TWI831681B

TWI831681B - 落雷預測方法及其運算裝置

Info

Publication number: TWI831681B
Application number: TW112115737A
Authority: TW
Inventors: 李政崇; 林彥廷; 陳柏江
Original assignee: 台灣電力股份有限公司
Priority date: 2023-04-27
Filing date: 2023-04-27
Publication date: 2024-02-01

Abstract

一種用於預測落雷的運算裝置，該運算裝置包含一儲存模組及一處理模組，該儲存模組儲存有一用於預測相關於一地域之一落雷預測結果的落雷預測模型，該處理模組獲得多筆相關於發生在自該地域所延伸之多個不同區域範圍中，且發生在一早於一待預測時間點之過去時間區段中之雲中放電的雲中放電資料，該處理模組根據每筆雲中放電資料獲得其所對應之雲中放電個數，並根據所有的雲中放電個數統計出一雲中放電總數，該處理模組根據所有的雲中放電個數及該雲中放電總數，利用該落雷強度預測模型，獲得相關於該地域在該待預測時間點之該落雷預測結果。

Description

落雷預測方法及其運算裝置

本發明是有關於一種預測方法，特別是指一種用於預測落雷的落雷預測方法。

閃電有包含兩種，第一為雲中放電，即空氣溫度下降到冰點的高度以上，雲內的液態水變成冰晶和過冷卻水滴，由於空氣的密度不同會造成空氣對流，在這些水滴或冰晶摩擦碰撞的過程中便會產生電荷，如果雲內出現兩個足夠強的相反電位，帶正電的區域就會像帶負電的區域放電，進而產生雲內閃電或雲間閃電；第二為雲對地落雷，是由雲層往地面傳下來的雷電擊，對人的生命及財產具有威脅性，若是擊中人體，身上的水分會瞬間蒸發，並可擾亂心跳而致人於死地，若是擊中電力公司所架設的輸電線路，恐會損壞線路及連接於線路上之電子設備造成財產的損失，因應電力公司所架設之輸電線路的電壓不同，所能承受的落雷強度亦不同，若能精確預測落雷等級，可以針對不同電壓的線路提出預警，以便廠商或現場人員提早準備，以降低損失，因此，勢必得提出一解決方案，來避免雷擊可能導致的財產損失。

因此，本發明之目的，即在提供一種可自動預測落雷強度之落雷預測方法。

於是，本發明一種落雷預測方法，藉由一運算裝置來實施，該運算裝置儲存有一用於預測相關於一地域之一落雷預測結果的落雷預測模型，該落雷預測結果指示出該地域於一預測時間點將發生一第一級落雷、一第二級落雷，及一第三級落雷之其中一者，該落雷預測方法包含一步驟(A)、一步驟(B)，及一步驟(C)。

該步驟(A)是該運算裝置獲得多筆相關於發生在自該地域所延伸之多個不同區域範圍中，且發生在一早於一待預測時間點之過去時間區段中之雲中放電的雲中放電資料。

該步驟(B)是該運算裝置根據每筆雲中放電資料獲得其所對應之雲中放電個數，並根據所有的雲中放電個數統計出一雲中放電總數。

該步驟(C)是該運算裝置根據所有的雲中放電個數及該雲中放電總數，利用該落雷強度預測模型，獲得相關於該地域在該待預測時間點之該落雷預測結果。

本發明的另一目的，即在提供一種用於預測落雷強度的運算裝置。

於是，本發明運算裝置，包含一儲存模組及一處理模組。

該儲存模組用於儲存一用於預測相關於一地域之一落雷預測結果的落雷預測模型，該落雷預測結果指示出該地域於一預測時間點將發生一第一級落雷、一第二級落雷，及一第三級落雷之其中一者。

該處理模組電連接該儲存模組。

其中，該處理模組獲得多筆相關於發生在自該地域所延伸之多個不同區域範圍中，且發生在一早於一待預測時間點之過去時間區段中之雲中放電的雲中放電資料，該處理模組根據每筆雲中放電資料獲得其所對應之雲中放電個數，並根據所有的雲中放電個數統計出一雲中放電總數，該處理模組根據所有的雲中放電個數及該雲中放電總數，利用該落雷強度預測模型，獲得相關於該地域在該待預測時間點之該落雷預測結果。

本發明的功效在於：藉由該處理模組獲得該等雲中放電資料，且根據每筆雲中放電資料獲得其所對應之雲中放電個數及該雲中放電總數，並根據所有的雲中放電個數及該雲中放電總數利用該落雷強度預測模型，獲得相關於該地域之該落雷預測結果，以自動化預測落雷強度。

