CN106021666A - 一种架空输电线路的山火灾害预警方法 - Google Patents
一种架空输电线路的山火灾害预警方法 Download PDFInfo
- Publication number
- CN106021666A CN106021666A CN201610309395.2A CN201610309395A CN106021666A CN 106021666 A CN106021666 A CN 106021666A CN 201610309395 A CN201610309395 A CN 201610309395A CN 106021666 A CN106021666 A CN 106021666A
- Authority
- CN
- China
- Prior art keywords
- mountain fire
- cellular
- transmission line
- disaster
- mountain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 230000001413 cellular effect Effects 0.000 claims abstract description 83
- 238000007637 random forest analysis Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 19
- 238000013138 pruning Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000001154 acute effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 13
- 230000009471 action Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 229910052783 alkali metal Inorganic materials 0.000 description 1
- -1 alkali metal salt Chemical class 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种架空输电线路的山火灾害预警方法,包括A.利用监测模块采集获取山火发生信息,山火发生信息包括可燃物特性、地形因子和气象因子;B.获取山火发生信息中的山火影响因子,并针对山火及其山火影响因子间的阀值关联,通过随机森林模型建立关系;C.通过具有模拟复杂自然灾害时空演化过程能力的元胞自动机,进行山火蔓延的时空过程建模,并采用随机森林模型确定元胞自动机的元胞转换规则;D.通过元胞自动机模型预测山火的蔓延过程,估计山火距离架空线路的时间,并结合外部灾害信息和电网内部特性评估架空线路停运的风险。本发明能帮助更为有效的应对自然灾害预测作用引起的电力系统连锁故障,从而减轻电网及用电单位的经济和人员损失。
Description
技术领域
本发明属于山火风险预警技术领域,具体涉及一种架空输电线路的山火灾害预警方法。
背景技术
随着输电线路走廊用地越来越紧张,许多输电线路走廊经常跨越植被茂密的山区和林区,山火蔓延至线路下方时可能会导致线路相地或相间击穿而引发跳闸事故。特别是对需要连续供电的单位,如医院、矿山,一旦停电很有可能造成加大的人身损害和财产损失。随着植树造林、退耕还林及封山育林等政策的出台,输电线路走廊附近山区和林区的植被高度及密度显著增加,进一步加剧了山火对输电线路的危害。特别是每年清明时节,居民焚烧祭品引发山火而造成的跳闸事故尤为突出。
