CN117349692A - 一种综合多雷电预警因子的配电线路雷电预警方法 - Google Patents
一种综合多雷电预警因子的配电线路雷电预警方法 Download PDFInfo
- Publication number
- CN117349692A CN117349692A CN202311639476.5A CN202311639476A CN117349692A CN 117349692 A CN117349692 A CN 117349692A CN 202311639476 A CN202311639476 A CN 202311639476A CN 117349692 A CN117349692 A CN 117349692A
- Authority
- CN
- China
- Prior art keywords
- early warning
- lightning
- lightning early
- distribution line
- echo
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000007788 liquid Substances 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 36
- 230000005684 electric field Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000000178 monomer Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000004880 explosion Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 241001061225 Arcos Species 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical group C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/09—Supervised learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种综合多雷电预警因子的配电线路雷电预警方法,结合雷暴天气下的大气场强、回波强度、回波顶高、垂直累积液态水含量等雷电预警因子数据进行列表分析,得出各个雷电预警因子预警阈值大小,并利用熵权法计算出权重,根据各权重得到雷电预警综合阈值指标;同时,利用改进的烟花算法对模糊聚类算法进行优化,综合雷电定位数据利用改进烟花算法优化的模糊聚类算法对被保护配电线路与雷暴中心的距离进行预测。结合雷电预警综合阈值指标与雷暴中心距离预测结果确定配电线路雷暴天气下的雷电预警等级。本发明增强了配电线路雷害预警信息的准确性与可操作性,具有实际工程应用价值。
Description
技术领域
本发明涉及配电线路雷害预警领域,具体涉及一种综合多雷电预警因子的配电线路雷电预警方法。
背景技术
近年来,全球气候变化明显,极端天气增多,雷电活动更加频繁剧烈,雷害的频繁发生对地面建筑设施的安全、人员生命财产安全、设备通讯以及输配电系统稳定运行都造成了巨大威胁。而随着经济的发展,配电网规模不断扩大,配电网线路和设备遭受雷击的频率增高,影响变大,对配网防雷的要求也在不断提升,因此,对配电线路雷电及其灾害进行监测、预警、预报和防御的需求也变得越来越迫切。
现有雷电预警方法只是考虑使用单一的雷达气象数据对雷电进行预警,而雷达数据缺少了雷暴中心关于电的信息,因此会造成雷电预警成功率不足。这些研究在考虑雷达气象数据基础上结合电场强度和雷电定位数据进一步完善了雷电预警因子的选择,综合进行雷电预警,但没有量化各因子阈值与雷电预警结果之间的联系。且对于实际配电线路来说,单台大气电场仪和雷达气象仪只能对某一时刻的雷电进行预警,依然无法知道雷暴中心的位置和移动的趋势,因此,仅考虑使用大气电场仪和雷达气象仪测出来的数据进行配电线路雷电预警的效果具有一定的局限性。
发明内容
针对上述问题,本发明提供了一种综合多雷电预警因子的配电线路雷电预警方法,结合雷暴天气下的大气场强、回波强度、回波顶高、垂直累积液态水含量等雷电预警因子数据进行列表分析,计算权重并得到雷电预警综合阈值指标,综合雷电定位数据利用改进烟花算法优化的模糊聚类算法对被保护配电线路与雷暴中心的距离进行预测。
本发明采取的技术方案如下:一种综合多雷电预警因子的配电线路雷电预警方法,包括以下步骤:
步骤1:收集并提取配电线路区域雷电定位数据,并将大气电场仪与雷达气象仪检测到的大气场强、回波顶高、回波强度和垂直累积液态水含量作为雷电预警因子;
