杜維柱，張曉華，盧毅，王書淵，沈彥伶

（國網(wǎng)冀北電力科學(xué)研究院，北京 100045）

電網(wǎng)短期臨近氣象預(yù)警是對災(zāi)害性強對流天氣進行及時、精準(zhǔn)的預(yù)警，提前預(yù)測其發(fā)展趨勢，從而及時采取預(yù)防措施來減小電力設(shè)施的損失[1-2]，這也是近年來新的研究熱點。目前，常見的預(yù)警方法是通過數(shù)值模式預(yù)報等方式進行粗略地統(tǒng)計與測算。典型的TITAN 算法是基于三維雷達數(shù)據(jù)對災(zāi)害性天氣進行識別、跟蹤與預(yù)警，其為氣象預(yù)警研究奠定了良好的基礎(chǔ)[3]。但由于雷達收集數(shù)據(jù)及本身技術(shù)水平的限制，數(shù)據(jù)采集無法大范圍開展。隨著氣象衛(wèi)星的發(fā)展與數(shù)據(jù)分辨率的提高，利用衛(wèi)星數(shù)據(jù)進行短期臨近預(yù)警的研究成為了可能[4-6]。文獻[7-8]利用前沿的人工智能算法對數(shù)據(jù)進行分類統(tǒng)計，并采用特征識別技術(shù)量化衛(wèi)星數(shù)據(jù)，故可有效對強對流天氣進行實時預(yù)測。文獻[9]提出CI 預(yù)警方法，通過采集衛(wèi)星通道的數(shù)據(jù)指標(biāo)提出相應(yīng)的閾值，并通過閾值確定CI，進而解決了衛(wèi)星數(shù)據(jù)零散的問題。與此同時，基于遙感數(shù)據(jù)與機器學(xué)習(xí)（Machine Learning，ML）的分析方法不斷出現(xiàn)，其能根據(jù)采集到的數(shù)據(jù)特征進行實時訓(xùn)練，并可達到對強對流天氣的短時臨近預(yù)警[10]。該文根據(jù)氣象觀測信息，對收集到的各類數(shù)據(jù)進行預(yù)處理及三性分析，將數(shù)據(jù)轉(zhuǎn)換為網(wǎng)格數(shù)據(jù)，然后通過所設(shè)計的氣象模型實現(xiàn)預(yù)警。

1 機器學(xué)習(xí)與數(shù)值預(yù)報技術(shù)

1.1 數(shù)據(jù)收集

根據(jù)氣象站觀測到的風(fēng)速、風(fēng)向、溫度和濕度等信息，捕捉地區(qū)的各種天氣數(shù)據(jù)。但環(huán)境的限制，導(dǎo)致觀測到的數(shù)據(jù)受設(shè)備儀器的影響，使得其收集的數(shù)據(jù)質(zhì)量也參差不齊。因此，這些數(shù)據(jù)必須經(jīng)過嚴(yán)格的質(zhì)量控制與管理，并對其進行預(yù)處理及三性分析。其中，數(shù)據(jù)的質(zhì)量控制流程如圖1 所示。

圖1 數(shù)據(jù)質(zhì)量控制流程

1.2 數(shù)據(jù)預(yù)處理

采用機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方法，首先需要對采集到的數(shù)據(jù)進行預(yù)處理[11-12]。由于衛(wèi)星接收站的原始數(shù)據(jù)與經(jīng)緯度呈現(xiàn)非線性分布，故數(shù)據(jù)的分辨率與衛(wèi)星云圖的距離呈正相關(guān)。因此，需將上述數(shù)據(jù)轉(zhuǎn)換為經(jīng)緯度網(wǎng)格的數(shù)據(jù)。通常衛(wèi)星每隔15 min對天氣狀況進行一次加密觀測，而該文方法僅需采集到每隔30 min 的加密數(shù)據(jù)即可滿足需求。同時考慮到強對流天氣易出現(xiàn)的時段，文中選擇的加密數(shù)據(jù)觀測時間如表1 所示。

表1 衛(wèi)星數(shù)據(jù)加密觀測時間

最新的天氣雷達信息由計算機控制[13]，所采集到的信息是完全基于極坐標(biāo)系的。由于使用笛卡爾坐標(biāo)系的數(shù)據(jù)較為便捷，故該文在使用過程中所采用的數(shù)據(jù)均需轉(zhuǎn)換為笛卡爾坐標(biāo)系。此外，還需將采集到的雷達數(shù)據(jù)進行濾波處理。但上述數(shù)據(jù)并非完全正確，可能仍存在一定誤差，因此需要將誤差控制在合理范圍內(nèi)。

