一种雷电频次与极性预测方法及系统
本发明涉及雷电预测,尤其涉及一种雷电频次与极性预测方法及系统。
背景技术:
1、雷电灾害是严重的气象灾害之一,雷电频次是指特定时间段内雷电时间发生的次数,用来衡量雷电的发生程度和频率,而雷电极性指地闪放电时雷云向地面释放电荷的正负属性,统计它是为明确灾害主导类型与强度分布,不同地区的正负极性占比反映雷暴电荷结构差异,为区域防雷规划提供基础数据,而精确预测雷电的频次和极性对于电力系统运行、航空航天安全及防灾减灾具有重大意义。
2、目前现有的雷电预测设备中,预测的维度单一,而且仅仅简单拼接多源数据,导致数据融合粗糙,而且未考虑雷电中气象参数的自身变化规律,各个气象参数的权重分配的合理性和精准性有待提升,数据融合效果和预测精度易受影响。
技术实现思路
1、为了克服上述现有技术所述的至少一个缺陷,本发明提供一种雷电频次与极性预测方法及系统。实现高精度、可解释的雷电频次与极性协同预测。
2、本发明的技术方案是这样实现的:
3、第一方面,本发明提供了一种雷电频次与极性预测方法,包括:获取目标区域内的雷电观测数据和多源气象数据,对所述雷电观测数据统计分档处理,以获取表征雷电发生强度的雷电频次和表征电荷分布特性的雷电极性,将雷电频次映射为雷电频次概率向量,将雷电极性映射为雷电极性概率向量,对所述多源气象数据进行预处理拆分为多个气象参数序列;将所述气象参数序列输入到多通道特征提取器,通过所述多通道特征提取器中并行的多个特征提取通道,提取所述各气象参数序列中的第一特征向量,将所述雷电频次概率向量映射为频次引导特征向量,将所述雷电极性概率向量映射为极性引导特征向量,所述气象参数序列中包括雷达数据序列、卫星数据序列和再分析场数据序列;通过时空动态融合算法计算第一特征向量、频次引导特征向量和极性引导特征向量的动态权重,基于所述动态权重对第一特征向量、频次引导特征向量和极性引导特征向量加权融合,生成融合特征向量,将所述融合特征向量输入至预测模型,输出所述目标区域的的雷电频次概率分布和雷电极性概率分布;根据所述雷电频次概率分布和所述雷电极性概率分布,确定所述目标区域的雷电预测结果。
4、在以上技术方案的基础上,优选的,所述获取目标区域内的雷电观测数据和多源气象数据,对所述雷电观测数据统计分档处理,以获取表征雷电发生强度的雷电频次和表征电荷分布特性的雷电极性,将雷电频次映射为雷电频次概率向量,将雷电极性映射为雷电极性概率向量,对所述多源气象数据进行预处理拆分为多个气象参数序列,包括:将目标区域划分为预设尺寸的网格;统计网格在单位时间内雷电观测数据,统计雷电发生次数,并根据预设的雷电频次等级区间将雷电发生次数映射为雷电频次概率向量;统计网格内正极性闪电的发生次数,计算正极性闪电的比例,根据预设的雷电极性频次比例区间将正极性闪电的比例映射为雷电极性概率向量。
5、在以上技术方案的基础上,优选的,将所述气象参数序列输入到多通道特征提取器,通过所述多通道特征提取器中并行的多个特征提取通道,提取所述各气象参数序列中的第一特征向量,将所述雷电频次概率向量映射为频次引导特征向量,将所述雷电极性概率向量映射为极性引导特征向量,所述气象参数序列中包括雷达数据序列、卫星数据序列和再分析场数据序列,其中,多个所述特征提取通道提取包括场强演化特征提取器、场流变特征提取器以及场自相互作用特征提取器;包括:将所述气象参数序列输入到场强演化特征提取器,提取物理场强度分布及演变依赖特征,生成场强演化特征向量;将所述气象参数序列输入到场流变特征提取器,计算流转速率序列,并提取流转速率序列的波动特征、趋势特征及极值特征,生成场流变特征向量;将所述气象参数序列输入到自相互作用特征提取器,计算自相关特征及频域功率谱特征,生成场自相互作用特征向量;将所述的场强演化特征向量、场流变特征向量和场自相互作用特征向量拼接得到第一特征向量。
6、在以上技术方案的基础上,优选的,所述将所述气象参数序列输入到场强演化特征提取器,提取物理场强度分布及演变依赖特征,生成场强演化特征向量,包括:利用多个不同宽度的卷积核对所述气象参数序列进行并行卷积处理,提取物理场强度分布特征;将所述气象参数序列输入到双向长短期记忆网络,提取所述气象参数序列的依赖特征;将所述物理场强度分布特征和所述依赖特征进行融合,生成场强演化特征向量。
7、在以上技术方案的基础上,优选的,将所述气象参数序列输入到场流变特征提取器,计算流转速率序列,并提取流转速率序列的波动特征、趋势特征及极值特征,生成场流变特征向量,包括:对所述气象参数序列进行一阶差分计算,生成流转速率序列;通过多个不同维度的滑动窗口对所述流转速率序列进行统计分析,提取所述流转速率序列的波动剧烈程度特征和演变趋势特征;提取所述流转速率序列的极值特征,将所述波动剧烈程度特征、演变趋势特征和极值特征融合生成场流变特征向量。