1:通訊網路

2:運算裝置

21:通訊模組

22:處理模組

23:儲存模組

3:風向量測裝置

4:雷電收集裝置

5:觀測風向

51:擴展觀測風向

52:0~3公里篩選觀測範圍

53:3~5公里篩選觀測範圍

54:5~10公里篩選觀測範圍

55:10~20公里篩選觀測範圍

61~66:步驟

631~632:步驟

71~74:步驟

721~722:步驟

本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：圖1是一方塊圖，說明一用於執行本發明落雷預測方法之一實施例的運算裝置；圖2是一流程圖，說明本發明落雷預測方法的該實施例的一模型訓練程序；圖3是一流程圖，說明該模型訓練程序如何根據多筆待訓練落雷資料獲得多筆篩選後的觀測雲中放電資料之細部流程；圖4是一流程圖，說明該實施例的一落雷預測程序；圖5是一流程圖，說明該落雷預測程序如何根據多筆雲中放電資料獲得多筆篩選後的雲中放電資料之細部流程；圖6是一示意圖，說明一地區所延伸之多個不同區域及多個觀測雲中放電；及圖7是一示意圖，說明根據一觀測風向所界定出的多個篩選觀測範圍。

參閱圖1，本發明落雷預測方法的一實施例，藉由一運算裝置2來實施，該運算裝置2經由一通訊網路1連接一用於量測風向之風向量測裝置3及一用於收集相關於雲中放電之雲中放電資料的雷電收集裝置4，該運算裝置2包含一儲存模組23、一通訊模組21，及一電連接該儲存模組23及該通訊模組21的處理模組22。該運算裝置2之實施態樣例如為一個人電腦、一伺服器或一雲端主機，但不以此為限。該風向量測裝置3之實施態樣例如為一氣象站，但不以此為限。

該儲存模組23用於儲存一用於預測相關於一地域之一落雷預測結果的落雷預測模型、多筆對應多個不同觀測時間區間且相關於該地域之落雷資料。該落雷預測結果指示出該地域於一預測時間點將發生一第一級落雷、一第二級落雷，及一第三級落雷之其中一者，每一筆落雷資料包含該地域在一觀測時間點的一落雷強度、相關於該地域於早於該觀測時間點之一過去觀測風向時間點之一觀測風向，及多筆相關於發生在自該地域所延伸之多個不同區域範圍中，且發生在一早於該觀測時間點之過去時間區段中的觀測雲中放電的觀測雲中放電資料。其中，該過去觀測風向時間點為早於該觀測時間點之過去時間區段的起始時間點，但不以此為限。

舉例來說，若該地域為一台中科學園區，該等不同區域範圍(見圖6)可以是自台中科學園區向外擴0~3公里、3~5公里、5~10公里，及10~20公里，以對應於觀測時間區間為2016年8月6號下午1：00~2：00的台中科學園區來舉例，若該觀測時間點為2016年8月6號下午2：00，則該過去時間區段為2016年8月6號下午1：00~1：30，且該觀測風向為2016年8月6號下午1：00(該過去觀測風向時間點)之相關於該台中科學園區的風向，但不以此為限；亦即，若該台中科學園區發生落雷的時間為2016年8月6號下午2：00(該觀測時間)，則該等觀測雲中放電資料為相關於該台中科學園區在2016年8月6號下午1：00~1：30(該過去時間區段)的0~3公里、3~5公里、5~10公里，及10~20公里之觀測雲中放電，但不以此為限；且該第一級落雷之電流範圍為0~10kA，該第二級落雷之電流範圍為10~20kA，該第三級落雷之電流範圍為大於20kA，但不以此為限。

以下將藉由本發明落雷預測方法之該實施例來說明該運算裝置2、該風向量測裝置3及該雷電收集裝置4間之各元件的作動，該實施例包含一用於建立該落雷預測模型之模型建立程序，及一用於預測該地域之落雷的落雷預測程序。

參閱圖1與圖2，該模型建立程序包括步驟61~66。

在步驟61中，該處理模組22根據該儲存模組23所存有之該等落雷資料之落雷強度及一落雷強度閥值(如，5kA)，獲得多筆待訓練落雷資料，其中每筆待訓練落雷資料之落雷強度高於該落雷強度閥值。

在步驟62中，對於每筆待訓練落雷資料，該處理模組22根據該待訓練落雷資料之落雷強度，獲得一對應該待訓練落雷資料之落雷標記，該落雷標記包含該第一級落雷、該第二級落雷，及該第三級落雷之其中一者。

在步驟63中，對於每筆待訓練落雷資料，該處理模組22根據該地域、該觀測風向對該待訓練落雷資料中之每一觀測雲中放電資料進行篩選，以獲得一對應之篩選後的觀測雲中放電資料。值得一提的是，在本發明之其他實施方式中，也可不進行步驟63之篩選動作，而直接以該待訓練落雷資料中之該等觀測雲中放電資料來建立模型，不以此為限。

參閱圖1與圖3，該步驟63還包含以下子步驟。

在步驟631中，對於每筆待訓練落雷資料，該處理模組22根據該待訓練落雷資料所對應之地域及觀測風向自該待訓練落雷資料中之每一觀測雲中放電資料所對應之區域範圍，獲得一對應之篩選觀測範圍，其中，該處理模組22是將通過地域之該待訓練落雷資料所對應的觀測風向往兩邊擴展一預設角度以獲得兩個擴展觀測風向，並根據該地域，及該等兩個擴展觀測風向在該待訓練落雷資料中之每一觀測雲中放電資料所對應之區域範圍界定出對應之該篩選觀測範圍。

