基于机器学习与数值预报技术的电网短期临近气象预警模型设计

杜维柱，张晓华，卢毅，王书渊，沈彦伶

（国网冀北电力科学研究院，北京 100045）

电网短期临近气象预警是对灾害性强对流天气进行及时、精准的预警，提前预测其发展趋势，从而及时采取预防措施来减小电力设施的损失[1-2]，这也是近年来新的研究热点。目前，常见的预警方法是通过数值模式预报等方式进行粗略地统计与测算。典型的TITAN 算法是基于三维雷达数据对灾害性天气进行识别、跟踪与预警，其为气象预警研究奠定了良好的基础[3]。但由于雷达收集数据及本身技术水平的限制，数据采集无法大范围开展。随着气象卫星的发展与数据分辨率的提高，利用卫星数据进行短期临近预警的研究成为了可能[4-6]。文献[7-8]利用前沿的人工智能算法对数据进行分类统计，并采用特征识别技术量化卫星数据，故可有效对强对流天气进行实时预测。文献[9]提出CI 预警方法，通过采集卫星通道的数据指标提出相应的阈值，并通过阈值确定CI，进而解决了卫星数据零散的问题。与此同时，基于遥感数据与机器学习（Machine Learning，ML）的分析方法不断出现，其能根据采集到的数据特征进行实时训练，并可达到对强对流天气的短时临近预警[10]。该文根据气象观测信息，对收集到的各类数据进行预处理及三性分析，将数据转换为网格数据，然后通过所设计的气象模型实现预警。

1 机器学习与数值预报技术

1.1 数据收集

根据气象站观测到的风速、风向、温度和湿度等信息，捕捉地区的各种天气数据。但环境的限制，导致观测到的数据受设备仪器的影响，使得其收集的数据质量也参差不齐。因此，这些数据必须经过严格的质量控制与管理，并对其进行预处理及三性分析。其中，数据的质量控制流程如图1 所示。

图1 数据质量控制流程

1.2 数据预处理

采用机器学习中的监督学习方法，首先需要对采集到的数据进行预处理[11-12]。由于卫星接收站的原始数据与经纬度呈现非线性分布，故数据的分辨率与卫星云图的距离呈正相关。因此，需将上述数据转换为经纬度网格的数据。通常卫星每隔15 min对天气状况进行一次加密观测，而该文方法仅需采集到每隔30 min 的加密数据即可满足需求。同时考虑到强对流天气易出现的时段，文中选择的加密数据观测时间如表1 所示。

表1 卫星数据加密观测时间

最新的天气雷达信息由计算机控制[13]，所采集到的信息是完全基于极坐标系的。由于使用笛卡尔坐标系的数据较为便捷，故该文在使用过程中所采用的数据均需转换为笛卡尔坐标系。此外，还需将采集到的雷达数据进行滤波处理。但上述数据并非完全正确，可能仍存在一定误差，因此需要将误差控制在合理范围内。

针对数值特征，基于雷达反射样本标签，将比样本数值大的数据记录为正数据；反之，记录为负数据。处理步骤的主要目的是利用差分法(Difference Methods，DM)将数据的增量信息记录下来，对于t时刻的信息δ采用的计算公式为：

由于数值样本种类较多且标准未统一，故需通过归一化处理上述数据。采用梯度下降法（Gradient Descent）预测数据趋势，其对参数λ的归一化处理应用方式如下：

应用机器学习算法对电网短期临近预警的核心，是通过卷积及池化操作实现对数据的识别与预测。而其精度的高低与分类器的选择信息相关，分类器实质上是一种数学意义上的回归方法，可精确感知模型的概率。

假设获得的气象数据为x1、x2、…、xn，则其对应的输出数据分别为y1、y2、…、yn，通过卷积与池化操作，能够得到yi与xi之间的函数关系为：

式中，f的取值范围为[0,1]，则yi的似然函数可表示为：

两边取对数，可得：

通过求解β0,β1,…,βn的估计值，即可得到函数的极大值。

2 短期临近预警模型与算法

2.1 临近预警流程

根据气象模型设计预警流程图，整个流程采用VC++6.0 平台来完成雷达数据的输入与处理，并利用小波融合算法提高红外数据的准确度。通过设计评价指标对整个流程进行初始评价，该流程如图2所示。

图2 气象预警流程图

在预警CI 部分，采用指标提取法对各个图像像素进行统计。通过对采集到的数据进行分析，并调整指标阈值，从而提高预警的精度。

2.2 预警算法的实现

随着气象检测分辨率的增强，对强对流天气临近预警的精度提出了更高的要求[14-15]。但由于对流演变是一个非线性的动力过程，且该过程缺乏对流体运动的观测，同时对时间与空间的要求也较高，故无法完全准确地预报天气状况。

