIS图像进行分割，并在每个分割后的网格区域内对探测站进行标记，并在每个所述网格区域内显示该网格区域对应的探测效率，形成雷电探测效率图谱。
进一步地，所述步骤S4具体包括如下步骤：
S41.获取网格区域{S1，S2…，Sx}中各网格区域中在预设时长T范围内的历史雷电数据中的主放电次数总和Tg；
S42.计算各网格区域{S1，S2…，Sx}对应的地闪密度Ng；
其中，Ng＝Tg/Acell；Acell为网格区域的面积；
S43.在步骤S1中的所述区域对应的GIS图像中，根据各网格区域{S1，S2…，Sx}的范围对所述GIS图像进行分割，并在每个分割后的网格区域内对探测站进行标记，并在每个所述网格区域内显示该网格区域对应的地闪密度，形成地闪密度图谱。
进一步地，所述步骤S5具体包括如下步骤：
S51.获取网格区域{S1，S2…，Sx}中各网格区域中在预设时长T范围内的历史雷电数据中的故障次数总和G；
所述故障次数总和G为网格区域内故障数据表的行数；
S52.在步骤S1中的所述区域对应的GIS图像中，根据各网格区域{S1，S2…，Sx}的范围对所述GIS图像进行分割，并在每个分割后的网格区域内对探测站进行标记，并在每个所述网格区域内显示该网格区域对应的故障次数总和G，形成雷害故障分布图谱。
进一步地，所述步骤S6具体包括如下步骤：
S61.在步骤S1中的所述区域对应的GIS图像中，根据各网格区域{S1，S2…，Sx}的范围对所述GIS图像进行分割，并在每个分割后的网格区域内对探测站进行标记，并在每个所述网格区域内显示该网格区域对应的探测效率、地闪密度、故障次数总和，形成雷害图谱。
进一步地，所述步骤S7具体包括如下步骤：
S71.实时将各探测站探测的数据存储至历史雷电数据库中；
所述各探测站探测的数据包括雷电数据表中的数据以及故障数据表中的数据；
S72.每隔预设固定时间T'，获取从当前时刻开始，各网格区域{S1，S2…，Sx}的T时间范围内的历史雷电数据；
其中，预设固定时间T'可灵活设置，为一个月、三个月、半年等。
S72.将各网格区域对应的所述T时间范围内的历史雷电数据输入至LSTM神经网络模型中，预测未来预设时间Time内发生地闪放电次数、主回击次数、后续回击次数；
其中，所述未来预设时间Time可灵活设置，为一个月、三个月等。
所述T时间范围内的历史雷电数据包括网格区域中探测站的经度和纬度、雷电数据表内的数据、故障数据表内的数据；
所述未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数为按照时间先后顺序排列的多行数据；每行数据包括：时间、地闪放电次数、主回击次数、后续回击次数；
其中当网格区域中包括两个探测站时，将该两个探测站的经度的平均值和纬度的平均值作为该网格区域中探测站的经度和纬度。
进一步地，所述步骤S7中LSTM神经网络模型为预先构建，所述构建方式具体包括如下步骤：
S7A.以预设时长T为时间长度，随机截取多个长度为T时间段的历史雷电数据；
S7B.获取每个长度为T时间段的历史雷电数据对应的未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数；
获取所述未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数，具体为：
针对该长度为T时间段的历史雷电数据，获取该长度为T时间段的终止时间点位起始点，未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数；
所述未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数为按照时间先后顺序排列的多行数据；每行数据包括：时间、地闪放电次数、主回击次数、后续回击次数；
S7C.将每个长度为T时间段的历史雷电数据和其对应的未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数，组成一个正样本；将每个长度为T时间段的历史雷电数据和与其对应的未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数不同的随机数，组成一个负样本；最终形成多个正样本组成的正样本集合，多个负样本组成的负样本集合；
S7D.分别抽取正样本数量的70％和负样本数量的70％作为训练样本，对所述LSTM神经网络模型进行训练；抽取正样本数量的30％和负样本数量的30％作为测试样本，对所述LSTM模型进行测试；
S7E.重复执行步骤S7A至步骤S7D，直至LSTM神经网络模型损失函数收敛为止，形成训练完成的LSTM神经网络模型。
其中，LSTM训练的方式采用常规的训练方法，在此不做进一步限定。
进一步地，所述步骤S8具体包括如下步骤：
S81.每隔预设固定时间T'对雷害图谱进行数据更新。
实施例二
一种基于雷电数据的雷电动态图谱绘制系统，所述系统执行如实施例一中所述的方法。
本发明的有益效果如下：
1.本发明通过构建雷电数据的探测效率图谱、地闪密度图谱、雷害故障分布图谱，并根据最新雷电数据，对未来时间范围内的雷电数据进行预测，提高了雷电数据的客观性，同时提高了对未来雷电数据预测的准确性；
2.本发明通过对基于探测站的探测范围划分的网格区域进行二次划分，即将部分网格区域进行合并，将部分网格区域进行拆分，实现了有区分度地对各网格区域的雷电数据进行计算和预测，提高了系统整体的运行效率，且提高了系统对区域内雷电数据监测和预测的精准度；
3.本发明通过LSTM神经网络模型对未来预设时间范围内的雷电数据进行预测，并通过不断抽取正负样本对LSTM进行预先训练，提高了对雷电数据预测的准确性。
Claims (8)
