معرفی یک مدل یادگیری ماشین سریع و کارآمد برای مکان‌یابی صاعقه از طریق ولتاژهای القایی صاعقه در خطوط انتقال

مکان‌یابی صاعقه در گستره وسیعی از کاربردها از اهمیت بسزایی برخوردار است. در روش‌های مرسوم مکان‌یابی صاعقه حداقل از 4 آنتن‌ به عنوان حس‌گر تشعشعات الکترومغناطیسی ناشی از صاعقه استفاده می‌شود. یکی از پیچیدگی‌های این روش‌ها لزوم سنکرون بودن حس‌گرها می‌باشد. در اکثر مقالات مرتبط با مکان‌یابی صاعقه پیچیدگی و نیاز به سنکرون بودن دیده می‌شود. در این مقاله،یک مدل یادگیری ماشینی سریع به کمک الگوریتم xgboost برای مکان‌یابی صاعقه پیشنهاد شده است . در این روش از دو حس‌گر برای دریافت سیگنال ولتاژهای القایی بر روی خطوط انتقال استفاده می‌شود که نیازی به سنکرون‌سازی هم ندارند. در روش پیشنهادی به کمک الگوریتم تجزیه و تحلیل مولفه اصلی (pca) ابعاد ورودی مدل کاهش می‌یابد که منجر به کاهش پیچیدگی‌های  مدل، افزایش سرعت محاسبات، تقلیل استفاده از منابع سخت افزاری و نیز افزایش دقت آن می‌شود. همچنین با آموزش مدل در یک بازه از تعداد مولفه‌های اصلی، کمترین ابعاد ورودی با حفظ دقت مدل بدست خواهد آمد. مدل نهایی با داده‌های آزمایشی نویزی ارزیابی می‌شود. نتایج ارزیابی نشان می‌دهد که دقت r2 به‌دست آمده از مدل، بیش از 99 درصد است. همچنین بررسی‌ها نشان  می‌دهد که دقت مدل به پیکربندی خط انتقال و موقعیت سنسورها نیز بستگی دارد

introducing a fast and efficient machine learning model for lightning localization via lightning-induced voltages on transmission lines

lightning localization is crucial for a wide range of applications. conventional lightning localization methods typically use at least four antennas as sensors for detecting lightning electromagnetic radiation. one of the complications of these methods is the need for sensor synchronization. most papers on lightning localization highlight the issues of complexity and synchronization requirements. in this paper, we propose a fast learning model using the xgboost algorithm for lightning localization. this method utilizes two sensors to receive signals from the induced voltages on transmission lines, eliminating the need for synchronization. by employing the principal component analysis (pca) algorithm, the input dimensions of the model are reduced, which decreases model complexity, speeds up calculations, reduces hardware resource usage, and enhances accuracy. by training the model with varying numbers of principal components, we can identify the smallest input dimensions that maintain model accuracy. the final model is evaluated using a noisy test dataset. the evaluation results show that the model achieves an accuracy (r²) of over 99%. additionally, studies indicate that the model's accuracy depends on the configuration of the transmission lines and the position of the sensors.