一种强降雨预测方法、系统、装置及计算机存储介质与流程

1.本发明涉及电力气象技术领域，尤其涉及一种强降雨预测方法、系统、装置及计算机存储介质。


背景技术：

2.强降雨天气会对电网的规划建设、调度运行和运维检修等带来严重影响，为保障电网的稳定运行，有必要提供一种强降雨预测方法。
3.现有强降雨预测方法利用强降雨预测模型来预测目标区域的天气状况。该方法在训练强降雨预测模型时，通常采用单一类型数据例如历史雷达图像数据来训练模型，所生成模型的预测精度较低，且在预测目标区域中不同时间段的天气状况时，皆采用同一强降雨预测模型进行预测，增大了预测误差。


技术实现要素：

4.本发明提供了一种强降雨预测方法、系统、装置及计算机存储介质，解决了现有强降雨预测方法预测精度低的技术问题。
5.本发明第一方面提供一种强降雨预测方法，包括：
6.根据历史降雨数据构建对应不同时间段的训练集，所述历史降雨数据包括历史天气数据、雷达回波序列及强降雨表征因子；
7.构建强降雨天气预测模型，根据所述训练集对所述强降雨天气预测模型进行训练，得到各时间段对应的训练好的强降雨天气预测模型；
8.根据目标区域的当前降雨数据所属的时间段，确定对应的训练好的强降雨天气预测模型，将所述当前降雨数据输入至所确定的强降雨天气预测模型，得到对应的降雨量预测值。
9.根据本发明第一方面的一种能够实现的方式，所述强降雨天气预测模型为：
10.h＝as bm ct
11.式中，h表示强降雨天气预测模型，s表示年平均降雨量，m表示雷达回波序列，t表示强降雨表征因子，a表示基于年平均降雨量进行预测的准确率的权重，b表示基于雷达回波序列进行预测的准确率的权重，c表示基于强降雨表征因子进行预测的准确率的权重；
12.其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则x(i)表示第i年对应时间段的总降雨量。
13.根据本发明第一方面的一种能够实现的方式，所述根据所述训练集对所述强降雨天气预测模型进行训练，包括：
14.将同一训练集中的数据划分为多组数据；
15.将各组数据分别输入至所述强降雨天气预测模型，得到各组数据对应权重参数的具体值；
16.对所述各组数据对应权重参数的具体值进行求平均值处理，得到所述强降雨天气预测模型中所述a、所述b和所述c的具体值。
17.根据本发明第一方面的一种能够实现的方式，所述方法还包括：
18.当所述降雨量预测值超过预置阈值时，判定所述目标区域内有强降雨，并输出对应的预警信息。
19.本发明第二方面提供一种强降雨预测系统，包括：
20.训练集构建模块，用于根据历史降雨数据构建对应不同时间段的训练集，所述历史降雨数据包括历史天气数据、雷达回波序列及强降雨表征因子；
21.模型训练模块，用于构建强降雨天气预测模型，根据所述训练集对所述强降雨天气预测模型进行训练，得到各时间段对应的训练好的强降雨天气预测模型；
22.预测模块，用于根据目标区域的当前降雨数据所属的时间段，确定对应的训练好的强降雨天气预测模型，将所述当前降雨数据输入至所确定的强降雨天气预测模型，得到对应的降雨量预测值。
23.根据本发明第二方面的一种能够实现的方式，所述强降雨天气预测模型为：
24.h＝as bm ct
25.式中，h表示强降雨天气预测模型，s表示年平均降雨量，m表示雷达回波序列，t表示强降雨表征因子，a表示基于年平均降雨量进行预测的准确率的权重，b表示基于雷达回波序列进行预测的准确率的权重，c表示基于强降雨表征因子进行预测的准确率的权重；
26.其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则x(i)表示第i年对应时间段的总降雨量。
27.根据本发明第二方面的一种能够实现的方式，所述模型训练模块包括：
28.数据划分单元，用于将同一训练集中的数据划分为多组数据；
29.权重参数值求取单元，将各组数据分别输入至所述强降雨天气预测模型，得到各组数据对应权重参数的具体值；
30.权重参数值确定单元，用于对所述各组数据对应权重参数的具体值进行求平均值处理，得到所述强降雨天气预测模型中所述a、所述b和所述c的具体值。
31.根据本发明第二方面的一种能够实现的方式，所述系统还包括预警模块；
32.所述预警模块用于当所述降雨量预测值超过预置阈值时，判定所述目标区域内有强降雨，并输出对应的预警信息。
33.本发明第三方面提供了一种强降雨预测装置，包括：
34.存储器，用于存储指令；其中，所述指令为可实现如上任意一项能够实现的方式所述的强降雨预测方法的指令；
35.处理器，用于执行所述存储器中的指令。
36.本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项能够实现的方式所述的强降雨预测方法。