1.一种基于雷电数据的雷电动态图谱绘制方法，包括以下步骤：
S1.根据区域内探测站的布置点位和探测站的探测范围对区域进行网格划分；
S2.根据区域内历史雷电数据对步骤S1中的网格进行调整；
S3.根据历史雷电数据中的探测站位置数据，绘制雷电探测效率图谱；
S4.根据历史雷电数据中的探测站检测数据，绘制地闪密度图谱；
S5.根据历史雷电数据中的探测站雷电故障数据，绘制雷害故障分布图谱；
S6.将所述雷电探测效率图谱、地闪密度图谱、雷电灾害故障分布图谱进行合并，生成雷害图谱；
S7.根据雷电探测站捕获的最新数据，输入至LSTM神经网络模型中，预测未来预设时间内发生地闪放电次数，主回击次数，后续回击次数；
S8.根据所述最新数据动态调整所述雷害图谱；
所述步骤S1具体包括如下步骤：
S11.获取区域内多个探测站的布置点位{G1，G2…，Gn}和所述多个探测站的探测范围{S1，S2…，Sn}，其中，处于点位Gi的探测站的探测范围为Si，i＝1,2…n；
其中，n为探测站的个数；
S12.根据所述多个探测站的探测范围{S1，S2…，Sn}，将所述区域进行网格划分，获得多个网格区域{S1，S2…，Sn}；
所述步骤S2具体包括如下步骤：
S21.获取区域内的多个网格区域{S1，S2…，Sn}中每个网格区域内的历史雷电数据；
其中，获取历史雷电数据为，获取预设时长T范围内的历史雷电数据；
所述每个网格区域内的历史雷电数据包括三个雷电数据表，分别为探测站数据表、雷电数据表、故障数据表；
其中，所述探测站数据表只存在一行数据，该行数据包括：探测站编号、探测站经度坐标、探测站纬度坐标；
其中，雷电数据表记录该网格区域内发生雷电的数据；所述雷电数据表包括一行或多行数据，其中每行数据包括：时间、雷电发生经度、雷电发生纬度、雷电电流幅值、地闪放电次数、主放电次数、主回击次数、后续回击次数；
其中，故障数据表记录该网格区域内发生故障的数据；所述故障数据表包括一行或多行数据，其中每行数据包括：电压等级、线路名称、杆塔号、跳闸时间、故障发生经度、故障发生纬度、故障类别；
S22.统计各网格区域内的雷电数据表的行数h1和故障数据表的行数h2，当一个网格区域Si内的行数h1＜T1，并且行数h2＜T2时，判断所述一个网格区域的上、下、左、右四个方向且与该一个网格区域Si相邻的多个网格区域的雷电数据表的行数{h11，h12…，h1m}和故障数据表的行数{h21，h22…，h2m}，计算所述相邻的多个网格的雷电数据表行数与故障数据表行数的平均值，获得{H1，H2，…，Hm}；
其中m为与所述一个网格区域Si的相邻的多个网格区域的数量；
其中，
获取{H1，H2，…，Hm}中最小数值所对应的网格区域Sj，将所述一个网格区域Si与所述最小数值所对应的网格区域Sj进行数据合并；
当一个网格区域Si内的行数h1>T1′，并且行数h2>T2′时，将该一个网格区域Si的雷电数据表中各行数据中的地闪放电次数进行相加，获得地闪放电次数总和F1；当所述F1>Tf时，将该一个网格区域Si进行拆分，拆分成两个网格区域Si1和Si2，并将该一个网格区域Si内的雷电数据表和故障数据表中的数据分别对应拆分至两个网格区域Si1和Si2中；
S23.针对多个网格区域{S1，S2…，Sn}中每个网格区域，重复执行步骤S22，直至所有网格区域均被处理完成为止，获得多个网格区域{S1，S2…，Sx}；其中，x为经过处理后的网格区域个数。
2.根据权利要求1所述的方法，其特征在于，所述步骤S22中对网格区域进行数据合并，具体包括如下步骤：
S221.将网格区域Si和网格区域Sj合并成一个网格区域Sij；
S222.网格区域Sij的探测站数据表包括两行数据，分别为网格区域Si内的探测站的探测站编号、探测站经度坐标、探测站纬度坐标；网格区域Sj内的探测站的探测站编号、探测站经度坐标、探测站纬度坐标；
网格区域Sij的雷电数据表为将网格区域Si和网格区域Sj的多行雷电数据进行合并；
网格区域Sij的故障数据表为将网格区域Si和网格区域Sj的多行故障数据进行合并。
3.根据权利要求1所述的方法，其特征在于，所述步骤S22中对网格区域Si进行拆分，具体包括如下步骤：
S22A.将网格区域Si拆分成上下两部分或者左右两部分；
其中，上下两部分，或者左右两部分的面积相等或不相等；
S22B.根据网格区域Si中雷电数据表中每行数据的雷电发生经度和雷电发生纬度，当该行数据的雷电发生经度和雷电发生纬度落入在Si1或Si2范围内时，将该行数据对应添加至网格区域Si1或Si2中的雷电数据表中；当该行数据的故障发生经度和故障发生纬度落入在Si1或Si2范围内时，将该行数据对应添加至网格区域Si1或Si2中的故障数据表中；
并且，网格区域Si1和Si2中的探测站数据表与网格区域Si的探测站数据表相同。
4.根据权利要求3所述的方法，其特征在于，所述步骤S6具体包括如下步骤：
S61.在步骤S1中的所述区域对应的GIS图像中，根据各网格区域{S1，S2…，Sx}的范围对所述GIS图像进行分割，并在每个分割后的网格区域内对探测站进行标记，并在每个所述网格区域内显示该网格区域对应的探测效率、地闪密度、故障次数总和，形成雷害图谱。
5.根据权利要求4所述的方法，其特征在于，所述步骤S7具体包括如下步骤：
S71.实时将各探测站探测的数据存储至历史雷电数据库中；
所述各探测站探测的数据包括雷电数据表中的数据以及故障数据表中的数据；
S72.每隔预设固定时间T′，获取从当前时刻开始，各网格区域{S1，S2…，Sx}的T时间范围内的历史雷电数据；
S72.将各网格区域对应的所述T时间范围内的历史雷电数据输入至LSTM神经网络模型中，预测未来预设时间Time内发生地闪放电次数、主回击次数、后续回击次数；