8、在以上技术方案的基础上,优选的,将所述气象参数序列输入到自相互作用特征提取器,计算自相关特征及频域功率谱特征,生成场自相互作用特征向量,包括:计算气象参数序列与自身滞后序列的自相关系数;对所述气象参数序列进行快速傅里叶变换,计算其功率谱密度,提取功率谱密度中的峰值频率及功率值;对所述自相关系数、峰值频率和功率值进行加权融合,生成场自相互作用特征向量。
9、在以上技术方案的基础上,优选的,通过时空动态融合算法计算第一特征向量、频次引导特征向量和极性引导特征向量的动态权重,基于所述动态权重对第一特征向量、频次引导特征向量和极性引导特征向量加权融合,生成融合特征向量,将所述融合特征向量输入至预测模型,输出所述目标区域的的雷电频次概率分布和雷电极性概率分布,包括:为第一特征向量、频次引导特征向量和极性引导特征向量预设初始静态权重,对所述第一特征向量、频次引导特征向量和极性引导特征向量的初始静态权重进行归一化处理得到基础权重;从所述第一特征向量、频次引导特征向量和极性引导特征向量中提取空间梯度特征、空间异质性特征以及中心异常特征,输入至sigmoid激活函数进行映射,得到空间注意力分数;从所述第一特征向量、频次引导特征向量和极性引导特征向量中提取演变趋势特征、波动性特征以及突变特征,输入至sigmoid激活函数进行映射,得到时序注意力分数;将所述基础权重、所述空间注意力分数及所述时序注意力分数进行加权融合,并对融合结果归一化,得到动态权重;基于计算得到的第一特征向量、频次引导特征向量和极性引导特征向量各自的动态权重,分别对第一特征向量、频次引导特征向量和极性引导特征向量进行加权;将加权后的第一特征向量、频次引导特征向量和极性引导特征向量进行加和,生成所述融合特征向量;将所述融合特征向量输入至所述预测模型,所述预测模型包括并行的频次预测分支与极性预测分支;所述频次预测分支对输入进行处理并经由softmax激活函数,输出雷电频次概率分布;所述极性预测分支对输入进行处理并经由sigmoid激活函数,输出雷电极性概率分布。
10、第二方面,本发明还公开了一种雷电频次与极性预测系统,采用如上述的雷电频次与极性预测方法,所述系统包括数据处理模块、特征提取模块、跨参数关联模块、权重计算模块和融合预测模块,其中,
11、所述数据处理模块用于获取目标区域内雷电观测数据和多源气象数据,对所述雷电观测数据进行统计分档处理,生成雷电频次概率向量和雷电极性概率向量;对所述多源气象数据进行预处理,生成气象参数序列集;
12、所述特征提取模块包含多个特征提取通道,以用于生成第一特征向量,还用于将所述雷电频次概率向量映射为频次引导特征向量,将所述雷电极性概率向量映射为极性引导特征向量;
13、所述权重计算模块用于用于计算第一特征向量、频次引导特征向量和极性引导特征向量的动态权重;
14、所述融合预测模块用于基于所有动态权重对第一特征向量、频次引导特征向量和极性引导特征向量进行加权融合,生成融合特征向量,并将所述融合特征向量转换为所述目标区域的雷电频次概率分布和雷电极性概率分布。
15、第三方面,本发明还公开了一种电子设备,包括处理器和存储器;所述存储器有存储计算机程序,其中,所述计算机程序在被所述处理器执行时实现上述的雷电频次与极性预测方法。
16、第四方面,本发明还公开了一种非暂存计算机可读存储介质,所述非暂存计算机可读存储介质存储有指令,当所述指令被执行时,执行上述的雷电频次与极性预测方法。
17、综上所述,本发明提供的一种雷电频次与极性预测方法及系统相对于现有技术具有以下有益效果:
18、(1)、将雷电频次与雷电极性的预测任务,置于同一模型中协同解决,通过多源气象特征提取,并分别引入引导特征向量与独立预测分支,能够同时学习两种雷电活动的复杂规律,提高预测精度;通过时空动态融合算法为每个输入样本实时计算动态权重,该权重融合了基础权重、空间注意力权重和时序注意力权重,使得模型能够根据当前具体的气象条件,智能地调整对不同数据源和特征的信任程度,实现了从静态模型到动态智能体的升级,显著提升了在复杂多变天气下的预测鲁棒性与泛化能力;
19、(2)、通过将雷电观测数据网格化并映射为雷电频次概率向量和雷电极性概率向量,将离散的雷电事件转化为规范的监督信号。这为模型提供了明确的量化学习目标,并使预测结果可直接解释为各档位的发生概率,极大方便了业务对接与风险量化评估;
20、(3)、通过并行的场强演化特征提取、场流变特征提取与场自相互作用特征提取三个通道,从原始气象参数序列中构造出物理意义明确的第一特征向量,这使得模型学习过程与大气物理过程深刻对齐,极大增强了可解释性与业务可信度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com