通过红外算法将模拟信息反映为数值信息，并与温度、湿度、浓度等信息相融合，进而从多种信息来源增加信息库。所得到的电网短期临近预警算法流程如图3 所示。

在上述算法流程中，大量的实验数据表明，当小波分解到第三级时效果最佳。而在融合规则中，采用红外云图低频信息可提高红外采集数据的真实性。而针对高频信息则采用区域求和与局部比较的方式进行选择，最终便可得到所需的融合信息。

图3 算法流程图

经过小波融合算法处理之后，红外数据的准确率得以提升，从而能够基于高清详细数据解决数值预报技术所存在的短时预报问题。

2.3 评判指标的选取

采用计分统计方法设计电网短期临近预警算法时，需首先选取分类指标及阈值。分类指标需根据各个卫星数据间的相互关系依次确定。可依据红外数值与其波段的检测反映辐射信息，并利用温度、湿度和云端粒子尺度等参数为短时预警提供参考。但并非所有数据均可为临近预警算法提供有效的数据，因此当红外波段数据的变化幅度较大时，可设置其价值数值为零。若将多个数值预报信息综合起来进行预警分析，能够提高短期临近预警的准确率。经过大量测试，可得到八个分类指标的三通道信息，具体如表2 所示。

表2 评判指标定义与权重

2.4 时间序列分析

根据评判指标可知，在不同时刻的相同位置，通过比较相邻时刻的天气数值信息，可得到云团的运动矢量，用于解决像素在时间序列的追踪问题。采用交叉算法可解决上述问题，其原理是将采集到的云团活动区域分为若干个小区域，根据相邻两个时刻的关系确定像素的对应关系，其原理如图4 所示。

假设t1、t2时刻对应的子区域分别为A、B，二者均由同一云团区域划分而来。将A与B做相关系数计算，可得到二者间的运动矢量，其中相关系数ζ可表示为：

式中，N为总数据量，t1、t2时刻的反照率分别用M1、M2表示。交叉相关算法即将图像划分为m个子区域，其计算量与图像信息的大小存在直接关系。根据文献[16]中总结的经验值可知，当子区域选择5×5 矩阵时可达到较为理想的识别效果，同时其计算精度也有显著提高。

3 算例分析

该文主要对某地区电网临近气象的历史数据进行收集与整理分析，涉及的气象时间分别为2020 年6 月13 日、8 月6 日及7 月28 日。应用该文所述方法对该地区的临近气象进行预警与分析，此次强对流天气发生的时间通常为午后至傍晚时段。根据地面气象站风速记录，此次强对流天气下，该地区共有20个地面观测记录到阵风风速超过10 级，其中有五个观测站风力等级达到了12级，风速分别为42.1、51.6、39.1、34.8、37.8 m/s。此外，6 月13 日的多个气象监测站打破了6 月的历史极大风速记录。当日的风速变化如图5 所示，其是一次典型的强对流活动天气。

图5 2020年6月13日风速变化

根据国家气象站6 月13 日08 时的探空资料分析可知，8 时左右对流有效位能（Convective Available Potential Energy，CAPE）为477.8 J/kg。且在对流活动发生前，随着温度的升高，对流的有效位能也会进一步增加，导致前期积累能量持续增多。850 hPa 与500 hPa 温差为34.7 ℃，抬升凝结温度13.6 ℃，凝结压强则为862.7 hPa，整体环境参数有利于对流进一步积累能量。对流活动发生后，能量可得到大量释放，此时对流有效位能较低，整体的大气温湿环境趋于稳定。但分别从500、700、850 hPa 的气象信息来看，西北一带850 hPa 与500 hPa 的温度差大于30 ℃，大范围地区内大气上冷下暖的结构较为明显，利于出现不稳定的层结。

进一步对2020 年6 月13 日该地区的短期强对流天气设置三种情形进行模拟分析。情形一为东北部发生强对流天气，情形二为西南部发生强对流天气，情形三则为两地交界处发生强对流天气。基于该文所述方法，对上述三种强对流天气进行预警，并分析由于小波融合过程中产生的误差，其结果如表3所示。

表3 三种情形预警结果及误差

为检测该文所述方法的有效性及精度，采用不同的损失函数（Loss Function）在各场景下测试预警模型的效果。表4 为四种方法的检测精度对比。从表中可以看出，该方法可有效检测极端天气，且其预测精确率可达96.88%。

表4 不同方法下的预测精度对比

4 结束语

针对电网短期临近预警问题，该文基于机器学习与数值预报技术开展了面向电网的短期临近气象预警模型设计。在将多类信息进行预处理及三性分析的基础上，根据气象分析技术设计了一套强对流天气预警模型。通过小波融合算法映射云团间像素点的联系，并分析时间关联度，解决了短时预警问题。实际算例结果表明，该文所提方法可以有效预警极端天气，且其预测精准率达到了预期水平。在下一步的工作中，将对模型进行改进，并解决预警过程中数据不稳定的情况，同时消除不利因素的影响。