所述T时间范围内的历史雷电数据包括网格区域中探测站的经度和纬度、雷电数据表内的数据、故障数据表内的数据；
所述未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数为按照时间先后顺序排列的多行数据；每行数据包括：时间、地闪放电次数、主回击次数、后续回击次数；
其中当网格区域中包括两个探测站时，将该两个探测站的经度的平均值和纬度的平均值作为该网格区域中探测站的经度和纬度。
6.根据权利要求5所述的方法，其特征在于，所述步骤S7中LSTM神经网络模型为预先构建，所述构建方式具体包括如下步骤：
S7A.以预设时长T为时间长度，随机截取多个长度为T时间段的历史雷电数据；
S7B.获取每个长度为T时间段的历史雷电数据对应的未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数；
获取所述未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数，具体为：
针对该长度为T时间段的历史雷电数据，获取该长度为T时间段的终止时间点位起始点，未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数；
所述未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数为按照时间先后顺序排列的多行数据；每行数据包括：时间、地闪放电次数、主回击次数、后续回击次数；
S7C.将每个长度为T时间段的历史雷电数据和其对应的未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数，组成一个正样本；将每个长度为T时间段的历史雷电数据和与其对应的未来预设时间Time的发生地闪放电次数、主回击次数、后续回击次数不同的随机数，组成一个负样本；最终形成多个正样本组成的正样本集合，多个负样本组成的负样本集合；
S7D.分别抽取正样本数量的70％和负样本数量的70％作为训练样本，对所述LSTM神经网络模型进行训练；抽取正样本数量的30％和负样本数量的30％作为测试样本，对所述LSTM模型进行测试；
S7E.重复执行步骤S7A至步骤S7D，直至LSTM神经网络模型损失函数收敛为止，形成训练完成的LSTM神经网络模型。
7.根据权利要求6所述的方法，其特征在于，所述步骤S8具体包括如下步骤：
S81.每隔预设固定时间T′对雷害图谱进行数据更新。
8.一种基于雷电数据的雷电动态图谱绘制系统，所述系统执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311067514.4A CN117077775B (zh) | 2023-08-23 | 2023-08-23 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311067514.4A CN117077775B (zh) | 2023-08-23 | 2023-08-23 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077775A CN117077775A (zh) | 2023-11-17 |
| CN117077775B true CN117077775B (zh) | 2024-04-09 |
Family
ID=88713010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311067514.4A Active CN117077775B (zh) | 2023-08-23 | 2023-08-23 | 一种基于雷电数据的雷电动态图谱绘制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077775B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012044499A (ja) * | 2010-08-20 | 2012-03-01 | Nippon Telegr & Teleph Corp <Ntt> | 落雷リスク回避システム、方法および通信ネットワークシステム |
| CN104063602A (zh) * | 2014-06-27 | 2014-09-24 | 清华大学 | 基于改进的网格法对大面积区域地闪密度的计算方法 |
| CN106372392A (zh) * | 2016-08-26 | 2017-02-01 | 武汉大学 | 基于核密度估计的输电线路走廊雷害分布统计方法 |
| CN109061774A (zh) * | 2018-06-26 | 2018-12-21 | 合肥佳讯科技有限公司 | 一种雷暴核关联性处理方法 |
| WO2019011334A1 (zh) * | 2017-07-13 | 2019-01-17 | 国网江苏省电力有限公司苏州供电分公司 | 雷电动态防护方法及系统 |
| CN109241161A (zh) * | 2018-08-09 | 2019-01-18 | 深圳市雅码科技有限公司 | 一种气象数据管理方法 |
| CN113011098A (zh) * | 2021-03-26 | 2021-06-22 | 云南电网有限责任公司电力科学研究院 | 一种输电走廊区域雷电活动规律分析显示模型及系统 |
| CN114118598A (zh) * | 2021-12-01 | 2022-03-01 | 国网湖南省电力有限公司 | 基于深度学习预测模型的电网雷电灾害预测方法及系统 |
