基于卷积神经网络的落雷预测模型构建方法技术

本发明专利技术公开了一种基于卷积神经网络的落雷预测模型构建方法，该方法以目标区域的历史雷电定位数据和气象数据为基础，通过统计雷电数据提取了目标区域内部的落雷次数与雷电流强度信息，以二者出现的比例为依据并结合目标区域的防雷要求划分了落雷次数与雷电流强度的分类区间，以落雷次数类别和雷电流强度类别为基础分别建立了落雷次数类别样本和雷电流强度类别样本，分别训练了以时空变量和气象参量为输入、以落雷次数或雷电流强度各个类别的概率为输出的卷积神经网络预测模型，实现了对落雷次数和雷电流强度的分类预测。本方法可用于开展基于预报信息的雷击故障主动防护，对降低雷击灾害损失、提升社会防雷水平具有十分重要的意义。要的意义。要的意义。

【技术实现步骤摘要】
基于卷积神经网络的落雷预测模型构建方法


[0001]本专利技术涉及雷电防护
，具体地指一种基于卷积神经网络的落雷预测模型构建方法。

技术介绍

[0002]雷电活动因具有高强度、集中爆发等特点而被列为十大最严重的自然灾害之一，长期影响着电网、风电、石油石化等重要能源行业的安全生产。近年来全球气候环境变暖，极端天气频发，雷电活动逐渐频繁，雷击导致的灾害数量呈逐年上升趋势。据统计，由雷击引起的重要输电线路跳闸、大型地面储油罐火灾已分别超过46％和60％。传统防雷措施如安装避雷针、降低接地电阻等只能在雷电击中目标后生效，尚缺乏事前措施规避或减少雷击致灾风险，达到全过程防护雷电的目的。
[0003]雷电预警预报技术作为事前雷电防护的基础，国内外学者已开展了大量的研究工作。常规方法是以大气不稳定参数为预报因子预测雷电发生概率，其缺点在于预测内容不足，无法获知雷电活动的强弱信息，导致雷电预报结果的应用效果尚存在较大的进步空间。