目前,有学者通过对超高压公司所辖500kv及以上电压等级交直流线路在2009-2014年山火跳闸情况的统计分析,及对山火引发交流紧凑型线路相间短路的原因分析。有学者选取了山火、大风两种常见且对架空输电线路停运概率模型造成较大影响的自然灾害,分别建模量化其对设备停运概率的影响。有学者根据神经网络理论和算法,建立了输电线路山火隐患点评价模型。根据山火 灾害特点建立合适的网络结构,然后根据评价指标体系及隐患点状态建立训练样本集及对应的期望输出,并用以训练网络直至收敛,最后用训练好的网络进行预测。有学者分阶段分析了输电线路在山火条件下的击穿及重合闸失败的过程。有学者通过对部分引发输电线路跳闸的火灾事故进行统计以及对典型火烧迹地的跳闸事故进行考察,分析山火发生的次数、跳闸率、地理位置、过火区域地形地貌等,探讨引发线路跳闸的潜在山火类型、形成过程、影响因素和特性参数以及跳闸输电线路的放电特性参数。有学者采用导线-板间隙模拟输电线路的相地间隙和模拟山火的方法研究了电极、温度、碱金属盐、导体表面的颗粒以及烟气与火焰混合区对导线-板间隙绝缘的影响,分析了交流输电线路在山火条件下的击穿机理。有学者从线路电压等级、故障时间分布、故障相分布、线路重合闸成功率、故障连续性和区域性等方面,对南方电网因山火引发的220kV及以上电压等级输电线路跳闸情况、相应的保护动作情况以及对送电走廊的影响等进行了统计和分析。但是,这些研究大多偏重统计和机理分析,且预测基于线性关系的假定,与山火实际蔓延情况有出入,较难实现山火的时空蔓延预测,对电网外部因素影响电网安全的影响机制的结合也不够。
发明内容
本发明的目的在于:针对上述现有技术中存在的问题,提供一种架空输电线路的山火灾害预警方法,基于元胞自动机模型,并通过随机森林模型与电力系统连锁故障进行联合建模,并建立相应的预警系统,能帮助更为有效的应对 自然灾害预测作用引起的电力系统连锁故障,从而减轻电网及用电单位的经济和人员损失。
为了实现上述目的,本发明采用的技术方案为:
一种架空输电线路的山火灾害预警方法,包括以下步骤:
A.利用监测模块采集获取山火发生信息,山火发生信息包括可燃物特性、地形因子和气象因子;
B.获取山火发生信息中的山火影响因子,并针对山火及其山火影响因子间的阀值关系,建立更符合实际的随机森林模型;
C.通过具有模拟复杂自然灾害时空演化过程能力的元胞自动机进行山火蔓延的时空过程建模,并采用所述的随机森林模型帮助确定元胞自动机的元胞转换规则;
D.通过元胞自动机模型预测山火的蔓延过程,计算山火距离架空线路的时间,并结合外部灾害信息和电网内部特性评估架空线路停运的风险。
优选地,步骤A中所述的监控模块包括MODIS卫星、无人机和紫外监测模块,MODIS卫星采集山火发生的位置信息和山火等级信息;无人机进一步确认山火发生位置和评价山火的大小、方向和强度信息;对重点地区和线路架设紫外监测模块,采集山火发生的位置信息和山火等级信息。
优选地,步骤C中所述的元胞自动机建模具体包括:
C1.t时刻元胞(i,j)状态定义为Aij=元胞(i,j)已经燃烧的面积/整个元 胞(i,j)的面积;
C2.Aij=0表示未燃烧,0<Aij<1表示元胞部分燃烧,Aij=1表示元胞完全燃烧;
C3.只有完全燃烧的元胞才对邻域元胞进行火蔓延;
C4.元胞在t+1时刻的燃烧状态由元胞可燃性、其邻域元胞在t时刻对其影响之和,以及元胞在t时刻的燃烧状态共同决定;
C5.利用随机森林模型获取元胞可燃性;
C6.元胞受其邻域的影响为各邻域影响在该方向上的分量之和,其中,若风向角度表示为与正北方向的夹角theta,风速为V,某一邻域对该元胞的分量为风速与夹角余弦的乘积。
优选地,步骤C5中利用随机森林获取元胞可燃性,具体包括:
C51.随机森林在R平台中实现;
C52.随机选取火发生的样本集:分装形成每颗树的训练集;
C53.随机选取分割属性集,依据基尼指数,选择具有最小Ginisplit的属性为分裂属性,集合T包含N个类别的记录,那么其Gini指标就是pj类别j出现的频率:
如果集合T分成m部分N1,N2,…,Nm,那么这个分割的Gini就是:
C54.假设共有L个属性,指定一个属性数o≤L,在每个内部结点,从L个属性中随机抽取P个属性作分割属性集,以这o个属性上最好的分割方式对结点进行分割;
C55.为解决决策树对训练样本的过拟合问题,进行剪枝,选择期望错误率最小的子树进行剪枝,对树中的内部节点计算其剪枝和不剪枝可能出现的期望错误率,比较后加以取舍,在训练的每一轮中,均从原始样本集S中有放回地随机抽取训练样本集T,T的样本个数同S,这样一个初始样本在某轮训练中可能出现多次或根本不出现。
优选地,步骤D中,架空输电线路的风险评价包括:
假设灾害事件en发生后,伴随电网参数剧烈变化,系统运行有可能将难以控制的局面,将en定义为该灾害事件中的临界事件,其概率可表示为Pen=P(en|e1e2…en-1)。若以wi、V(t,en)、M(t,en)分别表示被灾害影响线路的重要性权重、系统在t时刻综合脆弱性和安全裕度,则可用以下表达式描述电力系统在面临自然灾害条件下的临界风险:
其中t为灾害事件时间序列参数,M(t,en)对t的偏导表征电网安全运行水平随故障时序的变化水平,针对不同灾害类型及故障主导模式,选用适当分类指标带入Rcr表达式中,随着故障扩大,Rcr理论上应成指数级增长,可观察临界 风险值风险及临界事件前后的状态拐点,可在合理范围内预测电网是否安全。
由于采用了上述技术方案,本发明的有益效果是:
1.能可靠预测山火的蔓延过程,以估计山火距离架空线路的时间,并结合外部灾害信息和电网内部特性评估架空线路停运的风险。
2.依托卫星遥感和地理信息系统技术,整合研究区域的山火信息、卫星影像、可燃物、地形数据,通过具有模拟复杂自然灾害时空演化过程能力的地理模型(元胞自动机)进行山火蔓延的时空过程建模,并采用更符合山火与其影响因子间阈值型关系的随机森林模型确定元胞自动机的核心——转换规则;将山火预测与电力系统安全评估耦合起来,探究山火发生时电力系统停运的风险。以在电力系统运行中,探索建立有效的电力系统对山火灾害的预警系统,防范电力系统连锁故障。通过预警信息,为更及时有效的灾害应对和减小停电损失提供帮助。
附图说明
图1是本发明的山火灾害预警系统的结构简图。
图2是本发明的山火灾害预警方法的流程图。
图3是本发明的元胞自动机预测山火蔓延的各时刻状态图。
附图标记:100-监测模块,200-预测模块,300-预警模块。
具体实施方式
参照图1-3,本发明的一种架空输电线路的山火灾害预警方法,依赖于预警系统来完成,预警系统由监测模块100、预测模块200、预警模块300组成。由监测模块100监测山火的发生,输出信息送至预测模块200,以判断受山火影响的可能性以及预计时间,所得信息送至预警模块300,评价架空线路受山火影响的风险,并及时给出相应的动作建议。
其中,监测模块100由卫星监测、无人机监测、结合紫外监测组成;预测模块200由随机森林模型和元胞自动机模型组成;预警模块300由电力系统受山火影响的可能性以及预计时间的计算,以及风险评价计算,为科学及时的电网动作提供依据。
监测模块100的输入信号为MODIS卫星的MCD14DL数据为热异常、山火数据产品,其空间分辨率1km,包含了山火发生的位置、山火等级的信息。对重点地区和线路架设紫外监测设备,更早地发现火情。当有疑似火情发生时,结合无人机监测,进一步确认山火发生和评价山火的大小、方向和强度等信息。预测模块200的输入信号是山火的监测信息,包括起火的位置、起火区域的可燃物、地形数据、气象信息。地形信息由30米的ASTER GDEM V2的数字高程数据,并可在ARCIGIS中计算相应坡度、坡向信息,可燃物信息由MODIS卫星的MOD17A3植被净初级生产力产品代替。由随机森林模型输出元胞自动机的转换规则,由元胞自动机模型数据山火蔓延的时空预测信息。所得信息进一步送入预警模块300,计算智能电网受山火影响的可能性以及预计时间的计算,以及风险评价计算,为科学及时的电网动作提供依据。