| US11270243B1 (en) * | 2020-10-01 | 2022-03-08 | Electricfish Energy Inc. | System and method for electrical grid management, risk mitigation, and resilience |
| CN114238490A (zh) * | 2021-11-24 | 2022-03-25 | 南方电网科学研究院有限责任公司 | 一种雷电参数统计系统 |
| WO2022078186A1 (zh) * | 2020-10-14 | 2022-04-21 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
| CN114881380A (zh) * | 2022-07-12 | 2022-08-09 | 太极计算机股份有限公司 | 基于深度学习的航空气象数据的降尺度处理方法及系统 |
| CN115146547A (zh) * | 2022-09-01 | 2022-10-04 | 南京信息工程大学 | 一种基于栅格的闪电落区预测方法 |
| CN115656642A (zh) * | 2022-11-08 | 2023-01-31 | 湛江港石化码头有限责任公司 | 一种基于石化码头的雷电预警方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3752463B2 (ja) * | 2002-03-29 | 2006-03-08 | 東京電力株式会社 | 落雷位置標定方法、装置、システム及びプログラム |
| CN100578488C (zh) * | 2008-04-21 | 2010-01-06 | 国网武汉高压研究院 | 电网雷害分布确定方法 |
| US20220343221A1 (en) * | 2018-06-28 | 2022-10-27 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
| JP7212259B2 (ja) * | 2019-03-04 | 2023-01-25 | 日本電信電話株式会社 | 雷対策必要設備抽出装置、雷対策必要設備抽出方法及び雷対策必要設備抽出プログラム |
-
2023
- 2023-08-23 CN CN202311067514.4A patent/CN117077775B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012044499A (ja) * | 2010-08-20 | 2012-03-01 | Nippon Telegr & Teleph Corp <Ntt> | 落雷リスク回避システム、方法および通信ネットワークシステム |
| CN104063602A (zh) * | 2014-06-27 | 2014-09-24 | 清华大学 | 基于改进的网格法对大面积区域地闪密度的计算方法 |
| CN106372392A (zh) * | 2016-08-26 | 2017-02-01 | 武汉大学 | 基于核密度估计的输电线路走廊雷害分布统计方法 |
| WO2019011334A1 (zh) * | 2017-07-13 | 2019-01-17 | 国网江苏省电力有限公司苏州供电分公司 | 雷电动态防护方法及系统 |
| CN109061774A (zh) * | 2018-06-26 | 2018-12-21 | 合肥佳讯科技有限公司 | 一种雷暴核关联性处理方法 |
| CN109241161A (zh) * | 2018-08-09 | 2019-01-18 | 深圳市雅码科技有限公司 | 一种气象数据管理方法 |
| US11270243B1 (en) * | 2020-10-01 | 2022-03-08 | Electricfish Energy Inc. | System and method for electrical grid management, risk mitigation, and resilience |
| WO2022078186A1 (zh) * | 2020-10-14 | 2022-04-21 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
| CN113011098A (zh) * | 2021-03-26 | 2021-06-22 | 云南电网有限责任公司电力科学研究院 | 一种输电走廊区域雷电活动规律分析显示模型及系统 |
| CN114238490A (zh) * | 2021-11-24 | 2022-03-25 | 南方电网科学研究院有限责任公司 | 一种雷电参数统计系统 |
| CN114118598A (zh) * | 2021-12-01 | 2022-03-01 | 国网湖南省电力有限公司 | 基于深度学习预测模型的电网雷电灾害预测方法及系统 |
| CN114881380A (zh) * | 2022-07-12 | 2022-08-09 | 太极计算机股份有限公司 | 基于深度学习的航空气象数据的降尺度处理方法及系统 |
| CN115146547A (zh) * | 2022-09-01 | 2022-10-04 | 南京信息工程大学 | 一种基于栅格的闪电落区预测方法 |