步骤2:计算步骤1提取的4类雷电预警因子分别进行雷电预警时,根据不同阈值下的成功预警率、预警虚报率和临界成功指数,确定各雷电预警因子最优预警阈值;
步骤3:利用熵权法计算大气场强、回波顶高、回波强度和垂直累积液态水含量4类雷电预警因子的权重,根据权重计算雷电预警综合指标,并根据雷电预警因子的权重和各雷电预警因子最优预警阈值确定雷电预警综合指标阈值;
步骤4:利用改进的烟花算法对模糊聚类算法进行优化;
步骤5:结合雷电定位数据,利用改进烟花算法优化的模糊聚类算法对配电线路的雷电进行距离预警并确定距离预警等级;
步骤6:综合步骤3得到的雷电预警综合指标阈值和步骤5得到的距离预警结果,得到线路雷电预警等级。
所述步骤1包括以下步骤:收集目标地区配电线路的杆塔经纬度数据,提取在N月发生在目标地区的M个雷暴单体的经纬度坐标、雷电流幅值、雷暴发生时间;将统计的雷电流经纬度数据和杆塔经纬度数据,转化成Excel数据格式文件,利用地理空间处理平台,定义X轴和Y轴数据,选择合适的地图投影,自动导入,提取N月发生在目标地区的M个雷暴单体对应的大气场强、回波顶高、回波强度和垂直累积液态水含量。
进一步优选,所述步骤2包括以下步骤:
步骤2.1、以N月发生在目标地区的M个雷暴单体对应的大气场强、回波顶高、回波强度和垂直累积液态水含量为样本,计算不同雷电预警因子阈值下的成功预警率(POD)、预警虚报率(FAR)和临界成功指数(CSI);
步骤2.2、根据计算出的不同雷电预警因子阈值下的成功预警率、预警虚报率和临界成功指数,确定各雷电预警因子最优预警阈值。
进一步优选,步骤3所述利用熵权法计算大气场强、回波顶高、回波强度和垂直累积液态水含量4类雷电预警因子的权重的过程如下:
对电场强度、回波强度、回波顶高、垂直积累液态水含量4种雷电预警因子等效为正向指标,熵权法对正向指标归一化处理如下:
;
式中为正向指标b的第a个样本数值,是原始矩阵G0中的元素,为的归
一化值,为正向指标b的最大值,为正向指标b的最小值;
求标准化后的矩阵G:
;
;
式中,为标准化后的值,a∈1~n,b∈1~m,m为正向指标数量,n为样本数
量;
接着求各正向指标的熵权,首先计算各正向指标的熵,计算公式如下所示:
;
式中为正向指标b的熵;
最后,利用熵计算正向指标的熵权wb,计算公式如下:
;
式中,为正向指标b的熵权;计算得到电场强度(QEF)、回波强度(QdBZ)、回波顶高
(QET)、垂直积累液态水含量(QVIL)的熵权。
进一步优选,步骤3中,所述雷电预警综合指标计算公式如下:
;
式中,为雷电预警综合指标,为电场强度(QEF)的熵权,为回波强度(QdBZ)
的熵权,为回波顶高(QET)的熵权,为垂直积累液态水含量(QVIL)的熵权;为归一
后的电场强度分量,为归一后的回波强度分量,为归一后的回波顶高分量,
为归一后的垂直积累液态水含量分量。
进一步优选,步骤3中,将电场强度最优预警阈值(VEF)、回波强度最优预警阈值
(VdBZ)、回波顶高最优预警阈值(VET)、垂直积累液态水含量最优预警阈值(VVIL)代入雷电预
警综合指标计算公式中,计算得到雷电预警综合指标阈值。
进一步优选,步骤4所述改进的烟花算法,包括:
优化为动态的爆炸半径系数:对烟花算法中爆炸半径大小系数Er进行优化,将其由固定值调整为动态值,Er优化的计算公式为:
;
其中t为当前选代次数;Tmax为最大选代次数;Au为烟花算法中爆炸半径大小系数Er的最佳值,Au按照下式计算可得:
Amax=(Uk-Lk)*0.02;
Amin=(Uk-Lk)*0.005;
Au=(Amax+Amin)/2;
其中Amax是Er的上界,Amin是Er的下界,Lk、Uk分别为搜索范围的上界,Lk分别为搜索范围的下界,k为高斯变异选取的维度数目;
利用高斯变异算子搜索全局最优解,高斯变异算子为:
;
式中,i为样本中计算个体的编号,其中是最小的烟花位置;为进行迭代
前的烟花位置,为每一次迭代后的烟花位置;rand为0-1的随机数;C(0,1)是柯西分布的
随机数;N(0,1)是高斯分布的随机数。
步骤4所述利用改进的烟花算法对模糊聚类算法进行优化的过程为:对雷电定位数据进行归一化处理,将属性值转换至[0,1]区间,确定最邻近样本的数目,计算缺失数据距离最近的K个近邻样本,对改进的烟花算法模型进行初始化;利用不完整数据集中的完整属性训练改进的烟花算法模型,使用训练好的改进的烟花算法模型的生成数据填充数据集中缺失属性,初始化模糊聚类算法聚类数目、模糊系数、最大迭代次数和停止阈值,优化后生成种群,随机选择M个烟花位置;利用高斯变异算子生成变异烟花,选择最优位置传递给下一代,并使用轮盘赌的方法选择剩下的M-1个个体传递给下一代;保存最优烟花位置,将此位置作为模糊聚类算法的初始聚类中心,并更新第t次迭代的隶属度矩阵Ut,更新第t次迭代的聚类中心Vt,不断迭代,当达到最大迭代次数或|Ut-Ut-1|≤0.001时,Ut-1代表第t-1次迭代的隶属度矩阵,聚类结束。