37.从以上技术方案可以看出，本发明具有以下优点：
38.本发明实施例中，根据历史天气数据、雷达回波序列及强降雨表征因子构建对应
不同时间段的训练集，利用训练集对强降雨天气预测模型进行训练，以生成多个强降雨天气预测模型，所使用的数据源多样化，有利于提高模型训练的精度；本发明还在进行实际预测时，根据目标区域的当前降雨数据所属的时间段，选择同时期的强降雨天气预测模型进行预测，进一步缩小了预测误差，解决了现有强降雨预测方法预测精度低的技术问题。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
40.图1为本发明一个可选实施例提供的一种强降雨预测方法的流程图；
41.图2为本发明一个可选实施例提供的一种强降雨预测系统的结构示意图。
42.附图说明：
43.1-训练集构建模块；2-模型训练模块；3-预测模块。
具体实施方式
44.本发明实施例提供了一种强降雨预测方法、系统、装置及计算机存储介质，用于解决现有强降雨预测方法预测精度低的技术问题。
45.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
46.请参阅图1，图1示出了本发明实施例提供的一种强降雨预测方法的流程图。
47.本发明提供的一种强降雨预测方法，包括：
48.s1根据历史降雨数据构建对应不同时间段的训练集，所述历史降雨数据包括历史天气数据、雷达回波序列及强降雨表征因子。
49.其中，该历史天气数据包括历年的不同时间段的总降雨量数据，该雷达回波序列包括云团轨迹、雷暴云的时空尺度分布特征等数据信息。该强降雨表征因子包括极端大风和零散的高雷电潜势指数。可以通过查找历史强降雨资料获取强降雨的表征因子值。
50.所述的时间段，可以按月进行划分，也可以按照季度进行划分。例如按照季度进行划分时，构建的训练集包括对应第一季度的训练集、对应第二季度的训练集、对应第三季度的训练集和对应第四季度的训练集。此时，对应第一季度的训练集中的数据为历年第一季度的天气数据、雷达回波序列及强降雨表征因子；而对应第二季度的训练集中的数据为历年第一季度的天气数据、雷达回波序列及强降雨表征因子。
51.s2构建强降雨天气预测模型，根据所述训练集对所述强降雨天气预测模型进行训练，得到各时间段对应的训练好的强降雨天气预测模型。
52.执行步骤s2时，根据不同时间段的训练集训练强降雨天气预测模型，以获得多个强降雨天气预测模型。例如，当所属时间段按照季度进行划分时，根据对应第一季度的训练
集训练强降雨天气预测模型，从而得到对应第一季度的强降雨天气预测模型；根据对应第二季度的训练集训练强降雨天气预测模型，从而得到对应第二季度的强降雨天气预测模型；根据对应第三季度的训练集训练强降雨天气预测模型，从而得到对应第三季度的强降雨天气预测模型；以及，根据对应第四季度的训练集训练强降雨天气预测模型，从而得到对应第四季度的强降雨天气预测模型。
53.在一种能够实现的方式中，所述强降雨天气预测模型为：
54.h＝as bm ct
55.式中，h表示强降雨天气预测模型，s表示年平均降雨量，m表示雷达回波序列，t表示强降雨表征因子，a表示基于年平均降雨量进行预测的准确率的权重，b表示基于雷达回波序列进行预测的准确率的权重，c表示基于强降雨表征因子进行预测的准确率的权重；
56.其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则x(i)表示第i年对应时间段的总降雨量。
57.取n年对应时间段的总降雨量数据计算该年平均降雨量，当计算对应第一季度的强降雨天气预测模型时，则从往年各季度总降雨量数据中选取第一季度的总降雨量数据。例如，取3年的第一季度的总降雨量数据计算该年平均降雨量时，设第1年第一季度的总降雨量值为x(1)，第2年第一季度的总降雨量值为x(2)，第3年第一季度的总降雨量值为x(3)，则该年平均降雨量为(x(1) x(2) x(3))/3。
58.通过上述权重a、b和c来构建强降雨天气预测模型，能够综合各类型数据预测降雨量的误差，将误差最小化，以提高预测精度。其中，通过多年的总降雨量数据计算该年平均降雨量，进一步提高了数据精度。
59.在一种能够实现的方式中，所述根据所述训练集对所述强降雨天气预测模型进行训练，包括：
60.将同一训练集中的数据划分为多组数据；
61.将各组数据分别输入至所述强降雨天气预测模型，得到各组数据对应权重参数的具体值；
62.对所述各组数据对应权重参数的具体值进行求平均值处理，得到所述强降雨天气预测模型中所述a、所述b和所述c的具体值。
