摘要：為了提高對(duì)麋鹿自然保護(hù)區(qū)強(qiáng)對(duì)流天氣事件預(yù)測(cè)的準(zhǔn)確性與響應(yīng)的時(shí)效性，文章研究一套基于機(jī)器學(xué)習(xí)的輸電走廊強(qiáng)對(duì)流臨近預(yù)警系統(tǒng)，該系統(tǒng)不僅能實(shí)時(shí)監(jiān)測(cè)并預(yù)測(cè)強(qiáng)對(duì)流天氣，還能準(zhǔn)確評(píng)估其對(duì)輸電走廊的潛在影響。在強(qiáng)對(duì)流預(yù)警技術(shù)方面，提出一套算法實(shí)現(xiàn)流程，包括預(yù)警方法的選擇和時(shí)間序列數(shù)據(jù)的分析，并且通過(guò)實(shí)際算例驗(yàn)證了所提方法的有效性。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；輸電走廊；強(qiáng)對(duì)流預(yù)警；時(shí)間序列分析

中圖分類號(hào)：TN99" " " "文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：1674-0688（2024）06-0117-04

0 引言

隨著全球氣候變化的加劇，強(qiáng)對(duì)流天氣事件的頻繁發(fā)生對(duì)輸電網(wǎng)絡(luò)的安全、穩(wěn)定運(yùn)行構(gòu)成了嚴(yán)峻的挑戰(zhàn)。這些天氣事件可能會(huì)導(dǎo)致輸電線路故障，甚至引發(fā)大范圍的電力中斷，影響社會(huì)經(jīng)濟(jì)活動(dòng)和人們的日常生活。因此，開(kāi)發(fā)一套高效、準(zhǔn)確的輸電走廊強(qiáng)對(duì)流臨近預(yù)警系統(tǒng)是確保電力系統(tǒng)可靠的關(guān)鍵。近年來(lái)，基于機(jī)器學(xué)習(xí)的輸電走廊強(qiáng)對(duì)流臨近預(yù)警技術(shù)受到了廣泛關(guān)注。孫世軍等［1］的研究結(jié)合卷積與池化操作以及CL（Chui-Lian）多小波融合方法，在實(shí)現(xiàn)數(shù)據(jù)特征識(shí)別的同時(shí)提高物理信息量，并且使用交叉相關(guān)算法有效追蹤圖像，算法的預(yù)測(cè)精度高達(dá)93.64%，這一成果不僅提高了強(qiáng)對(duì)流天氣預(yù)警的準(zhǔn)確性，也為后續(xù)研究提供了新的思路。杜娜娜等［2］從電力走廊的實(shí)時(shí)監(jiān)測(cè)出發(fā)，采用機(jī)載激光雷達(dá)點(diǎn)云和攝像機(jī)影像融合的方法，建立三維點(diǎn)云與二維影像之間的映射關(guān)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(shù)融合在電力行業(yè)的巨大應(yīng)用潛力，對(duì)提升輸電走廊的監(jiān)測(cè)能力具有重要意義。宋宇等［3］關(guān)注輸電走廊海量點(diǎn)云數(shù)據(jù)對(duì)實(shí)時(shí)三維顯示的需求，提出一種改進(jìn)的多層次細(xì)節(jié)結(jié)構(gòu)（LOD）高效生成方法，通過(guò)自適應(yīng)采樣及快速分塊處理，在保證視覺(jué)效果的前提下，使數(shù)據(jù)處理速度提高20%以上，這一成果為應(yīng)對(duì)海量數(shù)據(jù)處理的挑戰(zhàn)提供了一種有效的解決方案。本文提出一套基于機(jī)器學(xué)習(xí)的輸電走廊強(qiáng)對(duì)流臨近預(yù)警系統(tǒng)，結(jié)合機(jī)器學(xué)習(xí)技術(shù)，設(shè)計(jì)出一套高效的預(yù)警算法，通過(guò)精細(xì)化的數(shù)據(jù)篩選和清洗技術(shù)，以及引入時(shí)間序列分析，提高預(yù)警系統(tǒng)的準(zhǔn)確性和響應(yīng)速度。本研究旨在提出一個(gè)綜合性解決方案，為電網(wǎng)運(yùn)營(yíng)商提供有力的決策支持工具，確保麋鹿自然保護(hù)區(qū)電力系統(tǒng)穩(wěn)定、可靠地運(yùn)行。