进一步优选,所述步骤5包括:将雷电定位系统监测到的强雷暴天气气象数据,利用步骤4优化后的模糊聚类算法对每组雷暴数据进行聚类,得到各个时段的雷暴中心,并对雷暴的发展轨迹进行线性拟合,计算出雷暴的运动方向和速度,预测下一次雷暴发生的位置。
进一步优选,利用下式计算步骤5预测的雷电位置与被保护的配电线路之间的距离d:
d=r*Arcos[cos(Yi1)*cos(Yi2)*cos(Xi1-Xi2)+sin(Yi1)*sin(Yi2)];
式中r为地球半径,r为6371km,Xi1为被保护线路杆塔经度坐标,Yi1为被保护线路杆塔纬度坐标,Xi2为步骤4预测到的雷暴的经度坐标,Yi2为步骤4预测到的雷暴的纬度坐标。
本发明结合雷暴天气下的大气场强、回波强度、回波顶高、垂直累积液态水含量等雷电预警因子数据进行列表分析,得出各个雷电预警因子阈值大小并利用熵权法计算出相应权重,根据各权重得到雷电预警综合阈值指标。同时,利用改进的烟花算法对模糊聚类算法进行优化,综合雷电定位数据利用改进烟花算法优化的模糊聚类算法对被保护配电线路与雷暴中心的距离进行预测。结合雷电预警综合指标阈值与雷暴中心距离预测结果确定配电线路雷暴天气下的雷电预警等级。本发明增强了配电线路雷害预警信息的准确性与可操作性,具有实际工程应用价值。
附图说明
图1为本发明的方法流程图。
图2为不同大气场强预警阈值条件下的成功预警率、预警虚报率和临界成功指数图。
图3为改进烟花算法优化的模糊聚类算法聚类后雷暴中心点线性拟合曲线图。
具体实施方式
下面参照附图并结合具体的实施例,对本发明作进一步的详细说明:
一种综合多雷电预警因子的配电线路雷电预警方法,包括以下步骤:
步骤1:收集并提取配电线路区域雷电定位数据,并将大气电场仪与雷达气象仪检测到的大气场强、回波顶高、回波强度和垂直累积液态水含量作为雷电预警因子;
步骤2:计算步骤1提取的4类雷电预警因子分别进行雷电预警时,根据不同阈值下的成功预警率、预警虚报率和临界成功指数,确定各雷电预警因子最优预警阈值;
步骤3:利用熵权法计算大气场强、回波顶高、回波强度和垂直累积液态水含量4类雷电预警因子的权重,根据权重计算雷电预警综合指标,并根据雷电预警因子的权重和各雷电预警因子最优预警阈值确定雷电预警综合指标阈值;
步骤4:利用改进的烟花算法对模糊聚类算法进行优化;
步骤5:结合雷电定位数据,利用改进烟花算法优化的模糊聚类算法对配电线路的雷电进行距离预警并确定距离预警等级;
步骤6:综合步骤3得到的雷电预警综合指标阈值和步骤5得到的距离预警结果,得到线路雷电预警等级。
所述步骤1包括以下步骤:收集到江西南昌地区10kV配电线路的杆塔经纬度数据,提取在2022年5~6月发生在南昌地区的105个雷暴单体的经纬度坐标、雷电流幅值、雷暴发生时间。将统计的雷电流经纬度数据和杆塔经纬度数据,转化成Excel数据格式文件,扩展名为.xls,利用地理空间处理平台,定义X轴和Y轴数据,选择合适的地图投影,自动导入,提取5~6月发生在南昌地区的105个雷暴单体对应的大气场强、回波顶高、回波强度和垂直累积液态水含量。
本发明所述步骤2包括以下步骤:
步骤2.1、以N月发生在目标地区的M个雷暴单体对应的大气场强、回波顶高、回波强度和垂直累积液态水含量为样本,计算不同雷电预警因子阈值下的成功预警率(POD)、预警虚报率(FAR)和临界成功指数(CSI)。定义如表1所示。
表1
成功预警率(POD)表示在实况观测中,雷电预警成功的百分比,其值介于0-1之间,数值越大越接近成功预警,定义为:
(1);
预警虚报率(FAR)表示在雷电预警中虚报的百分比,其值介于0-1之间,数值越小越接近于成功预警,定义为:
(2);
临界成功指数(CSI)表示在整个雷电预警事件中(包括正确预警、虚报预警和漏报预警)正确预警的百分比,其值介于0-1之间,数值越大越接近成功预警,定义为:
(3);
分别计算大气场强预警阈值设定为D1,D2…Dn时的成功预警率DPOD、预警虚报率DFAR和临界成功指数DCSI。分别计算回波顶高阈值设定为H1,H2…Hn时的成功预警率HPOD、预警虚报率HFAR和临界成功指数HCSI。分别计算回波强度阈值设定为B1,B2…Bn时的成功预警率BPOD、预警虚报率BFAR和临界成功指数BCSI,分别计算垂直累积液态水含量阈值设定为C1,C2…Cn时的成功预警率CPOD、预警虚报率CFAR和临界成功指数CCSI。
步骤2.2、根据计算出的不同雷电预警因子阈值下的成功预警率、预警虚报率和临界成功指数,确定各雷电预警因子最优预警阈值。
本实施例中,统计在不同大气场强预警阈值下的105个雷暴单体的分布情况,如表2所示,并且计算DPOD、DFAR和DCSI,所得结果如图2所示,确定在南昌地区的大气场强最优预警阈值为1.2kV/m,统计不同回波顶高预警阈值情况下的单体分布,计算HPOD、HFAR和HCSI,计算结果如表4所示,分析确定南昌地区的回波顶高最优预警阈值为8km。