針對數(shù)值特征，基于雷達反射樣本標(biāo)簽，將比樣本數(shù)值大的數(shù)據(jù)記錄為正數(shù)據(jù)；反之，記錄為負(fù)數(shù)據(jù)。處理步驟的主要目的是利用差分法(Difference Methods，DM)將數(shù)據(jù)的增量信息記錄下來，對于t時刻的信息δ采用的計算公式為：

由于數(shù)值樣本種類較多且標(biāo)準(zhǔn)未統(tǒng)一，故需通過歸一化處理上述數(shù)據(jù)。采用梯度下降法（Gradient Descent）預(yù)測數(shù)據(jù)趨勢，其對參數(shù)λ的歸一化處理應(yīng)用方式如下：

應(yīng)用機器學(xué)習(xí)算法對電網(wǎng)短期臨近預(yù)警的核心，是通過卷積及池化操作實現(xiàn)對數(shù)據(jù)的識別與預(yù)測。而其精度的高低與分類器的選擇信息相關(guān)，分類器實質(zhì)上是一種數(shù)學(xué)意義上的回歸方法，可精確感知模型的概率。

假設(shè)獲得的氣象數(shù)據(jù)為x1、x2、…、xn，則其對應(yīng)的輸出數(shù)據(jù)分別為y1、y2、…、yn，通過卷積與池化操作，能夠得到y(tǒng)i與xi之間的函數(shù)關(guān)系為：

式中，f的取值范圍為[0,1]，則yi的似然函數(shù)可表示為：

兩邊取對數(shù)，可得：

通過求解β0,β1,…,βn的估計值，即可得到函數(shù)的極大值。

2 短期臨近預(yù)警模型與算法

2.1 臨近預(yù)警流程

根據(jù)氣象模型設(shè)計預(yù)警流程圖，整個流程采用VC++6.0 平臺來完成雷達數(shù)據(jù)的輸入與處理，并利用小波融合算法提高紅外數(shù)據(jù)的準(zhǔn)確度。通過設(shè)計評價指標(biāo)對整個流程進行初始評價，該流程如圖2所示。

圖2 氣象預(yù)警流程圖

在預(yù)警CI 部分，采用指標(biāo)提取法對各個圖像像素進行統(tǒng)計。通過對采集到的數(shù)據(jù)進行分析，并調(diào)整指標(biāo)閾值，從而提高預(yù)警的精度。

2.2 預(yù)警算法的實現(xiàn)

隨著氣象檢測分辨率的增強，對強對流天氣臨近預(yù)警的精度提出了更高的要求[14-15]。但由于對流演變是一個非線性的動力過程，且該過程缺乏對流體運動的觀測，同時對時間與空間的要求也較高，故無法完全準(zhǔn)確地預(yù)報天氣狀況。

通過紅外算法將模擬信息反映為數(shù)值信息，并與溫度、濕度、濃度等信息相融合，進而從多種信息來源增加信息庫。所得到的電網(wǎng)短期臨近預(yù)警算法流程如圖3 所示。

在上述算法流程中，大量的實驗數(shù)據(jù)表明，當(dāng)小波分解到第三級時效果最佳。而在融合規(guī)則中，采用紅外云圖低頻信息可提高紅外采集數(shù)據(jù)的真實性。而針對高頻信息則采用區(qū)域求和與局部比較的方式進行選擇，最終便可得到所需的融合信息。

圖3 算法流程圖

經(jīng)過小波融合算法處理之后，紅外數(shù)據(jù)的準(zhǔn)確率得以提升，從而能夠基于高清詳細(xì)數(shù)據(jù)解決數(shù)值預(yù)報技術(shù)所存在的短時預(yù)報問題。

2.3 評判指標(biāo)的選取

采用計分統(tǒng)計方法設(shè)計電網(wǎng)短期臨近預(yù)警算法時，需首先選取分類指標(biāo)及閾值。分類指標(biāo)需根據(jù)各個衛(wèi)星數(shù)據(jù)間的相互關(guān)系依次確定?？梢罁?jù)紅外數(shù)值與其波段的檢測反映輻射信息，并利用溫度、濕度和云端粒子尺度等參數(shù)為短時預(yù)警提供參考。但并非所有數(shù)據(jù)均可為臨近預(yù)警算法提供有效的數(shù)據(jù)，因此當(dāng)紅外波段數(shù)據(jù)的變化幅度較大時，可設(shè)置其價值數(shù)值為零。若將多個數(shù)值預(yù)報信息綜合起來進行預(yù)警分析，能夠提高短期臨近預(yù)警的準(zhǔn)確率。經(jīng)過大量測試，可得到八個分類指標(biāo)的三通道信息，具體如表2 所示。

表2 評判指標(biāo)定義與權(quán)重

2.4 時間序列分析

根據(jù)評判指標(biāo)可知，在不同時刻的相同位置，通過比較相鄰時刻的天氣數(shù)值信息，可得到云團的運動矢量，用于解決像素在時間序列的追蹤問題。采用交叉算法可解決上述問題，其原理是將采集到的云團活動區(qū)域分為若干個小區(qū)域，根據(jù)相鄰兩個時刻的關(guān)系確定像素的對應(yīng)關(guān)系，其原理如圖4 所示。