1 算法設(shè)計(jì)

1.1 數(shù)據(jù)選取及預(yù)處理

利用美國(guó)國(guó)家大氣研究中心研發(fā)的雷達(dá)四維變分分析系統(tǒng)（VDRAS）進(jìn)行實(shí)時(shí)數(shù)據(jù)分析，并基于這些數(shù)據(jù)構(gòu)建特征，采用支持向量機(jī)（SVM）算法進(jìn)行數(shù)據(jù)訓(xùn)練和預(yù)測(cè)。通過(guò)分析重要的物理量確定關(guān)鍵數(shù)據(jù)特征，包括相對(duì)濕度、風(fēng)切變等，進(jìn)而有效地預(yù)警輸電走廊中的強(qiáng)對(duì)流天氣［4］。鑒于輸電走廊中強(qiáng)對(duì)流天氣的復(fù)雜性和多變性，利用分塊劃分策略，選取每個(gè)方塊內(nèi)的最大值作為模型的輸入數(shù)據(jù)，以降低數(shù)據(jù)的冗余性，降低計(jì)算量，提高處理速度。

數(shù)據(jù)預(yù)處理涵蓋了數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)準(zhǔn)化、特征選擇等多個(gè)環(huán)節(jié)。數(shù)據(jù)清洗主要進(jìn)行缺失值處理、異常值剔除；數(shù)據(jù)標(biāo)準(zhǔn)化能消除不同數(shù)據(jù)源的數(shù)據(jù)量綱和數(shù)量級(jí)存在的差異；特征選擇是選取對(duì)預(yù)測(cè)模型貢獻(xiàn)最大的特征集合，以提高模型的訓(xùn)練效率和預(yù)測(cè)的準(zhǔn)確度。

在數(shù)據(jù)預(yù)處理中，差分和歸一化是常用的處理時(shí)間序列數(shù)據(jù)和改善模型性能的方法。其中，差分用于消除時(shí)間序列數(shù)據(jù)趨勢(shì)和季節(jié)性，假設(shè)有一個(gè)時(shí)間序列[Xt]，其差分值的計(jì)算公式如下：

在輸電走廊強(qiáng)對(duì)流臨近預(yù)警的背景下，該模型能夠更準(zhǔn)確地識(shí)別不同類型的對(duì)流天氣狀態(tài)，提高預(yù)警系統(tǒng)的可靠性和效果。

2 強(qiáng)對(duì)流預(yù)警技術(shù)

2.1 算法實(shí)現(xiàn)

受大氣監(jiān)測(cè)系統(tǒng)觀測(cè)精度的限制，強(qiáng)對(duì)流天氣的近距離預(yù)警面臨一定的挑戰(zhàn)，影響因素包括以下幾點(diǎn)：①?gòu)?qiáng)對(duì)流事件在很短的時(shí)間范圍內(nèi)引發(fā)劇烈的非線性動(dòng)力變化；②現(xiàn)有的技術(shù)難以對(duì)濕潤(rùn)空氣動(dòng)態(tài)進(jìn)行細(xì)致觀察；③對(duì)初期氣象數(shù)據(jù)進(jìn)行精確評(píng)估和預(yù)警存在困難。為了應(yīng)對(duì)這些問(wèn)題，本文提出一種基于CL多小波技術(shù)的數(shù)據(jù)融合方法，此方法通過(guò)結(jié)合紅外和可見(jiàn)光信道，將強(qiáng)對(duì)流天氣的特征信息集成到預(yù)測(cè)模型中，并且通過(guò)擴(kuò)大樣本容量提升預(yù)測(cè)模型的準(zhǔn)確度。

數(shù)據(jù)融合的技術(shù)策略是利用紅外信道的低頻數(shù)據(jù)保留基礎(chǔ)的紅外信息，同時(shí)從紅外和可見(jiàn)光信道中挑選高頻圖像，經(jīng)過(guò)處理后生成包含豐富低頻信息的新圖像。根據(jù)實(shí)驗(yàn)反饋，應(yīng)用小波融合技術(shù)將目標(biāo)特征與樣本數(shù)據(jù)進(jìn)行融合，可為強(qiáng)對(duì)流天氣預(yù)警提供更細(xì)致、全面的數(shù)據(jù)支持。

