针对电网设备的气象监测方法及气象预报数据映射方法与流程

本发明属于气象信息，尤其涉及一种针对电网设备的气象监测方法及气象预报数据映射方法。

背景技术：

1、气象条件是影响电网设备安全稳定运行与电力系统调度决策的关键因素。准确的设备级气象监测数据，对于负荷预测、新能源发电功率预测、灾害预警（如雷击、山火、覆冰）及设备状态评估至关重要。目前，获取电网设备所在位置气象信息的主要方式依赖于专业气象机构发布的格点化分析产品。然而，此类产品的空间分辨率通常较粗（如数公里至十公里级），难以精确反映变电站、输电线路走廊等具体电力设施所在位置的微观气象条件。若直接将低分辨率的网格数据赋值给设备坐标，会引入较大误差，无法满足电网精细化运营的需求。虽然存在一些空间插值方法（如最近邻法、双线性插值）可以将网格数据推算至特定点，但这些方法仅基于数学关系，未充分考虑气象要素在复杂地形和下垫面条件下的真实空间分布物理规律，尤其当电网设备位于气象梯度变化剧烈的区域时，插值结果的可靠性有限。因此，如何基于多源气象观测数据，生成能够准确反映电网设备所在位置微观气象特征的高精度数据，即如何提高电网设备位置的气象要素监测精度，成为本领域一个亟待解决的技术问题。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种针对电网设备的气象监测方法及气象预报数据映射方法，通过采用多重网格四维变分方法与深度残差网络融合生成高分辨率气象网格场，并结合针对电网设备地理坐标的自适应映射，最终实现了对电网设备位置气象监测精度的显著提升。

2、本发明第一方面公开了一种针对电网设备的气象监测方法，包括：

3、获取目标区域内的气象数据集，所述气象数据集包含多个来源的气象监测数据，通过时间戳和坐标信息将所述气象监测数据进行时空对齐，得到时空统一的多源观测数据；

4、采用多重网格四维变分方法将所述多源观测数据与数值模式的背景场由粗到精，逐层加密融合，得到预定空间分辨率和预定时间分辨率的格点化分析场，该多重网格四维变分方法是包含背景项、观测项和时间增量平滑项的代价函数；

5、采用深度残差网络对低分辨率的所述格点化分析场进行提取，输出对应的高分辨率网格场；

6、获取所述目标区域内待映射的电网设备的地理坐标信息，所述电网设备包括台区、变电站和输电线路中的至少一种；

7、对于每个待映射的电网设备，从所述高分辨率网格场中以所述电网设备的地理坐标为中心，确定以预设边长的方形窗口所覆盖的网格点集合，作为所述电网设备的空间邻近范围内的网格点集合；

8、对于所述邻近范围内的每个网格点，计算所述网格点相对于所述电网设备的映射权重；根据所述邻近范围内各网格点的所述映射权重，对各网格点的气象要素值进行归一化加权求和，得到所述电网设备所在位置的精确气象要素监测值。

9、上述方法，所述时空对齐通过基于变异系数自适应调整窗口宽度的三次样条插值算法实现，包括：

10、采用所述自适应窗口三次样条插值算法对离散气象监测数据进行处理，其中，插值窗口宽度由数据的变异系数；

11、所述自适应窗口滑动插值算法采用三次样条插值，其插值过程表示为：

12、

13、式中，

14、为插值后得到的随时间连续变化的气象要素值；

15、为原始离散数据点集合，为时间戳，为对应时刻的气象要素值；

16、为根据变异系数自适应调整的插值窗口宽度，定义为，为窗口内数据点的标准差，为均值，无量纲。

17、上述方法，所述多个来源的气象监测数据包括卫星遥感数据、雷达监测数据和地面观测数据，其中所述地面观测数据包括气象部门站点观测数据和电网微气象站观测数据。

18、上述方法，所述代价函数为：

19、

20、为待求解的分析场在时间窗口起始时刻的状态向量，是所有后续时刻分析场的初始条件；

21、为背景场在起始时刻的状态；

22、为背景误差协方差矩阵，描述背景场各网格点及各变量之间的空间相关性；

23、为观测数据源类别数；

24、为时间窗口内的离散时间步数；

25、为第类观测数据在时刻的观测向量；

26、为时刻的观测算子，将分析场从模式空间映射至观测点位；

27、为时刻的观测误差协方差矩阵，反映各观测仪器的误差特性；

28、为时刻的分析场状态，由通过数值模式时间积分得到，即，为模式预报算子；

29、为切线性模式，用于线性化相邻时刻的状态演变；

30、为模式误差协方差矩阵，描述模式在时间积分过程中积累的不确定性。

31、上述方法，，分别对应卫星遥感数据、雷达监测数据、地面气象站观测数据和电网微气象站观测数据；，时间窗口为3小时，时间分辨率为1小时。

32、上述方法，所述深度残差网络采用深度残差生成器结构，通过多个密集连接的空洞卷积块提取多尺度特征，引入上采样跳跃连接保留大尺度背景信息，训练时采用复合损失函数同时优化像素级均方误差、拉普拉斯平滑项以及结构相似性指标。

33、上述方法，所述深度残差网络的降尺度映射关系为：

34、

35、其中，为输出的高分辨率气象场，维度为，为高分辨率网格的行列数，为气象要素通道数；为输入的低分辨率气象场，维度为，上采样因子；为参数为的深度残差生成网络，由密集连接的空洞卷积块构成，用于学习高频细节信息；为双三次插值上采样算子，输出与相同维度的基线场。

