本文为一篇科研论文，题为《基于电场特征和深度学习的雷电预警方法》，由付光攀、李艳飞、朱璐、蔡昊晖（单位：广东电网有限责任公司广州供电局）以及鲍日洋、何正浩（单位：华中科技大学电气与电子工程学院）联合发布，发表在《Southern Power System Technology》第17卷第3期，2023年3月刊上。
雷电灾害是一种全球性严重的自然灾害，对财产和安全造成了极大损害。据统计，每年因雷电造成的经济损失可达数百亿元人民币，仅中国就有数千人因雷击事件伤亡。现有的雷电预警方法多基于闪电定位仪、地面电场仪、气象卫星及多普勒雷达的观测资料，通过数据分析预测雷电的发生区域和时间。但这些方法存在显著的局限性。例如，传统基于大气电场的雷电预警算法大多依赖阈值设定，缺乏普适性，同时对非线性、非平稳数据的深层特征提取能力有限。此外，地区之间雷暴天气的差异导致这些算法难以达到高准确性。因此，本文作者提出了一种基于集成经验模态分解（EEMD）、稀疏自编码器（Sparse Auto Encoder, SAE）及长短期记忆网络（Long Short-Term Memory, LSTM）神经网络的雷电预警方法，以提升预报的准确率并增强模型的普适性。
本文的研究流程主要分为以下几个步骤：
数据来源为安装于广州市的五个大气电场测量基站和闪电定位系统。这些设备所在的珠江三角洲地区雷暴频发，电场仪的探测半径为15~20公里，基本覆盖广州市花都区。数据包括大气电场的时间序列及雷电定位信息（如闪电时间、经纬度和雷电流幅值等）。样本数据库分为两类： 1. 雷暴样本：选取在某时刻之前1小时内的电场仪测量数据。 2. 非雷暴样本：从无雷暴发生的时间段随机抽取同长度的电场序列。
为确保数据一致性，电场数据进行了归一化操作，以消除因安装环境不同而导致的偏差。
将降维后的特征输入LSTM网络，通过多个循环神经元单元构建分类器，用以预测数据是否代表雷暴样本。模型设计包括： - 单层LSTM结构（避免过拟合）。 - 使用Adam优化器及交叉熵损失函数。 - 数据按80%训练集与20%测试集划分。
在对原始电场数据进行EEMD分解后，高频到低频的IMF分量能够精确捕捉电场的快速变化和趋势信息。例如，IMF1~IMF5反映了雷暴云生成及活跃期中的放电细节，残余分量则刻画了趋势变化。SAE压缩后的数据在保持原始特征核心信息的同时有效降低了冗余，训练效率显著提升。
实验表明，基于EEMD-SAE-LSTM的算法准确率显著高于传统方法。在花都区一年内电场数据样本上，该算法的验证集准确率达到76%。当使用45分钟长度的电场时间序列作为输入时，模型准确率最高，为81%。实验还表明： - 时间序列过短（如30分钟）或过长（如55分钟）均会降低预测性能。 - 与不经处理直接建立分类模型相比，经过EEMD分解和SAE压缩的模型训练时间显著减少，数据更易收敛。
对模型在不同信噪比情况下的鲁棒性进行了测试。当噪声比例增大时，模型准确率有所下降，但整体优于仅使用LSTM或未使用EEMD的模型，表明EEMD和SAE在降噪处理中发挥了关键作用。
与传统直接输入原始电场数据的LSTM模型相比，本文方法通过特征提取与压缩极大提升了模型性能。相比其他混合模型（如SAE-LSTM或EEMD-LSTM），本文提出的完整架构在精确度和抗噪性能上均表现更优。
本文研究设计了一种基于EEMD-SAE-LSTM的雷电预警方法，实验得出以下结论： 1. 普适性与精确性：相比传统方法，新算法适应了不同区域和时间段内的雷电信号特点，准确率达到81%，具有较高的实践应用价值。 2. 高效率与鲁棒性：通过EEMD和SAE减少了数据冗余和噪声影响，在保持模型精度的同时加快了计算速度，适合实时预警需求。 3. 创新性强：首次结合EEMD与SAE提取电场特征，对非线性、非平稳时间序列的分析提供了一种全新思路。
本研究成果对提升雷电监测及防护水平有重要价值，特别是在强对流天气频发的地区，可为输电线路防雷和城市灾害预防提供有效的技术手段。同时，随着更多数据的积累，该模型可通过迭代更新进一步优化预警性能。未来，模型可扩展至更广泛的地区及更多气象灾害类型的预测研究。