风力机上的上行闪电：基于大尺度气象学的风险评估
机器学习
2023-01-10 v1 机器学习
摘要
随着为可再生发电而安装的风力机越来越多，上行闪电(UL)已成为对风力机日益重要的威胁。风力机越高，撞击此人造结构的闪电类型为UL的风险越大。UL可比下行闪电更具破坏性，因其初始连续电流持续时间长，导致放电过程中电荷转移量大。当前风力机闪电风险评估标准主要考虑夏季闪电活动，该活动由闪电定位系统(LLS)推断。地面真实闪电电流测量显示，LLS可能仅能探测到不足50%的UL。这导致风力机上LLS不可探测UL占比被严重低估，而此类闪电为冷季主导类型。本研究旨在利用奥地利Gaisberg塔与瑞士S"antis塔的直接UL测量，评估风力机上LLS可探测与不可探测UL的风险。直接UL观测与气象再分析数据关联，并通过随机森林这一强大机器学习技术进行联合。分别从两塔训练的随机森林模型找出LLS可探测与不可探测UL发生与否的气象驱动因子，且对独立数据具有较大预测技能。第二步，将塔训练模型结果扩展至更大研究域(德国中部与北部)。LLS可探测闪电的塔训练模型在该域风力机位置独立验证，被发现可可靠诊断此类UL。基于个例事件的风险图显示，研究域内高诊断概率区与实际UL事件重合。
引用
@article{arxiv.2301.03360,
title = {Upward lightning at wind turbines: Risk assessment from larger-scale meteorology},
author = {Isabell Stucke and Deborah Morgenstern and Thorsten Simon and Georg J. Mayr and Achim Zeileis and Gerhard Diendorfer and Wolfgang Schulz and Hannes Pichler},
journal= {arXiv preprint arXiv:2301.03360},
year = {2023}
}
备注
24 pages, 8 figures