[发明专利]基于transformer机制的雷电定位轨迹预测方法和系统

说明书

本发明涉及人工智能技术领域，尤其是一种基于transformer机制的雷电定位轨迹预测方法、系统和存储介质。本发明提出的基于transformer机制的雷电定位轨迹预测方法，将Transformer与时序分解方法相结合，其中分解方法捕获时间序列的整体轮廓，而Transformer捕获更详细的结构，这使得模型可以捕捉时间序列的全局视图。本发明中在时域特征提取时，通过M(q(i),K1)选择出少数对主要注意有贡献的点积进行后续注意力提取，降低了算法复杂度，提高了计算资源的有益性，从而提高了模型预测能力。

技术领域

本发明涉及人工智能技术领域，尤其是一种基于transformer机制的雷电定位轨迹预测方法、系统和存储介质。

背景技术

雷电是自然界频繁发生的一种高强度的电磁脉冲现象，因其影响较大，受到了气象、航天、航空、电力、石油诸多部门的广泛关注。其中，电网因其具有广域分布特征、几何尺度达数千km更易受到雷电的冲击。雷击是影响电网安全运行的重要因素。要保障电网的安全运行需要精准的预测雷电轨迹，以提前做好防雷击准备；雷电轨迹预测的难点在于无法用公式描述出所有外部因素对雷云运动轨迹的影响，而且很难基于实时数据对雷云轨迹做出较精准的长时预测。

现有技术中对雷电的预测已取得很多有价值的研究成果，但这些方法不能或只能基于现有数据预测未来很短的雷云运动轨迹。雷电活动到来前，要完成电塔上施工人员的疏散，且要对雷电风险等级进行评估以完成下一步对电塔任务调度的决策，还要完成主动防雷的部署，需要大量的时间去保证人员的安全并把损失降到最低。在雷电活动面前时间十分的宝贵，因此，急需一种可以完成雷电轨迹长时预测的方法。

发明内容

为了克服上述现有技术中无法实现长时间的雷云预测的缺陷，本发明提出了一种基于transformer机制的雷电定位轨迹预测方法，能够很好的解决长时预测问题，并能精准的判断雷云运动轨迹，让实现精准防雷成为可能。

本发明提出的一种基于transformer机制的雷电定位轨迹预测方法，定义输入数据为包含T个连续时间点的历史数据，每一个时间点上的历史数据均包括雷电数据和天气数据；针对输入数据提取频域特征和时域特征，并在时域上对频域特征和时域特征进行拼接以获取第一拼接数据，并对第一拼接数据进行分解；基于输入数据进行分解，针对输入数据的分解数据提取频域特征和时域特征，并在时域上对频域特征和时域特征进行拼接以获取第二拼接数据，对第二拼接数据进行分解；结合第一拼接数据的分解数据和第二拼接数据的分解数据进行解码，以获取输入数据之后t个时间点上的雷云分布作为预测结果Y；

其中，时域特征的提取通过稀疏时域自注意力模块实现，稀疏时域自注意力模块将输入的数据转换为d维度的词向量，然后采用不同的线性变换对词向量进行变换，以获取矩阵Q1、矩阵K1和矩阵V1；令矩阵Q1中第i个元素为q(i)，矩阵K1中第j个元素为k(j)；稀疏时域自注意力模块根据预设的评估公式计算矩阵Q1中各元素q(i)与矩阵K1的评估值M(q(i),K1)；稀疏时域自注意力模块选取对应的评估值M(q(i),K1)较大的n个元素q(i)作为目标元素，并将选取的n个目标元素组成矩阵Q(1,1)；稀疏时域自注意力模块将Q(1,1)作为Q值，将K1作为K值，将V1作为V值，然后结合Q值K值V值执行自注意力机制，以获取稀疏时域自注意力模块输入的数据的时域特征。

优选的，评估公式为：

A1和A2为过渡项；k(q(i),k(j))和k(q(i),k(r))为设定的核函数；k(r)为矩阵K1中第r个元素；M(q(i),K1)用于描述注意力概率分布和均匀分布之间的距离；L(K)为K值的元素数量。

优选的，k(q(i),k(j))和k(q(i),k(r))为非对称的指数核函数；