2.2 預(yù)警方法

預(yù)警方法用于深度識(shí)別和分析云頂特性及大氣動(dòng)態(tài)變化，細(xì)致地處理和分析來(lái)自不同波段的衛(wèi)星數(shù)據(jù)。通過(guò)機(jī)器學(xué)習(xí)算法，識(shí)別潛在的強(qiáng)對(duì)流天氣模式，并利用小波技術(shù)提高數(shù)據(jù)的時(shí)空分辨率，從而更準(zhǔn)確地預(yù)測(cè)強(qiáng)對(duì)流事件的發(fā)生。表1為衛(wèi)星數(shù)據(jù)特征及其預(yù)警價(jià)值。

2.3 時(shí)間序列分析

在分析云層運(yùn)動(dòng)路徑時(shí)，應(yīng)用交叉相關(guān)技術(shù)處理圖像跟蹤問(wèn)題，將觀察區(qū)域分割成一系列小單元，對(duì)每一時(shí)刻之間的圖像單元進(jìn)行配對(duì)比對(duì)，通過(guò)確定最大的相關(guān)度數(shù)值追蹤和計(jì)算云團(tuán)在不同時(shí)間點(diǎn)的移動(dòng)方向和速度。交叉相關(guān)的函數(shù)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(gè)圖像區(qū)域的像素強(qiáng)度函數(shù)；[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(gè)圖像區(qū)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(hù)區(qū)的強(qiáng)對(duì)流氣象數(shù)據(jù)為樣本進(jìn)行實(shí)驗(yàn)。為了全面了解該保護(hù)區(qū)近幾年的強(qiáng)對(duì)流天氣狀況，本文對(duì)2020—2023年的強(qiáng)對(duì)流活動(dòng)數(shù)據(jù)進(jìn)行篩選和統(tǒng)計(jì)。鑒于強(qiáng)對(duì)流天氣主要在春末夏初、盛夏及夏末秋初出現(xiàn)，麋鹿自然保護(hù)區(qū)5月至9月的強(qiáng)對(duì)流活動(dòng)占全年的80%以上，因此選擇2020—2023年中，5月至9月的數(shù)據(jù)進(jìn)行深入分析。由于小波融合算法對(duì)環(huán)境有特殊要求，因此選取光照條件優(yōu)良的區(qū)域作為實(shí)驗(yàn)樣本。

對(duì)選取的氣象數(shù)據(jù)集進(jìn)行逐項(xiàng)分析后發(fā)現(xiàn)，雖然每年強(qiáng)降水極值發(fā)生的位置都不同，但是極值位置主要集中在保護(hù)區(qū)的南部邊界。2020—2023年，保護(hù)區(qū)南部邊界附近共記錄5次全省年短時(shí)降水極值，顯示一定的集中趨勢(shì)。從短時(shí)強(qiáng)降水的歷史極值看，麋鹿自然保護(hù)區(qū)短時(shí)強(qiáng)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(shí)強(qiáng)降水，降水量高達(dá)130.4 mm/h；其次是2021年6月22日在保護(hù)區(qū)北部記錄的短時(shí)強(qiáng)降水，降水量為120.5 mm/h；最低記錄為2020年保護(hù)區(qū)東側(cè)，降水量為65.3 mm/h。

采用本文設(shè)計(jì)的模型模擬2023年5月21日發(fā)生在麋鹿自然保護(hù)區(qū)內(nèi)的強(qiáng)對(duì)流活動(dòng)，選取以下3種典型的試驗(yàn)情形進(jìn)行分析：①保護(hù)區(qū)西部發(fā)生的小面積強(qiáng)對(duì)流風(fēng)暴；②保護(hù)區(qū)與鄰近森林交界處發(fā)生的明顯強(qiáng)對(duì)流天氣；③保護(hù)區(qū)東北部發(fā)生的強(qiáng)對(duì)流天氣。本文方法對(duì)上述3種情況均能準(zhǔn)確地預(yù)測(cè)。但是，在第3種情況中，未能檢測(cè)到預(yù)期中的發(fā)射率較高的積云，經(jīng)數(shù)據(jù)分析，推斷其原因是小波融合差值過(guò)程中產(chǎn)生誤差。損失函數(shù)驗(yàn)證見(jiàn)表2。