表2
表3
结合不同温度高度层,统计不同回波强度预警阈值情况下的单体分布。计算BPOD、BFAR和BCSI,计算结果如表3所示,分析确定南昌地区的回波强度最优预警阈值为40dBz。
表4
统计不同垂直液态水含量预警阈值情况下的单体分布,如表5所示。计算CPOD、CFAR和CCSI,计算结果如表6所示,分析确定南昌地区的垂直积累液态水含量最优预警阈值为5.2kg·m-2。
表5
表6
所述步骤3包括以下步骤:
对电场强度、回波强度、回波顶高、垂直积累液态水含量4种雷电预警因子等效为正向指标,熵权法对正向指标归一化处理如下:
(4);
式中,为正向指标b的第a个样本数值,是原始矩阵G0中的元素,为的归
一化值,为正向指标b的最大值,为正向指标b的最小值。
进一步求标准化后的矩阵G:
(5);
(6);
式中,为标准化后的值,a∈1~n,b∈1~m,m为正向指标数量,n为样本数
量;
接着求各正向指标的熵权,首先计算各正向指标的熵,计算公式如下所示:
(7);
式中为正向指标b的熵。
最后,利用熵计算正向指标的熵权wb,计算公式如下:
(8);
式中,为正向指标b的熵权。
计算得到电场强度(QEF)、回波强度(QdBZ)、回波顶高(QET)、垂直积累液态水含量
(QVIL)的熵权。利用求得的熵权构建雷电预警综合指标,其由归一后的电场强度分量,归一后的回波强度分量、归一后的回波顶高分量、归一后的垂直积累液态
水含量分量共4个分量相加构成,具体如下:
(9);
式中,为电场强度(QEF)的熵权,为回波强度(QdBZ)的熵权,为回波顶高
(QET)的熵权,为垂直积累液态水含量(QVIL)的熵权;
将电场强度最优预警阈值(VEF)、回波强度最优预警阈值(VdBZ)、回波顶高最优预警
阈值(VET)、垂直积累液态水含量最优预警阈值(VVIL)代入公式(9)中,计算得到雷电预警综
合指标阈值。
进一步优选,步骤4所述利用改进的烟花算法对模糊聚类算法进行优化,包括:
步骤4.1、改进烟花算法:(1)优化为动态的爆炸半径系数:对烟花算法中爆炸半径大小系数Er进行优化,将其由固定值调整为动态值,Er优化的计算公式为:
(10);
其中t为当前选代次数;Tmax为最大选代次数;Au为烟花算法中爆炸半径大小系数Er的最佳值,Au按照公式(11)、(12)和(13)计算可得:
Amax=(Uk-Lk)*0.02(11);
Amin=(Uk-Lk)*0.005(12);
Au=(Amax+Amin)/2(13);
其中Amax是Er的上界,Amin是Er的下界,Lk、Uk分别为搜索范围的上界,Lk分别为搜索范围的下界,k为高斯变异选取的维度数目。
(2)改进变异函数:利用高斯变异算子在最优区域附近精确搜索全局最优解,高斯变异算子的计算由公式(14)所示:
(14);
式中,i为样本中计算个体的编号,其中是最小的烟花位置;为进行迭代
前的烟花位置,为每一次迭代后的烟花位置;rand为0-1的随机数;C(0,1)是柯西分布的
随机数;N(0,1)是高斯分布的随机数。
步骤4.2、改进烟花算法优化模糊聚类算法:对雷电定位数据进行归一化处理,将属性值转换至[0,1]区间,确定最邻近样本的数目,计算缺失数据距离最近的K个近邻样本,对改进的烟花算法模型进行初始化。利用不完整数据集中的完整属性训练改进的烟花算法模型,使用训练好的改进的烟花算法模型的生成数据填充数据集中缺失属性,初始化模糊聚类算法聚类数目、模糊系数、最大迭代次数和停止阈值,优化后生成种群,随机选择M个烟花位置;利用公式(14)生成变异烟花,选择最优位置传递给下一代,并使用轮盘赌的方法选择剩下的M-1个个体传递给下一代;保存最优烟花位置,将此位置作为模糊聚类算法的初始聚类中心,并更新第t次迭代的隶属度矩阵Ut,更新第t次迭代的聚类中心Vt,不断迭代,当达到最大迭代次数或|Ut-Ut-1|≤0.001时,Ut-1代表第t-1次迭代的隶属度矩阵,聚类结束。
将雷电定位系统监测到的2022年7月23日江西南昌出现的一次强雷暴天气气象数据分为5组,利用步骤4优化后的模糊聚类算法对每组雷暴数据进行聚类,得到这5个时段的雷暴中心,并对雷暴的发展轨迹进行线性拟合,计算出雷暴的运动方向和速度,预测下一次雷暴发生的位置。图3为2022年7月23日江西南昌出现的一次强雷暴天气的发展轨迹拟合图。
利用公式(15)计算步骤5预测的雷电位置与被保护的配电线路之间的距离d:
d=r*Arcos[cos(Yi1)*cos(Yi2)*cos(Xi1-Xi2)+sin(Yi1)*sin(Yi2)](15);
式中r为地球半径,r为6371km,Xi1为被保护线路杆塔经度坐标,Yi1为被保护线路杆塔纬度坐标,Xi2为步骤4预测到的雷暴的经度坐标,Yi2为步骤4预测到的雷暴的纬度坐标。