| CN115656642A (zh) * | 2022-11-08 | 2023-01-31 | 湛江港石化码头有限责任公司 | 一种基于石化码头的雷电预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GIS的网格化雷电灾害风险评估模型及其应用;张烨方;冯真祯;王颖波;刘冰;杨超;;气象科技(01);147-152 * |
| 基于闪电数据的雷暴识别、追踪与外推方法;周康辉;郑永光;蓝渝;;应用气象学报;20160315(02);47-55 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077775A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cooley et al. | Spatial hierarchical modeling of precipitation extremes from a regional climate model | |
| Guikema et al. | Predicting hurricane power outages to support storm response planning | |
| Yang et al. | Modeling the effects of precipitation and temperature patterns on agricultural drought in China from 1949 to 2015 | |
| CN110009226B (zh) | 一种场地污染风险等级评测及敏感受体影响识别系统 | |
| CN113962659A (zh) | 一种基于云计算的智能电网大数据信息管理系统及方法 | |
| Gibson et al. | Evaluating synoptic systems in the CMIP5 climate models over the Australian region | |
| US20210405253A1 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
| Nouri et al. | Moroccan wind farm potential feasibility. Case study | |
| CN105046581A (zh) | 基于多参数风荷载的输电线路强风跳闸风险评估方法 | |
| Srinivas et al. | Multi-site downscaling of maximum and minimum daily temperature using support vector machine | |
| Li-Ge et al. | Probability distribution and projected trends of daily precipitation in China | |
| Christiansen | Analysis of ensemble mean forecasts: The blessings of high dimensionality | |
| Angalakudati et al. | Improving emergency storm planning using machine learning | |
| CN117077775B (zh) | 一种基于雷电数据的雷电动态图谱绘制方法及系统 | |
| CN109784557A (zh) | 基于经验贝叶斯克里金模型来估算pm2.5的方法、系统及介质 | |
| Wang et al. | Projection Pursuit Method Based on Connection Cloud Model for Assessment of Debris Flow Disasters. | |
| Cheng et al. | Application of clustering analysis in the prediction of photovoltaic power generation based on neural network | |
| Duong et al. | Changes in river discharge in the Indochina Peninsula region projected using MRI-AGCM and MIROC5 datasets | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN113779892B (zh) | 一种风速和风向的预测方法 | |
| Papazachos et al. | Present patterns of decelerating–accelerating seismic strain in South Japan | |
| CN108573233A (zh) | 一种基于图像处理技术的电网陶瓷绝缘子识别方法 | |
| CN113297811A (zh) | 一种针对民众异味投诉的大气污染溯源计算方法 | |
| Qu et al. | Short-term mathematical prediction model of air quality based on CEEMD-ELM-PSO | |
| Shi et al. | Analysis of the factors influencing on bird nesting and its impact on railway operation |
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 |