紫外监测:由于相比红外波段,紫外波段受温度变化干扰小,故虚警率远低于常规设备。采用SuperB监测器,可以提高监测和预警能力,降低虚警率。
预测模块200通过获取山火发生信息中的山火影响因子,并根据山火及其山火影响因子间的阀值关系建立随机森林模型。
随机森林模型的参数:最少节点数5,回归树的数目500,子采样比例67%,每次划分所依据的变量个数3。
通过具有模拟复杂自然灾害时空演化过程能力元胞自动机进行山火蔓延的时空过程建模,并采用所述的随机森林模型确定元胞自动机的元胞转换规则。
山火模型是一种动态系统,用于呈现自组织的临界状态。可以在一个包含元胞的网格上,将山火模型定义为一个元胞自动机。其中,表示网格的边长,表示网格的维数。一个元胞包含三种状态,即空、非空(内含可燃物)和燃烧。可以通过以下几条同时执行的规则来定义山火模型:
[1]t时刻元胞(i,j)状态定义为Aij=元胞(i,j)已经燃烧的面积/整个元胞(i,j)的面积。
[2]Aij=0表示未燃烧,0<Aij<1表示元胞部分燃烧,Aij=1表示元胞完全燃烧。
[3]只有完全燃烧的元胞才对邻域元胞进行火蔓延。
[4]元胞在t+1时刻的燃烧状态由元胞本身的可燃性、其邻域元胞在t时刻对其影响之和,以及元胞在t时刻的燃烧状态共同决定。
[5]利用随机森林模型获取元胞可燃性:在元胞自动机山火蔓延模拟中,使 用预测可燃性Pij来衡量各空间变量影响下的元胞起火的可能性。本文使用随机森林方法获取元胞自动机的可燃性Pij,构建随机森林-元胞自动机模型。随机森林在分类时根据多个决策树的投票结果来决定预测类别,由于在训练生成随机森林的过程中,对原始训练集X和原始空间变量都引入了随机性,因此很多情况下各棵决策树的分类结果并不完全一致,对于同一元胞,可能有部分决策树投向起火,另一部分投向不起火。本专利中,一个元胞的预测可燃性是随机森林中所有决策树的有关该元胞起火的平均预测概率,计算方法如下:
式中:Pij是ij位置元胞的起火的预测可燃性,Nij为在所有决策树中,将该元胞分类为起火的决策树数量,Ntree为随机森林中决策树的总个数,本文通过使误差最小化来确定该值的大小。
[6]元胞受其邻域的影响为各邻域影响在该方向上的分量之和。其中,若风向角度表示为与正北方向的夹角theta,风速为V,某一邻域对该元胞的分量为风速与夹角余弦的乘积。
其中,利用随机森林模型获取元胞可燃性的具体实现如下:
·随机森林在R平台中实现
·随机选取火发生的样本集:分装形成每颗树的训练集
·随机选取分割属性集,依据基尼指数(Gini index),选择具有最小Ginisplit的属性为分裂属性。若集合T包含N个类别的记录,那么其Gini指标就是pj类 别j出现的频率:
如果集合T分成m部分N1,N2,…,Nm。那么这个分割的Gini就是
·假设共有L个属性,指定一个属性数o≤L,在每个内部结点,从L个属性中随机抽取P个属性作分割属性集,以这o个属性上最好的分割方式对结点进行分割(在整个森林的生长过程中,o的值一般维持不变)。
·为解决决策树对训练样本的过拟合问题,进行剪枝。剪枝原则:期望错误率最小原则。选择期望错误率最小的子树进行剪枝,对树中的内部节点计算其剪枝和不剪枝可能出现的期望错误率,比较后加以取舍。在训练的每一轮中,均从原始样本集S中有放回地随机抽取训练样本集T(T的样本个数同S),这样一个初始样本在某轮训练中可能出现多次或根本不出现。
预警模块300通过元胞自动机模型预测山火的蔓延过程,估计山火距离架空线路的时间,并结合外部灾害信息和电网内部特性评估架空线路停运的风险。
首先基于山火等自然灾害传播模式,确立电力系统连锁故障传播模式,建立3种由自然灾害引起的连锁故障主导模式:过载主导型、结构主导型及配合主导型。
