基于機(jī)器學(xué)習(xí)與數(shù)值預(yù)報(bào)技術(shù)的電網(wǎng)短期臨近氣象預(yù)警模型設(shè)計(jì)

杜維柱，張曉華，盧毅，王書淵，沈彥伶

（國(guó)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(duì)災(zāi)害性強(qiáng)對(duì)流天氣進(jìn)行及時(shí)、精準(zhǔn)的預(yù)警，提前預(yù)測(cè)其發(fā)展趨勢(shì)，從而及時(shí)采取預(yù)防措施來(lái)減小電力設(shè)施的損失[1-2]，這也是近年來(lái)新的研究熱點(diǎn)。目前，常見的預(yù)警方法是通過(guò)數(shù)值模式預(yù)報(bào)等方式進(jìn)行粗略地統(tǒng)計(jì)與測(cè)算。典型的TITAN 算法是基于三維雷達(dá)數(shù)據(jù)對(duì)災(zāi)害性天氣進(jìn)行識(shí)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(dá)收集數(shù)據(jù)及本身技術(shù)水平的限制，數(shù)據(jù)采集無(wú)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(jìn)行短期臨近預(yù)警的研究成為了可能[4-6]。文獻(xiàn)[7-8]利用前沿的人工智能算法對(duì)數(shù)據(jù)進(jìn)行分類統(tǒng)計(jì)，并采用特征識(shí)別技術(shù)量化衛(wèi)星數(shù)據(jù)，故可有效對(duì)強(qiáng)對(duì)流天氣進(jìn)行實(shí)時(shí)預(yù)測(cè)。文獻(xiàn)[9]提出CI 預(yù)警方法，通過(guò)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(guò)閾值確定CI，進(jìn)而解決了衛(wèi)星數(shù)據(jù)零散的問(wèn)題。與此同時(shí)，基于遙感數(shù)據(jù)與機(jī)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(jìn)行實(shí)時(shí)訓(xùn)練，并可達(dá)到對(duì)強(qiáng)對(duì)流天氣的短時(shí)臨近預(yù)警[10]。該文根據(jù)氣象觀測(cè)信息，對(duì)收集到的各類數(shù)據(jù)進(jìn)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(guò)所設(shè)計(jì)的氣象模型實(shí)現(xiàn)預(yù)警。

1 機(jī)器學(xué)習(xí)與數(shù)值預(yù)報(bào)技術(shù)

1.1 數(shù)據(jù)收集

根據(jù)氣象站觀測(cè)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(cè)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(guò)嚴(yán)格的質(zhì)量控制與管理，并對(duì)其進(jìn)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(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方法，首先需要對(duì)采集到的數(shù)據(jù)進(jìn)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(duì)天氣狀況進(jìn)行一次加密觀測(cè)，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(shí)考慮到強(qiáng)對(duì)流天氣易出現(xiàn)的時(shí)段，文中選擇的加密數(shù)據(jù)觀測(cè)時(shí)間如表1 所示。

表1 衛(wèi)星數(shù)據(jù)加密觀測(cè)時(shí)間

最新的天氣雷達(dá)信息由計(jì)算機(jī)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(guò)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(dá)數(shù)據(jù)進(jìn)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(duì)數(shù)值特征，基于雷達(dá)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(lái)，對(duì)于t時(shí)刻的信息δ采用的計(jì)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(guò)歸一化處理上述數(shù)據(jù)。采用梯度下降法（Gradient Descent）預(yù)測(cè)數(shù)據(jù)趨勢(shì)，其對(duì)參數(shù)λ的歸一化處理應(yīng)用方式如下：

應(yīng)用機(jī)器學(xué)習(xí)算法對(duì)電網(wǎng)短期臨近預(yù)警的核心，是通過(guò)卷積及池化操作實(shí)現(xiàn)對(duì)數(shù)據(jù)的識(shí)別與預(yù)測(cè)。而其精度的高低與分類器的選擇信息相關(guān)，分類器實(shí)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(duì)應(yīng)的輸出數(shù)據(jù)分別為y1、y2、…、yn，通過(guò)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(duì)數(shù)，可得：

通過(guò)求解β0,β1,…,βn的估計(jì)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(jì)預(yù)警流程圖，整個(gè)流程采用VC++6.0 平臺(tái)來(lái)完成雷達(dá)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(guò)設(shè)計(jì)評(píng)價(jià)指標(biāo)對(duì)整個(gè)流程進(jìn)行初始評(píng)價(jià)，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(duì)各個(gè)圖像像素進(jìn)行統(tǒng)計(jì)。通過(guò)對(duì)采集到的數(shù)據(jù)進(jìn)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(shí)現(xiàn)

隨著氣象檢測(cè)分辨率的增強(qiáng)，對(duì)強(qiáng)對(duì)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(duì)流演變是一個(gè)非線性的動(dòng)力過(guò)程，且該過(guò)程缺乏對(duì)流體運(yùn)動(dòng)的觀測(cè)，同時(shí)對(duì)時(shí)間與空間的要求也較高，故無(wú)法完全準(zhǔn)確地預(yù)報(bào)天氣狀況。

通過(guò)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(jìn)而從多種信息來(lái)源增加信息庫(kù)。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(shí)驗(yàn)數(shù)據(jù)表明，當(dāng)小波分解到第三級(jí)時(shí)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(shí)性。而針對(duì)高頻信息則采用區(qū)域求和與局部比較的方式進(jìn)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(guò)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(bào)技術(shù)所存在的短時(shí)預(yù)報(bào)問(wèn)題。

