基于機器學習的輸電走廊強對流臨近預警技術研究

摘要：為了提高對麋鹿自然保護區強對流天氣事件預測的準確性與響應的時效性，文章研究一套基于機器學習的輸電走廊強對流臨近預警系統，該系統不僅能實時監測并預測強對流天氣，還能準確評估其對輸電走廊的潛在影響。在強對流預警技術方面，提出一套算法實現流程，包括預警方法的選擇和時間序列數據的分析，并且通過實際算例驗證了所提方法的有效性。

關鍵詞：機器學習；輸電走廊；強對流預警；時間序列分析

中圖分類號：TN99" " " "文獻標識碼：A" " " 文章編號：1674-0688（2024）06-0117-04

0 引言

隨著全球氣候變化的加劇，強對流天氣事件的頻繁發生對輸電網絡的安全、穩定運行構成了嚴峻的挑戰。這些天氣事件可能會導致輸電線路故障，甚至引發大范圍的電力中斷，影響社會經濟活動和人們的日常生活。因此，開發一套高效、準確的輸電走廊強對流臨近預警系統是確保電力系統可靠的關鍵。近年來，基于機器學習的輸電走廊強對流臨近預警技術受到了廣泛關注。孫世軍等［1］的研究結合卷積與池化操作以及CL（Chui-Lian）多小波融合方法，在實現數據特征識別的同時提高物理信息量，并且使用交叉相關算法有效追蹤圖像，算法的預測精度高達93.64%，這一成果不僅提高了強對流天氣預警的準確性，也為后續研究提供了新的思路。杜娜娜等［2］從電力走廊的實時監測出發，采用機載激光雷達點云和攝像機影像融合的方法，建立三維點云與二維影像之間的映射關系，提高了電力線安全巡檢的效率和精度，該研究展示了技術融合在電力行業的巨大應用潛力，對提升輸電走廊的監測能力具有重要意義。宋宇等［3］關注輸電走廊海量點云數據對實時三維顯示的需求，提出一種改進的多層次細節結構（LOD）高效生成方法，通過自適應采樣及快速分塊處理，在保證視覺效果的前提下，使數據處理速度提高20%以上，這一成果為應對海量數據處理的挑戰提供了一種有效的解決方案。本文提出一套基于機器學習的輸電走廊強對流臨近預警系統，結合機器學習技術，設計出一套高效的預警算法，通過精細化的數據篩選和清洗技術，以及引入時間序列分析，提高預警系統的準確性和響應速度。本研究旨在提出一個綜合性解決方案，為電網運營商提供有力的決策支持工具，確保麋鹿自然保護區電力系統穩定、可靠地運行。

1 算法設計

1.1 數據選取及預處理

利用美國國家大氣研究中心研發的雷達四維變分分析系統（VDRAS）進行實時數據分析，并基于這些數據構建特征，采用支持向量機（SVM）算法進行數據訓練和預測。通過分析重要的物理量確定關鍵數據特征，包括相對濕度、風切變等，進而有效地預警輸電走廊中的強對流天氣［4］。鑒于輸電走廊中強對流天氣的復雜性和多變性，利用分塊劃分策略，選取每個方塊內的最大值作為模型的輸入數據，以降低數據的冗余性，降低計算量，提高處理速度。

數據預處理涵蓋了數據清洗、數據標準化、特征選擇等多個環節。數據清洗主要進行缺失值處理、異常值剔除；數據標準化能消除不同數據源的數據量綱和數量級存在的差異；特征選擇是選取對預測模型貢獻最大的特征集合，以提高模型的訓練效率和預測的準確度。

在數據預處理中，差分和歸一化是常用的處理時間序列數據和改善模型性能的方法。其中，差分用于消除時間序列數據趨勢和季節性，假設有一個時間序列[Xt]，其差分值的計算公式如下：

在輸電走廊強對流臨近預警的背景下，該模型能夠更準確地識別不同類型的對流天氣狀態，提高預警系統的可靠性和效果。

2 強對流預警技術

2.1 算法實現

受大氣監測系統觀測精度的限制，強對流天氣的近距離預警面臨一定的挑戰，影響因素包括以下幾點：①強對流事件在很短的時間范圍內引發劇烈的非線性動力變化；②現有的技術難以對濕潤空氣動態進行細致觀察；③對初期氣象數據進行精確評估和預警存在困難。為了應對這些問題，本文提出一種基于CL多小波技術的數據融合方法，此方法通過結合紅外和可見光信道，將強對流天氣的特征信息集成到預測模型中，并且通過擴大樣本容量提升預測模型的準確度。

數據融合的技術策略是利用紅外信道的低頻數據保留基礎的紅外信息，同時從紅外和可見光信道中挑選高頻圖像，經過處理后生成包含豐富低頻信息的新圖像。根據實驗反饋，應用小波融合技術將目標特征與樣本數據進行融合，可為強對流天氣預警提供更細致、全面的數據支持。

2.2 預警方法

預警方法用于深度識別和分析云頂特性及大氣動態變化，細致地處理和分析來自不同波段的衛星數據。通過機器學習算法，識別潛在的強對流天氣模式，并利用小波技術提高數據的時空分辨率，從而更準確地預測強對流事件的發生。表1為衛星數據特征及其預警價值。