36、上述方法，所述映射权重根据以下公式计算：

37、

38、其中，为电网设备点处融合后的气象要素值；

39、为设备点周围窗口内的所有高分辨率网格点索引集合；

40、为网格点处的气象值；

41、为归一化前的权重系数，最终权重通过除以完成归一化；

42、为设备点与网格点之间的欧氏距离；

43、为距离衰减尺度参数；

44、为梯度对齐系数；

45、为气象梯度方向与网格点至设备点连线方向夹角的余弦值，其中，为网格点处的气象梯度向量，为从网格点指向设备点的向量。

46、上述方法，在所述映射权重计算中还包括城市峡谷效应修正因子：

47、

48、其中，为该区域建筑物的平均高度，为区域平均街道宽度，反映街道峡谷的深宽比，该比值越大，峡谷效应越显著；

49、为不同类型建成区的经验修正系数，根据区域内建筑高度分布密度查表确定；

50、为气象网格预报风速，为参考风速；

51、为该区域的高层建筑占地面积，为区域总面积，比值反映区域建筑密度的空间分布。

52、上述方法，所述预定空间分辨率为100米，所述预定时间分辨率为1分钟；所述预设边长为5，对应500米范围的方形窗口。

53、上述方法，所述气象要素值包括2m气温、2m比湿、10m风速、地面气压和小时降水中的至少一种。

54、本发明第二方面公开了一种针对电网设备的气象预报数据映射方法，包括：

55、采用权利要求1所述的方法，获取目标区域内各电网设备所在位置的精确气象要素监测值；

56、获取所述目标区域在预设预报时效内的气象数值预报数据，以所述精确气象要素监测值作为初始状态约束，构建时空编码网络对所述气象数值预报数据进行时空特征提取，得到预报时空特征；

57、获取所述目标区域内电网设备的图结构数据，所述图结构数据包含各设备节点的地理坐标信息和静态属性信息；

58、采用注意力映射网络，以所述设备节点为查询、以其空间邻近范围内的所述预报时空特征为键和值进行动态映射，并通过门控融合机制将注意力聚合结果与所述设备节点的静态属性信息融合，输出所述设备节点的精细化气象预报值。

59、上述映射方法，所述时空编码网络为三维卷积时空编码器，由多个三维卷积层堆叠构成，其抽象表示为：

60、

61、其中，为输入的气象数值预报序列，维度为；

62、为时间步数，为空间网格的行列数，为气象要素通道数；为三维卷积编码器函数，由多个卷积层、批量归一化层和relu激活函数堆叠而成；

63、为输出的低维时空特征张量，维度为，其中为编码器输出通道数。

64、上述映射方法，所述注意力映射网络为多头交叉注意力网络，所述门控融合机制通过可学习的门控系数对动态特征和静态属性进行加权组合，核心操作表示为：

65、

66、其中，为设备节点的精细化融合特征向量；

67、为节点的初始预报特征向量，通过双线性采样从中根据节点坐标提取得到；

68、为节点空间邻近的预报网格点索引集合；

69、为邻近网格点的预报特征向量；

70、为多头交叉注意力函数，以为查询、为键和值，输出聚合后的动态特征；

71、为设备节点的静态属性编码向量；

72、为门控融合函数，通过可学习的门控系数对动态特征和静态属性进行加权组合。

73、上述映射方法，在所述多头交叉注意力网络的注意力权重计算中，还引入台风复合风险因子：

74、

75、在有台风影响时，加入该因子影响；其中为根据台风路径与城市沿海区域的空间关系动态调整的权重系数；

76、为预报风速，为该输电线路的设计抗风风速；

77、为预报小时降雨强度，为城市电网设定的强降雨预警阈值；

78、为预报潮位，为沿海杆塔基础的警戒潮位。

79、上述映射方法，所述注意力映射网络的训练损失函数包含城市热岛强度上限约束项：

80、

81、其中，为热岛约束损失值；

82、为所有城区设备-郊区设备配对集合，城区设备定义为位于城市中心城区的电网节点，郊区设备定义为位于城市远郊且与城区设备属于同一气象预报网格覆盖范围内的节点；

83、和分别为模型输出的城区设备和郊区设备的温度预报值；

84、为城市地区典型热岛强度上限阈值，该损失项约束模型输出满足。

85、上述映射方法，其特征在于，所述训练损失函数还包含狭管效应风速校正损失项：

86、

87、其中为处于城市高层建筑密集区的设备节点集合；为原始气象预报网格在该节点的风速值；为模型校正后的风速预报值；为上述峡谷效应修正因子。

88、本发明与现有技术相比具有以下优点：本发明通过采用多重网格四维变分方法对多源气象观测数据进行时空对齐与物理约束下的融合，生成了物理一致性更优的格点化分析场，奠定了高精度数据的基础。随后，创新性地引入深度残差网络对该分析场进行智能超分辨率重构，生成了能够刻画复杂地形和下垫面影响的、更高空间分辨率的网格场，从而在数据源头上显著提升了描述微观气象条件的能力。最后，针对电网设备（如台区、变电站）的地理坐标，通过设计基于空间邻近关系的自适应权重映射算法，将高分辨率网格场中的气象信息精准、合理地聚合到设备具体点位。这一系列技术手段的有机结合，有效克服了传统低分辨率网格数据直接赋值或简单数学插值带来的误差，最终实现了对电网设备所在位置气象要素监测精度的显著提升，为电网的精细化运营与安全防控提供了更可靠的数据支撑。

89、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。