英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

作为闪电灾害预警基础的地面电场测量

摘要：晴朗的天气电场会在雷雨云出现的时候受到干扰。起电现象在第一闪击之前的演变给人一种足够的时间采取行动对付可能的雷击损坏。不规则表面及附近的物体会扰乱大气电场，所以评估雷电放电的风险时，每个地方都有一个特定的方法。本文介绍了地面电场测量的应用程序设置为雷电灾害预警的基础的研究，并提出了一种方法来评估每一个特定的情况。

关键词:闪电；雷电灾害预警；电场；电场仪

1.简介

附近的雷击可能导致敏感电子设备损坏和危害人类生命安全，尤其是在通常不够充分的传统保护的危险的环境中。在这些情况下，基于雷电灾害预警的防护是合适的，例如，打开电气隔离开关或授时系统。

雷电灾害预警存在两种不同的方法，一种是基于云对地闪击的检测，另一种是基于对地面电场静态分量的测量。本文侧重于第二个。

地球带有5times;10⁵C的净负电荷量^[1]，因此在晴朗的天气条件下，测得在平面和广泛的区域内地面电场大约为130 V /m。当带电雷雨云正在发展或接近时，在雷雨云下方的一点处的电场被干扰并且绝对值达到超过1KV/m的高值^[2]，同时也呈现电场极性的反转。

正如几个作者^[3,4]所描述的那样，电场的测量出现了一些缺点，他们已经分析了雷暴下方的电场和麦克斯韦电流，并且发现了几个在地面电场测量过程中的干扰来源。干扰的主要来源有：由于地面的凹凸不平所引起的电晕产生的电荷屏蔽层；通过降水返回地面的电荷在电场中产生的改变；最后，由于尖端效应，靠近测量点的建筑物和附近物体，包括传感器本身，在大气电场中产生的变化。因此，在这些情况下,地面电场不能完全代表云内的起电现象。

通常在雷电灾害预警系统中，仅仅电场的测量被用于闪电概率的计算。为了获得更准确的决策算法，同时为了避免局部干扰如污染^[5],浪花和当地条件下的天气变量,本文提出在决策算法中添加其他变量。

本文组织如下，第二节概述了基于电场仿真确定最优测量点的方法。第三节介绍了多变量分析与主成分方法结合作为决策算法。第四部分介绍了在晴朗天气和风暴的情况下应用之前方法的结果,最后,第五节给出了本文的结论。

2.电场传感器的安装方法

在实践中,很难把传感器安装在没有相邻物体或与它相关联尖端效应的平坦和广阔的地区或场所。此外，从工程的角度看，安装一个倒置的不会被其自身所干扰的电场仪而不是垂直并与地面齐平的电场仪，是更为实际的。因此,电场分布模拟提供的有用信息可以用来找到最小干扰测量点或至少量化的干扰量(放大系数)。

有限元法，FEM^[6], 提供一种为解决在非均匀网格几何模型中泊松方程标量电位U（其中E=－▽U）的方法。Quickfield^TM软件已被用来确定一个网状的几何图形在狄利克雷、诺伊曼与恒定电位边界条件规范下的静电场分布。

图 1 建筑与天线的有限元模拟，细线对应等电位点

该方法在一个已知几何模型表示的地方安装传感器,例如建筑,花园,附近的物体和传感器本身。经验表明,如果没有大的物体,如塔或其他高层建筑,半径100m是足够准确的。之后边界条件是由上表面电位的特性--材料的介电常数，如建筑物，构筑物和电荷密度等给定的，零电势被分配到地表面。接下来，晴朗的天气场进行直观地模拟，包括放置在一个高度大约三倍于最高的对象的边缘，并调整电位电平或电荷密度，从而在地表上一点产生 130V / m的电场强度，足够远，以避免由于这些建筑物或物体引起的场的变化。最后，它有可能找到哪个可利用地点的改变是最低的，或者只是简单的量化，计算出该测量点所产生的变化。

图 1 显示了静电场在实际条件下模拟的情况。在该图中，等电位点用细线表示。请注意,线越接近,静电场越强。在这种情况下,如果唯一可用的测量点是建筑物的屋顶,点靠近角落或塔的情况应该避免。在这点上计算出的场强与晴朗天气时场强的比值，是放大系数。