南昌市2022年7月23日的雷暴天气主要受影响的杆塔坐标为(28.735N,
115.567E),步骤5预测的雷电的位置为(28.743N,115.579E),通过公式(15)计算得到雷电
距离被保护线路之间的距离为4.3km。同时,监测到被保护线路杆塔上空的电场强度(QEF)为
1.4kV/m、回波强度(QdBZ)为43dBZ、回波顶高(QET)为8.6km、垂直积累液态水含量(QVIL)为
6.7kg/m2,按步骤3方法计算得到雷电预警综合指标为0.746,大于雷电预警综合指标阈值(0.623)。计算得到预测的雷暴中心与被保护线路距离在0km~5km范围内且雷电预警综
合指标达到阈值,发出3级雷电警告。
最后应说明的是:以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案;因此尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但是本领域的技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围中。
Claims (10)
1.一种综合多雷电预警因子的配电线路雷电预警方法,其特征在于,包括以下步骤:
步骤1:收集并提取配电线路区域雷电定位数据,并将大气电场仪与雷达气象仪检测到的大气场强、回波顶高、回波强度和垂直累积液态水含量作为雷电预警因子;
步骤2:计算步骤1提取的4类雷电预警因子分别进行雷电预警时,根据不同阈值下的成功预警率、预警虚报率和临界成功指数,确定各雷电预警因子最优预警阈值;
步骤3:利用熵权法计算大气场强、回波顶高、回波强度和垂直累积液态水含量4类雷电预警因子的权重,根据权重计算雷电预警综合指标,并根据雷电预警因子的权重和各雷电预警因子最优预警阈值确定雷电预警综合指标阈值;
步骤4:利用改进的烟花算法对模糊聚类算法进行优化;
步骤5:结合雷电定位数据,利用改进烟花算法优化的模糊聚类算法对配电线路的雷电进行距离预警并确定距离预警等级;
步骤6:综合步骤3得到的雷电预警综合指标阈值和步骤5得到的距离预警结果,得到线路雷电预警等级。
2.根据权利要求1所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,所述步骤1包括以下步骤:收集目标地区配电线路的杆塔经纬度数据,提取在N月发生在目标地区的M个雷暴单体的经纬度坐标、雷电流幅值、雷暴发生时间;将统计的雷电流经纬度数据和杆塔经纬度数据,转化成Excel数据格式文件,利用地理空间处理平台,定义X轴和Y轴数据,选择合适的地图投影,自动导入,提取N月发生在目标地区的M个雷暴单体对应的大气场强、回波顶高、回波强度和垂直累积液态水含量。
3.根据权利要求2所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1、以N月发生在目标地区的M个雷暴单体对应的大气场强、回波顶高、回波强度和垂直累积液态水含量为样本,计算不同雷电预警因子阈值下的成功预警率、预警虚报率和临界成功指数;
步骤2.2、根据计算出的不同雷电预警因子阈值下的成功预警率、预警虚报率和临界成功指数,确定各雷电预警因子最优预警阈值。
4.根据权利要求1所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,步骤3所述利用熵权法计算大气场强、回波顶高、回波强度和垂直累积液态水含量4类雷电预警因子的权重的过程如下:
对电场强度、回波强度、回波顶高、垂直积累液态水含量4种雷电预警因子等效为正向指标,熵权法对正向指标归一化处理如下:
;
式中为正向指标b的第a个样本数值,是原始矩阵G0中的元素,/>为/>的归一化值,/>为正向指标b的最大值,/>为正向指标b的最小值;
求标准化后的矩阵G:
;
;
式中,为/>标准化后的值,a∈1~n,b∈1~m,m为正向指标数量,n为样本数量;
接着求各正向指标的熵权,首先计算各正向指标的熵,计算公式如下所示:
;
式中为正向指标b的熵;
最后,利用熵计算正向指标的熵权wb,计算公式如下:
;
式中,为正向指标b的熵权;计算得到电场强度(QEF)、回波强度(QdBZ)、回波顶高(QET)、垂直积累液态水含量(QVIL)的熵权。
5.根据权利要求4所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,步骤3中,所述雷电预警综合指标计算公式如下:
;
式中,为雷电预警综合指标,/>为电场强度(QEF)的熵权,/>为回波强度(QdBZ)的熵权,/>为回波顶高(QET)的熵权,/>为垂直积累液态水含量(QVIL)的熵权;/>为归一后的电场强度分量,/>为归一后的回波强度分量,/>为归一后的回波顶高分量,/>为归一后的垂直积累液态水含量分量。
