[发明专利]基于深度学习预测模型的电网雷电灾害预测方法及系统

权利要求书

1.一种基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，所述方法包括:

步骤S1，获取监测区域的历史雷电观测资料，将所述监测区域网格划分为标准化网格，通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格；

步骤S2，开展所述标准化网格内电网周边的数值天气预报，并统计所述数值天气预报中的气象物理量；

步骤S3，通过相关性分析获取与雷电相关性高的相关物理量，对所述相关物理量的物理量阈值做0、1化处理；

步骤S4，利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程；

步骤S5，对预报参数进行滤波，并且采用观测值进行滚动的回归方法，同时对预报指数进行界限值约束后，得到预报模型；

步骤S6，基于当前雷电观测资料和所述预报模型预测电网雷电灾害。

2.根据权利要求1所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，通过相关性公式获取与雷电相关性高的相关物理量：

其中，Cov(X，Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，r为与雷电的相关系数，r大于0表示正相关，r小于0表示负相关，r等于0表示不相关，r的绝对值越大表示相关性越高，其绝对值的最大值不超过1。

3.根据权利要求2所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，根据所述相关性公式筛选出与雷电相关系数最高的7个相关物理量，所述相关物理量分别为k指数、沙式指数SI、A指数、700hPa温度露点差、850hPa温度露点差、925hPa温度露点差、850hPa和500hPa温度差。

4.根据权利要求3所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，根据以下阈值设定做0、1化处理：

k指数≥33时，记为1，反之记为0；沙式指数≤0时，记为1，反之记为0；A指数≥10时，记为1，反之记为0；温度露点差≤3时，记为1，反之记为0，700hPa、850hPa、925hPa皆以此为阈值；850hPa和500hPa温度差≥23时，记为1，反之记为0。

5.根据权利要求1所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，在所述步骤S4中，对超过一年时间的所述历史雷电观测资料应用长短期记忆网络做时序数据的处理后，利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程。

6.根据权利要5所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，在所述的步骤S4中，将所述雷电潜势预报的回归方程存入数据库，支持动态训练和更新。

7.根据权利要求1至6中任意一项所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，在所述步骤S2中，采用气象研究与预报建模系统开展所述标准化网格内电网周边的数值天气预报。

8.根据权利要1至6中任意一项所述的基于深度学习预测模型的电网雷电灾害预测方法，其特征在于，所述步骤S6包括，基于当前雷电观测资料和所述预报模型预测3小时观测的闪电发生气候概率和3小时雷电概率指数。

9.一种基于深度学习预测模型的电网雷电灾害预测系统，其特征在于，所述系统包括：

数据采集模块，用于获取监测区域的历史雷电观测资料，将所述监测区域网格划分为标准化网格，通过双线性插值方法将所述历史雷电观测资料插值至所述标准化网格；

数据处理模块，用于开展所述标准化网格内电网周边的数值天气预报，并统计所述数值天气预报中的气象物理量；通过相关性分析获取与雷电相关性高的相关物理量，对所述相关物理量的物理量阈值做0、1化处理；利用超过一年时间的所述历史雷电观测资料建立雷电潜势预报的回归方程；对预报参数进行滤波，并且采用观测值进行滚动的回归方法，同时对预报指数进行界限值约束后，得到预报模型；

雷电预警模块，用于基于当前雷电观测资料和所述预报模型预测电网雷电灾害。

10.如权利要求9所述的基于深度学习预测模型的电网雷电灾害预测系统，其特征在于，所述数据处理模块还用于通过相关性公式获取与雷电相关性高的相关物理量：

其中，Cov(X，Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，r为与雷电的相关系数，r大于0表示正相关，r小于0表示负相关，r等于0表示不相关，r的绝对值越大表示相关性越高，其绝对值的最大值不超过1。