2.3 時間序列分析

在分析云層運動路徑時，應用交叉相關技術處理圖像跟蹤問題，將觀察區域分割成一系列小單元，對每一時刻之間的圖像單元進行配對比對，通過確定最大的相關度數值追蹤和計算云團在不同時間點的移動方向和速度。交叉相關的函數公式如下：

[R（τx，τy）=∑x，y[f（x，y）×g（x+τx，y+τy）]]" （8）

其中：[f（x，y）、g（x，y）]分別是2個圖像區域的像素強度函數；[τx、τy]分別代表在x和y方向上的位移（或偏移）量，用于探索2個圖像區域之間的最佳匹配位置。

3 算例分析

本研究以麋鹿自然保護區的強對流氣象數據為樣本進行實驗。為了全面了解該保護區近幾年的強對流天氣狀況，本文對2020—2023年的強對流活動數據進行篩選和統計。鑒于強對流天氣主要在春末夏初、盛夏及夏末秋初出現，麋鹿自然保護區5月至9月的強對流活動占全年的80%以上，因此選擇2020—2023年中，5月至9月的數據進行深入分析。由于小波融合算法對環境有特殊要求，因此選取光照條件優良的區域作為實驗樣本。

對選取的氣象數據集進行逐項分析后發現，雖然每年強降水極值發生的位置都不同，但是極值位置主要集中在保護區的南部邊界。2020—2023年，保護區南部邊界附近共記錄5次全省年短時降水極值，顯示一定的集中趨勢。從短時強降水的歷史極值看，麋鹿自然保護區短時強降水的平均極值為95 mm/h，其中2022年7月15日記錄到了4年中最高的短時強降水，降水量高達130.4 mm/h；其次是2021年6月22日在保護區北部記錄的短時強降水，降水量為120.5 mm/h；最低記錄為2020年保護區東側，降水量為65.3 mm/h。

采用本文設計的模型模擬2023年5月21日發生在麋鹿自然保護區內的強對流活動，選取以下3種典型的試驗情形進行分析：①保護區西部發生的小面積強對流風暴；②保護區與鄰近森林交界處發生的明顯強對流天氣；③保護區東北部發生的強對流天氣。本文方法對上述3種情況均能準確地預測。但是，在第3種情況中，未能檢測到預期中的發射率較高的積云，經數據分析，推斷其原因是小波融合差值過程中產生誤差。損失函數驗證見表2。

表2中，MLTW-Net在使用Logistic數據分類和平滑L1損失函數時，表現出更高的預測準確率（94.7%）；相比之下，FS-TW-Model在使用Softmax數據分類和平滑L1損失函數時，預警準確率略低（90.3%）。

本文方法與其他方法的檢測識別精度比較分析見表3。從表3中可以明顯看出，相較于AlexNet、ResNet50和Xception方法，本文方法在F1值、召回率和精確率方面均顯示出更優的性能，說明其在強對流預警領域具有較高潛力和實用性。

4 結語

本文通過深入分析和應用先進的數據處理、目標識別和時間序列分析方法，成功地構建了一套能夠準確預測強對流天氣事件的預警系統。本研究的核心在于開發一種融合多源數據處理與深度學習技術的預警模型，該模型能有效地從復雜的氣象數據中提取關鍵特征，進而準確預測強對流天氣事件的發生。本文方法不僅能準確地理解和預測強對流天氣事件，還提出了一種高效的數據處理流程，顯著提升了對即將到來的強對流天氣的響應能力。總之，本研究通過算法和數據處理技術的創新，有效地提升了輸電走廊強對流臨近預警技術的性能，對電力系統的穩定運行和防災減災工作具有重要的現實意義。

5 參考文獻

［1］孫世軍，朱坤雙，韓洪.基于機器學習的輸電走廊強對流臨近預警技術［J］.電子設計工程，2023，31（11）：75-78，83.

［2］杜娜娜，李祿磊，趙東洋.基于激光雷達點云與單目相機的輸電走廊實時監測方案［J］.電工技術，2023（10）：143-146.

［3］宋宇，王成，王濮，等.輸電走廊場景激光點云LOD生成方法研究［J］.電工技術，2023（7）：100-103.

［4］胡偉，王和平，劉成強，等.基于多時相點云數據的輸電走廊地物變化檢測［J］.機械設計與制造工程，2022，51（12）：84-87.

［5］黃然，方正云，馬御棠，等.基于變化檢測的輸電走廊外力破壞隱患區域識別［J］.航天返回與遙感，2022，43（3）：138-148.

*國網江蘇省電力有限公司鹽城市大豐區供電分公司2023年自然保護區輸電走廊麋鹿活動統計數據治理服務“自然保護區麋鹿活動統計數據治理”（SGJSYCDFDQJS2310374）。

【作者簡介】姚卿卿，女，江蘇大豐人，工程師，研究方向：輸變電線路通道保護。

【引用本文】姚卿卿.基于機器學習的輸電走廊強對流臨近預警技術研究［J］.企業科技與發展，2024（6）：117-119，128.