假設(shè)t1、t2時刻對應(yīng)的子區(qū)域分別為A、B，二者均由同一云團區(qū)域劃分而來。將A與B做相關(guān)系數(shù)計算，可得到二者間的運動矢量，其中相關(guān)系數(shù)ζ可表示為：

式中，N為總數(shù)據(jù)量，t1、t2時刻的反照率分別用M1、M2表示。交叉相關(guān)算法即將圖像劃分為m個子區(qū)域，其計算量與圖像信息的大小存在直接關(guān)系。根據(jù)文獻[16]中總結(jié)的經(jīng)驗值可知，當(dāng)子區(qū)域選擇5×5 矩陣時可達到較為理想的識別效果，同時其計算精度也有顯著提高。

3 算例分析

該文主要對某地區(qū)電網(wǎng)臨近氣象的歷史數(shù)據(jù)進行收集與整理分析，涉及的氣象時間分別為2020 年6 月13 日、8 月6 日及7 月28 日。應(yīng)用該文所述方法對該地區(qū)的臨近氣象進行預(yù)警與分析，此次強對流天氣發(fā)生的時間通常為午后至傍晚時段。根據(jù)地面氣象站風(fēng)速記錄，此次強對流天氣下，該地區(qū)共有20個地面觀測記錄到陣風(fēng)風(fēng)速超過10 級，其中有五個觀測站風(fēng)力等級達到了12級，風(fēng)速分別為42.1、51.6、39.1、34.8、37.8 m/s。此外，6 月13 日的多個氣象監(jiān)測站打破了6 月的歷史極大風(fēng)速記錄。當(dāng)日的風(fēng)速變化如圖5 所示，其是一次典型的強對流活動天氣。

圖5 2020年6月13日風(fēng)速變化

根據(jù)國家氣象站6 月13 日08 時的探空資料分析可知，8 時左右對流有效位能（Convective Available Potential Energy，CAPE）為477.8 J/kg。且在對流活動發(fā)生前，隨著溫度的升高，對流的有效位能也會進一步增加，導(dǎo)致前期積累能量持續(xù)增多。850 hPa 與500 hPa 溫差為34.7 ℃，抬升凝結(jié)溫度13.6 ℃，凝結(jié)壓強則為862.7 hPa，整體環(huán)境參數(shù)有利于對流進一步積累能量。對流活動發(fā)生后，能量可得到大量釋放，此時對流有效位能較低，整體的大氣溫濕環(huán)境趨于穩(wěn)定。但分別從500、700、850 hPa 的氣象信息來看，西北一帶850 hPa 與500 hPa 的溫度差大于30 ℃，大范圍地區(qū)內(nèi)大氣上冷下暖的結(jié)構(gòu)較為明顯，利于出現(xiàn)不穩(wěn)定的層結(jié)。

進一步對2020 年6 月13 日該地區(qū)的短期強對流天氣設(shè)置三種情形進行模擬分析。情形一為東北部發(fā)生強對流天氣，情形二為西南部發(fā)生強對流天氣，情形三則為兩地交界處發(fā)生強對流天氣?；谠撐乃龇椒?，對上述三種強對流天氣進行預(yù)警，并分析由于小波融合過程中產(chǎn)生的誤差，其結(jié)果如表3所示。

表3 三種情形預(yù)警結(jié)果及誤差

為檢測該文所述方法的有效性及精度，采用不同的損失函數(shù)（Loss Function）在各場景下測試預(yù)警模型的效果。表4 為四種方法的檢測精度對比。從表中可以看出，該方法可有效檢測極端天氣，且其預(yù)測精確率可達96.88%。

表4 不同方法下的預(yù)測精度對比

4 結(jié)束語

針對電網(wǎng)短期臨近預(yù)警問題，該文基于機器學(xué)習(xí)與數(shù)值預(yù)報技術(shù)開展了面向電網(wǎng)的短期臨近氣象預(yù)警模型設(shè)計。在將多類信息進行預(yù)處理及三性分析的基礎(chǔ)上，根據(jù)氣象分析技術(shù)設(shè)計了一套強對流天氣預(yù)警模型。通過小波融合算法映射云團間像素點的聯(lián)系，并分析時間關(guān)聯(lián)度，解決了短時預(yù)警問題。實際算例結(jié)果表明，該文所提方法可以有效預(yù)警極端天氣，且其預(yù)測精準(zhǔn)率達到了預(yù)期水平。在下一步的工作中，將對模型進行改進，并解決預(yù)警過程中數(shù)據(jù)不穩(wěn)定的情況，同時消除不利因素的影響。