3.多变量分析与主成分方法

在本文的引言部分提到，作者的意图是要在传统的电场情况外，使用一些不同的变量，以便确定雷击风险。在这些情况下，多个变量并购与固定的数量的值，对存储的大量数据和可能存在的冗余数据做出决策，很难或不可能。解决维数这个问题的一个方法就是利用主成分分析法 (PCA)。

在PCA的应用中，在一个新的数据空间给出投影进行降维，发现了几个变量之间的线性关系，数据的成分或信息的损失最小。决策算法将基于这个新的简化数据空间,提高精度和简化决策。

获取的变量拟合到矩阵X，把相同量的列作为获取变量的量，把相同量的行n作为获取的每个变量的值。下一步，变量x的每个值x_i由式x_ir（1）所规定，,其中x是平均值,delta;_x是标准差：

x_ir= （1）

然后计算相关矩阵Rxx, 该矩阵的每个元素，rho;_jk，是由变量X_jr和X_kr之间的协方差给定的，其中，下标j和k对应于不同的变量测量。

PCA项目数据的最大可变性的轴线是由相关矩阵Rxx的特征值给定的，在其特征向量的方向上。特征值确定有多少主成分是必要的来解释变量之间的关系。

4. 应用实例

若要在雷电灾害预警中应用PCA，首先必须选择获取变量。在这个减少数据的实验中，作者有这些天气变量容易获取：温度T，压力P，湿度H和风速WS；此外，静电场E用倒置的电场仪测量。他们的值已经放置在矩阵X中：

（2）

PCA应用于以前的值后，有5个不同的主成分(PC)是可用的。前两个部分，PC1 和 PC2，对应着较高的特征值，得到了 63.3%的数据成分，增加另一个部分后，数据成分增加到 82.3%。在这两个部分的投影数据已经被认为是足够精确的,图2中的图表表示了这些变量在风暴期间的分析。在这张图中，可以划分出3个不同的区域：第一个对应着放电之前变量的值，第二个对应着放电过程中的变量的值，第三个对应着恢复晴朗天气时变量的值。

图 2.设置在PC1和PC2部分中的每个投影数据

在决策算法中，对应于实时应用，数据会被表示在此平面数据空间。分析这些转换后的变量，以及这三个区域的边界，雷电灾害预警算法将决定是否激活防雷保护。

5.结论

静电场测量点的选择已被证明是一个对于全球系统的准确性十分重要的问题, 并且最佳点的测定方法已经被提出。利用静电场测量量作为雷击风险指标不是在每种情况下都充分可靠的。本文提出了一种替代的算法，基于增加其他天气和局部变量，并且通过主成分分析法的应用，雷击概率的估算变得简单。

最后，本文介绍了该算法应用的一个简单例子，即使添加了几个变量，它仍然得到了一个准确的结果。目前，实验仍在继续，同时包括更重要的变量，例如降水，雷达反射率和云的高度。在神经元网络的应用对边界决策的动态调整进行了调查。

参考文献

1. R.H. Golde, Lightning, Vol. 1, Academic Press, London, 1977.
2. S. Despiau, Electric field and ionic concentration variations observed at ground level in storm conditions, Ann. Geophys. 10 (1992) 75–81.
3. E.P. Krider, Electric field changes and cloud electrical structure, J. Geophys. Res. 94 (1989) 13145–13149.
4. S. Chauzy, P. Raizonville, Space charge layers created by coronae at ground level below thunderclouds: measurements and modelling, J. Geophys. Res. 84 (1982) 3143–3148.
5. J. Paulou, Etude experimentale! des caracteristiques! electriques! des panaches de fumees! industrialles et de leur tel!ed!etection! par mesure de champ electrique! au niveau du sol, These' de lrsquo;Universite! de Pau et des Pays de lrsquo;Adour, 1985.
6. O.C. Zienkiewiez, The Finite Element Method, McGraw-Hill, New York, 1977.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[31501]，资料为PDF文档或Word文档，PDF文档可免费转换为Word