在步驟632中，對於每筆待訓練落雷資料，該處理模組22根據該待訓練落雷資料中之每一觀測雲中放電資料所對應之篩選觀測範圍，篩選出在該篩選觀測範圍內之雲中放電以獲得一對應之篩選後的觀測雲中放電資料。

舉例來說，若該觀測風向為向西北吹向該地域，該預設角度例如為30度，則該處理模組22將通過該地域的該觀測風向5(見圖7)之反向往兩邊擴展該預設角度以獲得兩個擴展觀測風向51(見圖7)，接著，該地域及該等兩個擴展觀測風向在該待訓練落雷資料中之每一觀測雲中放電資料所對應之區域範圍(0~3公里、3~5公里、5~10公里，及10~20公里)界定出對應之該篩選觀測範圍(0~3公里篩選觀測範圍52、3~5公里篩選觀測範圍53、5~10公里篩選觀測範圍54、10~20公里篩選觀測範圍55)(見圖7)。

在步驟64中，對於每筆待訓練落雷資料，該處理模組22根據該待訓練落雷資料中之篩選後的該等觀測雲中放電資料，獲得多個觀測雲中放電個數，並根據該待訓練落雷資料中所有的觀測雲中放電個數統計出一觀測雲中放電總數。

延續上述圖7之例子，該等觀測雲中放電個數即為分別在0~3公里篩選觀測範圍52、3~5公里篩選觀測範圍53、5~10公里篩選觀測範圍54、10~20公里篩選觀測範圍55內之雲中放電的數目，且該觀測雲中放電總數則為該等觀測雲中放電個數的加總，但不以此為限。

在步驟65中，對於每筆待訓練落雷資料，該處理模組22將該待訓練落雷資料之觀測雲中放電個數與觀測雲中放電總數，及所對應之落雷標記作為一組訓練資料。

在步驟66中，該處理模組22根據該等訓練資料，利用一機器學習演算法，建立該落雷預測模型。其中，該機器學習演算法為一廣義回歸神經網路(General Regression Neural Networks,GRNN)演算模型。

參閱圖1與圖4，該落雷預測程序包含步驟71~74。

在步驟71中，該處理模組22經由該通訊模組21透過該通訊網路1自該雷電收集裝置4獲得之多筆相關於發生在自該地域所延伸之該等不同區域範圍中，且發生在一早於一待預測時間點之過去時間區段中之雲中放電的雲中放電資料，及自該風向量測裝置3所量測到之該地域在早於該預測時間點之一過去風向時間點之一風向。其中，該過去風向時間點是早於該預測時間點之過去時間區段的起始時間點，但不以此為限。

舉例來說，若該待預測時間點為某天之下午3：00，則早於待預測時間點之過去時間區段為同一天之下午2：00~2：30，且該風向為同一天之下午2：00(該過去風向時間點)所量測到，但不以此為限。

在步驟72中，對於每筆雲中放電資料，該處理模組22根據該地域、該風向及該雲中放電資料，獲得一篩選後的雲中放電資料。

參閱圖1與圖5，該步驟72還包含以下子步驟。

在步驟721中，對於每筆雲中放電資料，該處理模組22根據該地域及該風向自該雲中放電資料所對應之區域範圍獲得一篩選範圍。對於每筆雲中放電資料，該處理模組22是將通過該地域的該風向之反向往兩邊擴展一預設角度以獲得兩個擴展風向，並根據該地域、該等兩個擴展風向在該雲中放電資料所對應之區域範圍界定出該篩選範圍。

在步驟722中，對於每筆雲中放電資料，該處理模組22根據該雲中放電資料所對應之篩選範圍篩選出在該篩選範圍內之雲中放電以獲得該篩選後的雲中放電資料。

在步驟73中，該處理模組22根據每筆篩選後的雲中放電資料獲得其所對應之雲中放電個數，並根據所有的雲中放電個數統計出一雲中放電總數。

在步驟74中，該處理模組22根據所有的雲中放電個數及該雲中放電總數，利用該儲存模組23所儲存的該落雷強度預測模型，獲得相關於該地域在該待預測時間點之該落雷預測結果。

綜上所述，本發明落雷預測方法，藉由該處理模組22在建立該落雷預測模型後，獲得該等雲中放電資料及該風向，且根據每筆雲中放電資料及該風向獲得在所對應之篩選範圍內之雲中放電個數及該雲中放電總數，並根據該等雲中放電個數、該雲中放電總數及該風向，利用該落雷強度預測模型，獲得相關於該地域之在該待預測時間點之該落雷預測結果，便能自動化預測該地域在該待預測時間點之落雷狀況，以便提前警戒，避免生命及物品受到雷擊危害，故確實能達成本發明的目的。

惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。