6.根据权利要求5所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,步骤3中,将电场强度最优预警阈值、回波强度最优预警阈值、回波顶高最优预警阈值、垂直积累液态水含量最优预警阈值代入雷电预警综合指标计算公式中,计算得到雷电预警综合指标阈值。
7.根据权利要求1所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,步骤4所述改进的烟花算法,包括:
优化为动态的爆炸半径系数:对烟花算法中爆炸半径大小系数Er进行优化,将其由固定值调整为动态值,Er优化的计算公式为:
;
其中t为当前选代次数;Tmax为最大选代次数;Au为烟花算法中爆炸半径大小系数Er的最佳值,Au按照下式计算可得:
Amax=(Uk-Lk)*0.02;
Amin=(Uk-Lk)*0.005;
Au=(Amax+Amin)/2;
其中Amax是Er的上界,Amin是Er的下界,Lk、Uk分别为搜索范围的上界,Lk分别为搜索范围的下界,k为高斯变异选取的维度数目;
利用高斯变异算子搜索全局最优解,高斯变异算子为:
;
式中,i为样本中计算个体的编号,其中是最小的烟花位置;/>为进行迭代前的烟花位置,/>为每一次迭代后的烟花位置;rand为0-1的随机数;C(0,1)是柯西分布的随机数;N(0,1)是高斯分布的随机数。
8.根据权利要求7所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,步骤4所述利用改进的烟花算法对模糊聚类算法进行优化的过程为:对雷电定位数据进行归一化处理,将属性值转换至[0,1]区间,确定最邻近样本的数目,计算缺失数据距离最近的K个近邻样本,对改进的烟花算法模型进行初始化;利用不完整数据集中的完整属性训练改进的烟花算法模型,使用训练好的改进的烟花算法模型的生成数据填充数据集中缺失属性,初始化模糊聚类算法聚类数目、模糊系数、最大迭代次数和停止阈值,优化后生成种群,随机选择M个烟花位置;利用高斯变异算子生成变异烟花,选择最优位置传递给下一代,并使用轮盘赌的方法选择剩下的M-1个个体传递给下一代;保存最优烟花位置,将此位置作为模糊聚类算法的初始聚类中心,并更新第t次迭代的隶属度矩阵Ut,更新第t次迭代的聚类中心Vt,不断迭代,当达到最大迭代次数或|Ut-Ut-1|≤0.001时,Ut-1代表第t-1次迭代的隶属度矩阵,聚类结束。
9.根据权利要求8所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,所述步骤5包括:将雷电定位系统监测到的强雷暴天气气象数据,利用步骤4优化后的模糊聚类算法对每组雷暴数据进行聚类,得到各个时段的雷暴中心,并对雷暴的发展轨迹进行线性拟合,计算出雷暴的运动方向和速度,预测下一次雷暴发生的位置。
10.根据权利要求9所述的综合多雷电预警因子的配电线路雷电预警方法,其特征在于,利用下式计算步骤5预测的雷电位置与被保护的配电线路之间的距离d:
d=r*Arcos[cos(Yi1)*cos(Yi2)*cos(Xi1-Xi2)+sin(Yi1)*sin(Yi2)];
式中r为地球半径,r为6371km,Xi1为被保护线路杆塔经度坐标,Yi1为被保护线路杆塔纬度坐标,Xi2为步骤4预测到的雷暴的经度坐标,Yi2为步骤4预测到的雷暴的纬度坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639476.5A CN117349692B (zh) | 2023-12-04 | 2023-12-04 | 一种综合多雷电预警因子的配电线路雷电预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639476.5A CN117349692B (zh) | 2023-12-04 | 2023-12-04 | 一种综合多雷电预警因子的配电线路雷电预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349692A true CN117349692A (zh) | 2024-01-05 |
CN117349692B CN117349692B (zh) | 2024-05-07 |
Family
ID=89356019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639476.5A Active CN117349692B (zh) | 2023-12-04 | 2023-12-04 | 一种综合多雷电预警因子的配电线路雷电预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349692B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018018840A1 (zh) * | 2016-07-29 | 2018-02-01 | 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 |