63.本发明实施例在求取模型参数值的过程中，将多组数据输入到强降雨天气预测模型的公式中，能够求出若干组a、b、c的具体值，然后再取各自的平均值，作为各自的参数值。例如，一个季度有三个月，执行该步骤时，将训练集中的数据划分为属于第一个月的数据、属于第二个月的数据和属于第三个月的数据，从而形成三组数据。通过将三组数据分别输入到强降雨天气预测模型的公式中，能够得到三组a、b、c的具体值。此时，对三组a的具体值进行平均值求取，将获得的平均值作为该参数a的具体值，其他参数值也根据这种方式进行求取。通过这种方式，能够进一步提高降雨天气预测模型训练的精度。
64.s3根据目标区域的当前降雨数据所属的时间段，确定对应的训练好的强降雨天气预测模型，将所述当前降雨数据输入至所确定的强降雨天气预测模型，得到对应的降雨量预测值。
65.本发明实施例，通过同期的强降雨天气预测模型来预测目标区域的降雨状况，能
够进一步提高对强降雨预测的精度。
66.在一种能够实现的方式中，所述方法还包括：
67.当所述降雨量预测值超过预置阈值时，判定所述目标区域内有强降雨，并输出对应的预警信息。
68.其中，可以以人机交互界面的方式显示所述预警信息，或者，向预置的移动终端发送该预警信息。
69.请参阅图2，图2示出了本发明实施例提供的一种强降雨预测系统的结构示意图。
70.本发明实施例提供的强降雨预测系统，包括：
71.训练集构建模块1，用于根据历史降雨数据构建对应不同时间段的训练集，所述历史降雨数据包括历史天气数据、雷达回波序列及强降雨表征因子；
72.模型训练模块2，用于构建强降雨天气预测模型，根据所述训练集对所述强降雨天气预测模型进行训练，得到各时间段对应的训练好的强降雨天气预测模型；
73.预测模块3，用于根据目标区域的当前降雨数据所属的时间段，确定对应的训练好的强降雨天气预测模型，将所述当前降雨数据输入至所确定的强降雨天气预测模型，得到对应的降雨量预测值。
74.在一种能够实现的方式中，所述强降雨天气预测模型为：
75.h＝as bm ct
76.式中，h表示强降雨天气预测模型，s表示年平均降雨量，m表示雷达回波序列，t表示强降雨表征因子，a表示基于年平均降雨量进行预测的准确率的权重，b表示基于雷达回波序列进行预测的准确率的权重，c表示基于强降雨表征因子进行预测的准确率的权重；
77.其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则其中，取n年对应时间段的总降雨量数据计算该年平均降雨量，则x(i)表示第i年对应时间段的总降雨量。
78.在一种能够实现的方式中，所述模型训练模块包括：
79.数据划分单元，用于将同一训练集中的数据划分为多组数据；
80.权重参数值求取单元，将各组数据分别输入至所述强降雨天气预测模型，得到各组数据对应权重参数的具体值；
81.权重参数值确定单元，用于对所述各组数据对应权重参数的具体值进行求平均值处理，得到所述强降雨天气预测模型中所述a、所述b和所述c的具体值。
82.在一种能够实现的方式中，所述系统还包括预警模块；
83.所述预警模块用于当所述降雨量预测值超过预置阈值时，判定所述目标区域内有强降雨，并输出对应的预警信息。
84.本发明还提供了一种强降雨预测装置，包括：
85.存储器，用于存储指令；其中，所述指令为可实现如上任意一项实施例所述的强降雨预测方法的指令；
86.处理器，用于执行所述存储器中的指令。
87.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任意一项实施例所述的强降雨预测方法。
88.本发明上述实施例，根据历史天气数据、雷达回波序列及强降雨表征因子构建对应不同时间段的训练集，利用训练集对强降雨天气预测模型进行训练，以生成多个强降雨天气预测模型，所使用的数据源多样化，有利于提高模型训练的精度；本发明上述实施例还在进行实际预测时，根据目标区域的当前降雨数据所属的时间段，选择同时期的强降雨天气预测模型进行预测，进一步缩小了预测误差，解决了现有强降雨预测方法预测精度低的技术问题。
89.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程及效果，可以参考前述方法实施例中的对应过程，在此不再赘述。
90.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
91.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
92.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
93.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
94.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。