(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210976018.X (22)申请日 2022.08.15 (71)申请人 国网电力科 学研究院武汉南瑞 有限 责任公司 地址 430074 湖北省武汉市洪山区珞 瑜路 143号 (72)发明人 张永刚　谷山强　李健　吴大伟　 李秋阳　朱浩楠　李哲　陶汉涛　 张磊　林卿　姜志博　白冰洁　 李旺　温宽　刘泽　王宇　刘玉欢　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 李满　潘杰 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/26(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 基于卷积神经网络的落雷预测模型构建方 法 (57)摘要 本发明公开了一种基于卷积神经网络的落 雷预测模型构建方法， 该方法以目标区域的历史 雷电定位数据和气象数据为基础， 通过统计雷电 数据提取了目标区域内部的落雷次数与雷电流 强度信息， 以二者出现的比例为依据并结合目标 区域的防雷要求划分了落雷次数与雷电流强度 的分类区间， 以落雷次数类别和雷电流强度类别 为基础分别建立了落雷次数类别样本和雷电流 强度类别样 本， 分别训练了以时空变量和气象参 量为输入、 以落雷次数或雷电流强度各个类别的 概率为输 出的卷积神经网络预测模 型， 实现了对 落雷次数和雷电流强度的分类预测。 本方法可用 于开展基于预报信息的雷击故障主动防护， 对降 低雷击灾害损失、 提升社会防雷水平具有十分重 要的意义。 权利要求书2页 说明书11页 附图3页 CN 115456248 A 2022.12.09 CN 115456248 A 1.一种基于卷积神经网络的落雷 预测模型构建方法， 其特 征在于： 它包括以下步骤： 步骤S1、 根据目标区域的防雷需求， 指定落雷次数与雷电流强度预测矩形网格的尺寸 和预测时长； 步骤S2、 将目标区域按照落雷次数与雷电流强度 预测矩形网格的尺寸大小分割成多个 网格， 将目标区域历史雷电数据跨越的时间按落雷次数与雷电流 强度预测时长 分割成多个 时次， 在目标区域历史雷电数据中统计目标区域内部各个网格在历史雷电数据包含的各个 时次内的雷电地闪的数量和雷电流幅值的最大值， 分别称为落雷次数和雷电流强度， 随后 删除数值 为0的落雷次数与雷电流强度； 步骤S3、 统计不同落雷次数出现的比例， 以此为依据并结合目标区域的防雷要求划分 落雷次数的分类区间； 步骤S4、 根据落雷次数分类区间将每个落雷次数处理成落雷次数类别， 根据落雷次数 类别及其所属的时次、 网格、 该时次该网格及 网格周边范围的气象数据创建落雷次数类别 样本； 步骤S5、 对落雷次数类别样本中的落雷次数类别做独热编码， 得到新的落雷次数样本， 根据新的落雷次数类别样本， 训练以预测时次的时间、 预测网格的位置、 该时间该位置所属 区域的气象数据为输入、 以落雷次数各个类别的概率为输出 的卷积神经网络预测模型， 得 到落雷次数分类预测卷积神经网络模型。 2.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 步骤 5后还包括步骤S 6、 在雷电流强度为0kA和雷电流 强度最大值之间划分等间距的雷电流 强度 区间， 统计雷电流强度出现在不同雷电流强度区间内的比例， 以此为依据并结合 目标区域 的防雷要求划分雷电流强度的分类区间； 步骤S7、 根据雷电流强度分类区间将每个雷电流强度处理成对应的雷电流强度类别， 根据雷电流强度类别及其所属的时次、 网格、 该时次该网格及 网格周边范围的气象数据创 建雷电流强度类别样本； 步骤S8、 对雷电流强度类别样本中的雷电流强度类别做独热编码， 得到新的雷电流强 度类别样本， 根据新的雷电流强度类别样本， 训练以预测时次的时间、 预测网格的位置、 该 时间该位置所属区域的气象数据为输入、 以雷电流强度各个类别的概率为输出的卷积神经 网络预测模型， 得到雷电流强度分类预测卷积神经网络模型。 3.根据权利要求2所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 所述 步骤S8后包括步骤S9， 将目标区域分割成多个网格， 通过落雷次数分类预测卷积神经网络 模型和雷电流强度分类预测卷积神经网络模型分别预测各个网格内的落雷次数和雷电流 强度类别， 遍历所有网格实现目标区域的落雷次数和雷电流强度分类预测。 4.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 所述 步骤S2中历史雷电数据跨越的时间为获取到的目标区域的历史雷电数据起始 时刻到终止 时刻之间的时间段。 5.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 所述 步骤S3中落雷次数 出现的比例为具体某个落雷次数 出现的次数与落雷次数个数的比值。 6.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 所述 步骤S3中落雷次数的分类区间为多个能将落雷次数处 理成多个 类别的区间。权　利　要　求　书 1/2 页 2 CN 115456248 A 27.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 步骤 S4中落雷次数类别所属的时次和网格为具体落雷次数发生的时次和网格， 当一个落雷次数 类别对应多个时 次和网格组合时， 每 个时次、 网格组合都计入落雷次数类别样本 。 8.根据权利要求1所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 步骤 S4中某时次某网格及 网格周边范围的气象数据为该时次该网格 自身及该网格四周的网格 的气象数据。 9.根据权利要求2所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 所述 步骤S6中雷电流强度的分类区间为多个能将雷电流强度处 理成多个 类别的区间。 10.根据权利要求2所述基于卷积神经网络的落雷预测模型构建方法， 其特征在于： 所 述步骤S7中雷电流强度类别所属的时次和网格为具体雷电流强度发生的时次和网格， 当一 个雷电流强度类别对应多个时次、 网格组合时， 每个时次、 网格组合 都计入雷电流 强度类别 样本。权　利　要　求　书 2/2 页 3 CN 115456248 A 3