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 |
CN110907708A (zh) * | 2019-12-09 | 2020-03-24 | 国网江苏省电力有限公司电力科学研究院 | 一种雷电预警方法 |
CN116090821A (zh) * | 2023-02-01 | 2023-05-09 | 国网河南省电力公司许昌供电公司 | 一种考虑极端天气的配电网线路安全风险评估方法 |
CN116109133A (zh) * | 2022-12-13 | 2023-05-12 | 国网浙江省电力有限公司金华供电公司 | 一种雷暴天气输电线路风险预警方法 |
US20230161073A1 (en) * | 2021-11-25 | 2023-05-25 | Zhejiang Meteorological Observatory | Thunderstorm gale early-warning method, system, equipment, and terminal |
CN116523299A (zh) * | 2023-04-08 | 2023-08-01 | 国网江西省电力有限公司南昌供电分公司 | 一种配电线路杆塔雷害特征参数分级评估方法 |
CN116819472A (zh) * | 2023-05-18 | 2023-09-29 | 贵州电网有限责任公司 | 一种基于雷达数据信息的雷电预警方法及系统 |
-
2023
- 2023-12-04 CN CN202311639476.5A patent/CN117349692B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018018840A1 (zh) * | 2016-07-29 | 2018-02-01 | 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 |
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 |
CN110907708A (zh) * | 2019-12-09 | 2020-03-24 | 国网江苏省电力有限公司电力科学研究院 | 一种雷电预警方法 |
US20230161073A1 (en) * | 2021-11-25 | 2023-05-25 | Zhejiang Meteorological Observatory | Thunderstorm gale early-warning method, system, equipment, and terminal |
CN116109133A (zh) * | 2022-12-13 | 2023-05-12 | 国网浙江省电力有限公司金华供电公司 | 一种雷暴天气输电线路风险预警方法 |
CN116090821A (zh) * | 2023-02-01 | 2023-05-09 | 国网河南省电力公司许昌供电公司 | 一种考虑极端天气的配电网线路安全风险评估方法 |
CN116523299A (zh) * | 2023-04-08 | 2023-08-01 | 国网江西省电力有限公司南昌供电分公司 | 一种配电线路杆塔雷害特征参数分级评估方法 |
CN116819472A (zh) * | 2023-05-18 | 2023-09-29 | 贵州电网有限责任公司 | 一种基于雷达数据信息的雷电预警方法及系统 |
Non-Patent Citations (8)
Title |
---|
HANTAO TAO 等: "Method of lightning warning based on atmospheric electric field and lightning location data", 《2016 33RD INTERNATIONAL CONFERENCE ON LIGHTNING PROTECTION (ICLP)》, 22 December 2016 (2016-12-22), pages 1 - 5 * |
SHANQIANG GU 等: "Lightning Proximity Warning System for Power Transmission Channel with Integrated Multi-sensor", 《2019 11TH ASIA-PACIFIC INTERNATIONAL CONFERENCE ON LIGHTNING (APL)》, pages 1 - 6 * |
