[發(fā)明專利]一種颮線風(fēng)風(fēng)速預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010954611.5
• 申請(qǐng)日: 2020-09-11
• 公開（公告）號(hào): CN112149536B
• 公開（公告）日: 2022-11-29
• 發(fā)明（設(shè)計(jì)）人: 周象賢;鄭昕;王少華;王振國(guó);姜文東;劉巖;段靜鑫;邵先軍;李特;周路遙;李乃一;曹俊平
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)浙江省電力有限公司電力科學(xué)研究院
• 主分類號(hào): G06V10/82
• 分類號(hào): G06V10/82;G06V10/764;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 浙江翔隆專利事務(wù)所(普通合伙) 33206
• 代理人: 張建青

1.一種颮線風(fēng)風(fēng)速預(yù)測(cè)方法，其特征在于，包括步驟：

S1：收集歷史颮線樣本；

S2：通過(guò)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練基于CNN的颮線風(fēng)判別模型，具體內(nèi)容為：傳入雷達(dá)反射率圖片，首先將圖像以灰度圖模式讀取，提取其中的反射率因子，然后進(jìn)行以下預(yù)處理：1)圖像以0.2的概率隨機(jī)翻轉(zhuǎn)；2)對(duì)圖像進(jìn)行適當(dāng)?shù)呐蛎浉g操作和扭曲操作，以實(shí)現(xiàn)對(duì)訓(xùn)練數(shù)據(jù)的增廣操作；3)對(duì)圖像進(jìn)行閾值化處理，反射率小于40dbz的像元賦值為0，40dbz以上的像元保留；4)得到閾值化處理之后的圖像，對(duì)其中的像素面積小于輸入圖像總面積0.06％的連通區(qū)域進(jìn)行剔除操作，從而保留下主要信息；通過(guò)上述操作，為最后訓(xùn)練形成的颮線風(fēng)判別模型預(yù)先提取重要特征，提高颮線風(fēng)判別模型精度，最后訓(xùn)練得到颮線風(fēng)判別模型；

S3：颮線風(fēng)判別模型訓(xùn)練完畢后，輸入需要預(yù)測(cè)的雷達(dá)反射率圖片，首先對(duì)圖像進(jìn)行閾值化處理，小于40dbz的像元賦值為0，40dbz以上像元保留；其次對(duì)其中像素面積小于輸入圖像總面積0.06％的連通區(qū)域進(jìn)行剔除操作，從而保留下主要信息；然后分別對(duì)圖像進(jìn)行水平、垂直、水平+垂直翻轉(zhuǎn)操作，連同剔除操作后所得到的圖像，共計(jì)4幅圖，全部輸入颮線風(fēng)判別模型；利用颮線風(fēng)判別模型判別是否颮線，得到四個(gè)結(jié)果，進(jìn)行加權(quán)平均得到最終結(jié)果，是則輸出結(jié)果文件，否則回到步驟S3等待執(zhí)行下一張雷達(dá)反射率圖片。

2.根據(jù)權(quán)利要求1所述的一種颮線風(fēng)風(fēng)速預(yù)測(cè)方法，其特征在于，步驟S1的具體內(nèi)容如下：選用的訓(xùn)練數(shù)據(jù)是雷達(dá)監(jiān)測(cè)站近20年的所有颮線案例附近時(shí)間段的雷達(dá)數(shù)據(jù)，提取數(shù)據(jù)之后，從中獲得颮線樣本和非颮線樣本；標(biāo)注完成之后，存儲(chǔ)為uint8格式，便于讀取；訓(xùn)練過(guò)程中，90％的數(shù)據(jù)作為訓(xùn)練集，剩余10％的數(shù)據(jù)作為驗(yàn)證集。

3.根據(jù)權(quán)利要求1所述的一種颮線風(fēng)風(fēng)速預(yù)測(cè)方法，其特征在于，在步驟S2中通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用帶動(dòng)量批量梯度下降法，batch大小設(shè)置為64，momentum設(shè)置為0.9，學(xué)習(xí)率設(shè)置為0.0001，迭代次數(shù)設(shè)置為50，另外，采用早熟策略，即每次迭代都會(huì)將更新后的網(wǎng)絡(luò)在驗(yàn)證集上測(cè)試，如果訓(xùn)練誤差連續(xù)增大6次，則退出訓(xùn)練，保存迭代過(guò)程中驗(yàn)證誤差最小的模型。

4.根據(jù)權(quán)利要求1所述的一種颮線風(fēng)風(fēng)速預(yù)測(cè)方法，其特征在于，在步驟S2中使用基于LeNet結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求4所述的一種颮線風(fēng)風(fēng)速預(yù)測(cè)方法，其特征在于，在步驟S2中，訓(xùn)練數(shù)據(jù)的雷達(dá)圖像經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，將會(huì)輸出兩個(gè)值，此后接softmax函數(shù)，將兩個(gè)值映射成颮線/非颮線的概率，概率大的為最終判定結(jié)果；計(jì)算網(wǎng)絡(luò)輸出結(jié)果與標(biāo)簽誤差，損失函數(shù)選用交叉熵?fù)p失函數(shù)，如式(1)所示：

式中，y是標(biāo)簽，即0或者1，為預(yù)測(cè)結(jié)果，每輪訓(xùn)練后將誤差反向傳播到各個(gè)參數(shù)上，對(duì)參數(shù)進(jìn)行更新，最終訓(xùn)練得到颮線風(fēng)判別模型。