表2中，MLTW-Net在使用Logistic數(shù)據(jù)分類和平滑L1損失函數(shù)時(shí)，表現(xiàn)出更高的預(yù)測(cè)準(zhǔn)確率（94.7%）；相比之下，F(xiàn)S-TW-Model在使用Softmax數(shù)據(jù)分類和平滑L1損失函數(shù)時(shí)，預(yù)警準(zhǔn)確率略低（90.3%）。

本文方法與其他方法的檢測(cè)識(shí)別精度比較分析見(jiàn)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(yōu)的性能，說(shuō)明其在強(qiáng)對(duì)流預(yù)警領(lǐng)域具有較高潛力和實(shí)用性。

4 結(jié)語(yǔ)

本文通過(guò)深入分析和應(yīng)用先進(jìn)的數(shù)據(jù)處理、目標(biāo)識(shí)別和時(shí)間序列分析方法，成功地構(gòu)建了一套能夠準(zhǔn)確預(yù)測(cè)強(qiáng)對(duì)流天氣事件的預(yù)警系統(tǒng)。本研究的核心在于開(kāi)發(fā)一種融合多源數(shù)據(jù)處理與深度學(xué)習(xí)技術(shù)的預(yù)警模型，該模型能有效地從復(fù)雜的氣象數(shù)據(jù)中提取關(guān)鍵特征，進(jìn)而準(zhǔn)確預(yù)測(cè)強(qiáng)對(duì)流天氣事件的發(fā)生。本文方法不僅能準(zhǔn)確地理解和預(yù)測(cè)強(qiáng)對(duì)流天氣事件，還提出了一種高效的數(shù)據(jù)處理流程，顯著提升了對(duì)即將到來(lái)的強(qiáng)對(duì)流天氣的響應(yīng)能力。總之，本研究通過(guò)算法和數(shù)據(jù)處理技術(shù)的創(chuàng)新，有效地提升了輸電走廊強(qiáng)對(duì)流臨近預(yù)警技術(shù)的性能，對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行和防災(zāi)減災(zāi)工作具有重要的現(xiàn)實(shí)意義。

5 參考文獻(xiàn)

［1］孫世軍，朱坤雙，韓洪.基于機(jī)器學(xué)習(xí)的輸電走廊強(qiáng)對(duì)流臨近預(yù)警技術(shù)［J］.電子設(shè)計(jì)工程，2023，31（11）：75-78，83.

［2］杜娜娜，李祿磊，趙東洋.基于激光雷達(dá)點(diǎn)云與單目相機(jī)的輸電走廊實(shí)時(shí)監(jiān)測(cè)方案［J］.電工技術(shù)，2023（10）：143-146.

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

［4］胡偉，王和平，劉成強(qiáng)，等.基于多時(shí)相點(diǎn)云數(shù)據(jù)的輸電走廊地物變化檢測(cè)［J］.機(jī)械設(shè)計(jì)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(cè)的輸電走廊外力破壞隱患區(qū)域識(shí)別［J］.航天返回與遙感，2022，43（3）：138-148.

*國(guó)網(wǎng)江蘇省電力有限公司鹽城市大豐區(qū)供電分公司2023年自然保護(hù)區(qū)輸電走廊麋鹿活動(dòng)統(tǒng)計(jì)數(shù)據(jù)治理服務(wù)“自然保護(hù)區(qū)麋鹿活動(dòng)統(tǒng)計(jì)數(shù)據(jù)治理”（SGJSYCDFDQJS2310374）。

【作者簡(jiǎn)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(hù)。

【引用本文】姚卿卿.基于機(jī)器學(xué)習(xí)的輸電走廊強(qiáng)對(duì)流臨近預(yù)警技術(shù)研究［J］.企業(yè)科技與發(fā)展，2024（6）：117-119，128.