李国梁 等: "武汉地区雷电预警阈值研究", 《气象科技》, vol. 43, no. 05, pages 874 - 879 * |
李述文: "恶劣气象灾害下架空输电线路运行风险评估研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 02, pages 042 - 1341 * |
杜涵: "基于雷电定位数据关联挖掘的线路雷害风险综合评价方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 03, pages 042 - 1210 * |
王硕: "基于改进GAN与烟花算法的不完整数据聚类算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, pages 138 - 158 * |
苟阿宁 等: "基于雷达参量的湖北地闪预警方法及效果检验", 《气象》, vol. 48, no. 07, pages 878 - 890 * |
高文胜 等: "基于雷电定位系统监测数据的雷暴云趋势预测", 《电网技术》, vol. 39, no. 02, 5 February 2015 (2015-02-05), pages 523 - 529 * |
Also Published As
Publication number | Publication date |
---|---|
CN117349692B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463700B (zh) | 一种基于数据挖掘技术的输电线路杆塔雷击风险评估方法 | |
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
CN108831115B (zh) | 一种基于Adaboost的输电线路暴雨灾害风险预警方法 | |
CN113298295B (zh) | 一种面向电力生产的气象预报系统 | |
CN107193060B (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
CN112886923B (zh) | 一种雷电天气的光伏电站运维方法及设备 | |
CN110633818B (zh) | 一种配电网台风风灾预警方法及系统 | |
CN105068149A (zh) | 一种基于多信息综合的输变电设备雷电监测和预报方法 | |
CN110866693B (zh) | 一种基于gis模型的架空输电线路覆冰风险评估方法 | |
Zhu et al. | Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China | |
CN116384733A (zh) | 一种强对流天气下基于气象雷达的输电线路风险预警方法 | |
CN111860947A (zh) | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 | |
CN110097223A (zh) | 一种台风灾害下输电线路损毁预警方法 | |
CN109299208A (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
CN116109133A (zh) | 一种雷暴天气输电线路风险预警方法 | |
CN114966233A (zh) | 基于深度神经网络的雷电预报系统及方法 | |
CN117349692B (zh) | 一种综合多雷电预警因子的配电线路雷电预警方法 | |
CN112347872B (zh) | 一种基于地面观测的雷暴大风风暴体标识方法及系统 | |
CN116523299A (zh) | 一种配电线路杆塔雷害特征参数分级评估方法 | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
CN106408194A (zh) | 一种基于gis网格化输电线路运维难度量化评估方法 | |
Shi et al. | Investigation on the lightning location and warning system using artificial intelligence | |
CN115456463A (zh) | 一种山洪灾害危险区风险等级划分方法及系统 | |
CN110174713B (zh) | 一种电力线路强对流天气监测预警方法及装置 |
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 |