技术实现思路

[0004]本专利技术的目的就是要提供一种基于卷积神经网络的落雷预测模型构建方法，本专利技术以目标区域的历史雷电定位数据和气象数据为基础，通过统计雷电数据提取了目标区域内部的落雷次数与雷电流强度信息，以二者出现的比例为依据并结合目标区域的防雷要求划分了落雷次数与雷电流强度的分类区间，以落雷次数类别和雷电流强度类别为基础分别建立了落雷次数类别样本和雷电流强度类别样本，分别训练了以时空变量和气象参量为输入、以落雷次数或雷电流强度各个类别的概率为输出的卷积神经网络预测模型，能实现对落雷次数和雷电流强度的分类预测。
[0005]为实现此目的，本专利技术所设计的基于卷积神经网络的落雷预测模型构建方法，其特征在于：它包括以下步骤：
[0006]步骤S1、根据目标区域的防雷需求，指定落雷次数与雷电流强度预测矩形网格的尺寸和预测时长；
[0007]步骤S2、将目标区域按照落雷次数与雷电流强度预测矩形网格的尺寸大小分割成多个网格，将目标区域历史雷电数据跨越的时间按落雷次数与雷电流强度预测时长分割成多个时次，在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个时次内的雷电地闪的数量和雷电流幅值的最大值，分别称为落雷次数和雷电流强度，随后删除数值为0的落雷次数与雷电流强度；
[0008]步骤S3、统计不同落雷次数出现的比例，以此为依据并结合目标区域的防雷要求划分落雷次数的分类区间；
[0009]步骤S4、根据落雷次数分类区间将每个落雷次数处理成落雷次数类别，根据落雷次数类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建落雷次数
类别样本；
[0010]步骤S5、对落雷次数类别样本中的落雷次数类别做独热编码，得到新的落雷次数样本，根据新的落雷次数类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以落雷次数各个类别的概率为输出的卷积神经网络预测模型，得到落雷次数分类预测卷积神经网络模型；
[0011]步骤S6、在雷电流强度为0kA和雷电流强度最大值之间划分等间距的雷电流强度区间，统计雷电流强度出现在不同雷电流强度区间内的比例，以此为依据并结合目标区域的防雷要求划分雷电流强度的分类区间；
[0012]步骤S7、根据雷电流强度分类区间将每个雷电流强度处理成对应的雷电流强度类别，根据雷电流强度类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建雷电流强度类别样本；
[0013]步骤S8、对雷电流强度类别样本中的雷电流强度类别做独热编码，得到新的雷电流强度类别样本，根据新的雷电流强度类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以雷电流强度各个类别的概率为输出的卷积神经网络预测模型，得到雷电流强度分类预测卷积神经网络模型。
[0014]本专利技术以目标区域的历史雷电定位数据和气象数据为基础，通过统计雷电数据提取了目标区域内部的落雷次数与雷电流强度信息，以二者出现的比例为依据并结合目标区域的防雷要求划分了落雷次数与雷电流强度的分类区间，以落雷次数类别和雷电流强度类别为基础分别建立了落雷次数类别样本和雷电流强度类别样本，分别训练了以时空变量和气象参量为输入、以落雷次数或雷电流强度各个类别的概率为输出的卷积神经网络预测模型，实现了对落雷次数和雷电流强度的分类预测。本方法可用于开展基于预报信息的雷击故障主动防护，对降低雷击灾害损失、提升社会防雷水平具有十分重要的意义。
[0015]本专利技术的有益效果：
[0016]本专利技术通过气象参量、时空变量和落雷次数类别与雷电流强度类别分别训练卷积神经网络，分别得到落雷次数与雷电流强度分类预测模型。本专利技术提出的方法根据目标区域的防雷需求将落雷次数和雷电流强度划分为多个类别，保证了预测结果在雷害风险提前预警方面的实用性。本方法利用卷积神经网络提取局部特征的优点，提升了落雷次数与雷电流强度分类预测结果的准确性。本方法考虑了预报网格周边的气象条件，提高了落雷次数及雷电流强度分类预测的整体效果。本方法可用于开展基于预报信息的雷击故障主动防护，对降低雷击灾害损失、提升社会防雷水平具有十分重要的意义。
附图说明
[0017]图1为本专利技术实施步骤的流程图；
[0018]图2为本专利技术实施例统计雷电数据的流程图；
[0019]图3为本专利技术实施例统计得到的不同落雷次数出现比例的散点及插值曲线图；
[0020]图4为本专利技术实施例落雷次数与雷电流强度分类预测卷积神经网络模型的结构示意图；
[0021]图5为本专利技术实施例统计得到的雷电流强度出现在不同雷电流强度区间内的比例的散点及插值曲线图。
具体实施方式
[0022]以下结合附图和具体实施例对本专利技术作进一步的详细说明：
[0023]如图1所示基于卷积神经网络的落雷预测模型构建方法，其特征在于：它包括以下步骤：
[0024]步骤S1、确定网格尺寸和时长，根据目标区域的防雷需求，指定落雷次数与雷电流强度预测矩形网格的尺寸和预测时长，目标区域是一个较大的空间范围，落雷次数与雷电流强度预测矩形网格指的是每次预测结果覆盖的一个较小的空间范围；
[0025]步骤S2、统计雷电数据，将目标区域按照落雷次数与雷电流强度预测矩形网格的尺寸大小分割成多个网格，将目标区域历史雷电数据跨越的时间按落雷次数与雷电流强度预测时长分割成多个时次，在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个时次内的雷电地闪的数量和雷电流幅值的最大值，分别称为落雷次数和雷电流强度，随后删除数值为0的落雷次数与雷电流强度；
[0026]步骤S3、划分落雷次数分类区间，统计不同落雷次数出现的比例，以此为依据并结合目标区域的防雷要求划分落雷次数的分类区间；
[0027]步骤S4、创建落雷次数类别样本，根据落雷次数分类区间将每个落雷次数处理成落雷次数类别，根据落雷次数类别及其所属的时次、网格、该时次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的落雷预测模型构建方法，其特征在于：它包括以下步骤：步骤S1、根据目标区域的防雷需求，指定落雷次数与雷电流强度预测矩形网格的尺寸和预测时长；步骤S2、将目标区域按照落雷次数与雷电流强度预测矩形网格的尺寸大小分割成多个网格，将目标区域历史雷电数据跨越的时间按落雷次数与雷电流强度预测时长分割成多个时次，在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个时次内的雷电地闪的数量和雷电流幅值的最大值，分别称为落雷次数和雷电流强度，随后删除数值为0的落雷次数与雷电流强度；步骤S3、统计不同落雷次数出现的比例，以此为依据并结合目标区域的防雷要求划分落雷次数的分类区间；步骤S4、根据落雷次数分类区间将每个落雷次数处理成落雷次数类别，根据落雷次数类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建落雷次数类别样本；步骤S5、对落雷次数类别样本中的落雷次数类别做独热编码，得到新的落雷次数样本，根据新的落雷次数类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以落雷次数各个类别的概率为输出的卷积神经网络预测模型，得到落雷次数分类预测卷积神经网络模型。2.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法，其特征在于：步骤5后还包括步骤S6、在雷电流强度为0kA和雷电流强度最大值之间划分等间距的雷电流强度区间，统计雷电流强度出现在不同雷电流强度区间内的比例，以此为依据并结合目标区域的防雷要求划分雷电流强度的分类区间；步骤S7、根据雷电流强度分类区间将每个雷电流强度处理成对应的雷电流强度类别，根据雷电流强度类别及其所属的时次、网格、该时次该网格及网格周边范围的气象数据创建雷电流强度类别样本；步骤S8、对雷电流强度类别样本中的雷电流强度类别做独热编码，得到新的雷电流强度类别样本，根据新的雷电流强度类别样本，训练以预测时次的时间、预测网格的位置、该时间该位置所属区域的气象数据为输入、以雷电...

【专利技术属性】
技术研发人员：张永刚，谷山强，李健，吴大伟，李秋阳，朱浩楠，李哲，陶汉涛，张磊，林卿，姜志博，白冰洁，李旺，温宽，刘泽，王宇，刘玉欢，
申请(专利权)人：国网电力科学研究院武汉南瑞有限责任公司，
类型：发明
国别省市：