2.3 評(píng)判指標(biāo)的選取

采用計(jì)分統(tǒng)計(jì)方法設(shè)計(jì)電網(wǎng)短期臨近預(yù)警算法時(shí)，需首先選取分類指標(biāo)及閾值。分類指標(biāo)需根據(jù)各個(gè)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(cè)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(shí)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(shí)，可設(shè)置其價(jià)值數(shù)值為零。若將多個(gè)數(shù)值預(yù)報(bào)信息綜合起來(lái)進(jìn)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(guò)大量測(cè)試，可得到八個(gè)分類指標(biāo)的三通道信息，具體如表2 所示。

表2 評(píng)判指標(biāo)定義與權(quán)重

2.4 時(shí)間序列分析

根據(jù)評(píng)判指標(biāo)可知，在不同時(shí)刻的相同位置，通過(guò)比較相鄰時(shí)刻的天氣數(shù)值信息，可得到云團(tuán)的運(yùn)動(dòng)矢量，用于解決像素在時(shí)間序列的追蹤問(wèn)題。采用交叉算法可解決上述問(wèn)題，其原理是將采集到的云團(tuán)活動(dòng)區(qū)域分為若干個(gè)小區(qū)域，根據(jù)相鄰兩個(gè)時(shí)刻的關(guān)系確定像素的對(duì)應(yīng)關(guān)系，其原理如圖4 所示。

假設(shè)t1、t2時(shí)刻對(duì)應(yīng)的子區(qū)域分別為A、B，二者均由同一云團(tuán)區(qū)域劃分而來(lái)。將A與B做相關(guān)系數(shù)計(jì)算，可得到二者間的運(yùn)動(dòng)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(shí)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(gè)子區(qū)域，其計(jì)算量與圖像信息的大小存在直接關(guān)系。根據(jù)文獻(xiàn)[16]中總結(jié)的經(jīng)驗(yàn)值可知，當(dāng)子區(qū)域選擇5×5 矩陣時(shí)可達(dá)到較為理想的識(shí)別效果，同時(shí)其計(jì)算精度也有顯著提高。

3 算例分析

該文主要對(duì)某地區(qū)電網(wǎng)臨近氣象的歷史數(shù)據(jù)進(jìn)行收集與整理分析，涉及的氣象時(shí)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(duì)該地區(qū)的臨近氣象進(jìn)行預(yù)警與分析，此次強(qiáng)對(duì)流天氣發(fā)生的時(shí)間通常為午后至傍晚時(shí)段。根據(jù)地面氣象站風(fēng)速記錄，此次強(qiáng)對(duì)流天氣下，該地區(qū)共有20個(gè)地面觀測(cè)記錄到陣風(fēng)風(fēng)速超過(guò)10 級(jí)，其中有五個(gè)觀測(cè)站風(fēng)力等級(jí)達(dá)到了12級(jí)，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(gè)氣象監(jiān)測(cè)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(qiáng)對(duì)流活動(dòng)天氣。

圖5 2020年6月13日風(fēng)速變化

根據(jù)國(guó)家氣象站6 月13 日08 時(shí)的探空資料分析可知，8 時(shí)左右對(duì)流有效位能（Convective Available Potential Energy，CAPE）為477.8 J/kg。且在對(duì)流活動(dòng)發(fā)生前，隨著溫度的升高，對(duì)流的有效位能也會(huì)進(jìn)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(qiáng)則為862.7 hPa，整體環(huán)境參數(shù)有利于對(duì)流進(jìn)一步積累能量。對(duì)流活動(dòng)發(fā)生后，能量可得到大量釋放，此時(shí)對(duì)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(lái)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(jìn)一步對(duì)2020 年6 月13 日該地區(qū)的短期強(qiáng)對(duì)流天氣設(shè)置三種情形進(jìn)行模擬分析。情形一為東北部發(fā)生強(qiáng)對(duì)流天氣，情形二為西南部發(fā)生強(qiáng)對(duì)流天氣，情形三則為兩地交界處發(fā)生強(qiáng)對(duì)流天氣?；谠撐乃龇椒ǎ瑢?duì)上述三種強(qiáng)對(duì)流天氣進(jìn)行預(yù)警，并分析由于小波融合過(guò)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(cè)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(chǎng)景下測(cè)試預(yù)警模型的效果。表4 為四種方法的檢測(cè)精度對(duì)比。從表中可以看出，該方法可有效檢測(cè)極端天氣，且其預(yù)測(cè)精確率可達(dá)96.88%。

表4 不同方法下的預(yù)測(cè)精度對(duì)比

4 結(jié)束語(yǔ)

針對(duì)電網(wǎng)短期臨近預(yù)警問(wèn)題，該文基于機(jī)器學(xué)習(xí)與數(shù)值預(yù)報(bào)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(jì)。在將多類信息進(jìn)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(jì)了一套強(qiáng)對(duì)流天氣預(yù)警模型。通過(guò)小波融合算法映射云團(tuán)間像素點(diǎn)的聯(lián)系，并分析時(shí)間關(guān)聯(lián)度，解決了短時(shí)預(yù)警問(wèn)題。實(shí)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(cè)精準(zhǔn)率達(dá)到了預(yù)期水平。在下一步的工作中，將對(duì)模型進(jìn)行改進(jìn)，并解決預(yù)警過(guò)程中數(shù)據(jù)不穩(wěn)定的情況，同時(shí)消除不利因素的影響。