电力系统连锁故障包含了若干具有时序性关联的复杂逻辑事件,这些事件 主要指各类元件相继退出运行,包括线路/变压器保护动作、切机切负荷、安控装置动作。目前对于这些动作事件已有相应故障模型或逻辑规则加以描述如:隐形故障模型、低压减载、低频减载、安控规则等等。结合自然灾害对于输电线路跳闸的概率影响,可将上述模型与自然灾害相结合,提出具有自然灾害属性的电力系统连锁故障传播模型。在静态潮流计算、暂态稳定仿真过程中加入自然灾害影响的中间变量或模型,则可描述其对于电力系统安全的影响。
假设灾害事件en发生后,伴随电网参数剧烈变化,系统运行有可能将难以控制的局面,将en定义为该灾害事件中的临界事件,其概率可表示为Pen=P(en|e1e2…en-1)。若以wi、V(t,en)、M(t,en)分别表示被灾害影响线路的重要性权重、系统在t时刻综合脆弱性和安全裕度,则可用以下表达式描述电力系统在面临自然灾害条件下的临界风险:
其中t为灾害事件时间序列参数,M(t,en)对t的偏导表征电网安全运行水平随故障时序的变化水平,针对不同灾害类型及故障主导模式,选用适当分类指标带入Rcr表达式中,随着故障扩大,Rcr理论上应成指数级增长,可观察临界风险值风险及临界事件前后的状态拐点,可在合理范围内预测电网是否安全。
实例:实现随机森林建模,获取预警区域的元胞转换规则,在MATLAB R2012a中实现元胞自动机,实现山火蔓延的时空预测。进而预测山火蔓延至架 空线路的时间,评价架空线路的风险。
地形粗糙度等隐含地理梯度的变量被地包含于拟合模型中,这可以降低数据的空间依赖性。另外,在随机森林的构建过程中,每一株回归树都经过了子采样(大约每次使用66%的数据),这也进一步降低了数据的空间依赖性。在随机森林拟合过程中总共构建了500棵回归树,这是因为我们发现当超过500时更多的回归树并不能有效提高拟合精度。每次随机采用三个变量进行数据划分。最少节点数采用默认值5,这表示只有包含5个以上样本的节点才会参与数据划分,也就降低了计算的复杂度。
因子:配准后的可燃物特性(数量和分布)数据,地形信息(坡度、坡向)。
元胞自动机的初始状态如图3所示,从0时刻到20时刻,火势从中心向四周蔓延;从20时刻到30时刻,火势继续从中心向四周蔓延,但期间出现了一个自燃点;从30时刻到40时刻,自燃点附近的火势也迅速向四周蔓延;在40时刻到50时刻期间两股火势合并,进一步扩大了山火波及范围;从50到80时刻,山火覆盖了全域。整个过程期间也不断有元胞从空状态转变为非空状态,同时也有元胞自燃,从而预测山火的发生和时空蔓延。
Claims (5)
1.一种架空输电线路的山火灾害预警方法,其特征在于,包括以下步骤:
A.利用监测模块采集获取山火发生信息,山火发生信息包括可燃物特性、地形因子和气象因子;
B.获取山火发生信息中的山火影响因子,并针对山火及其山火影响因子间的阀值关系,建立更符合实际的随机森林模型;
C.通过具有模拟复杂自然灾害时空演化过程能力的元胞自动机进行山火蔓延的时空过程建模,并采用所述的随机森林模型帮助确定元胞自动机的元胞转换规则;
D.通过元胞自动机模型预测山火的蔓延过程,计算山火距离架空线路的时间,并结合外部灾害信息和电网内部特性评估架空线路停运的风险。
2.根据权利要求1所述的架空输电线路的山火灾害预警方法,其特征在于,步骤A中所述的监控模块包括MODIS卫星、无人机和紫外监测模块,MODIS卫星采集山火发生的位置信息和山火等级信息;无人机进一步确认山火发生位置和评价山火的大小、方向和强度信息;对重点地区和线路架设紫外监测模块,采集山火发生的位置信息和山火等级信息。
3.根据权利要求1所述的架空输电线路的山火灾害预警方法,其特征在于,步骤C中所述的元胞自动机建模具体包括:
C1.t时刻元胞(i,j)状态定义为Aij=元胞(i,j)已经燃烧的面积/整个元胞(i,j)的面积;
C2.Aij=0表示未燃烧,0<Aij<1表示元胞部分燃烧,Aij=1表示元胞完全燃烧;
C3.只有完全燃烧的元胞才对邻域元胞进行火蔓延;
C4.元胞在t+1时刻的燃烧状态由元胞可燃性、其邻域元胞在t时刻对其影响之和,以及元胞在t时刻的燃烧状态共同决定;
C5.利用随机森林模型获取元胞可燃性;
C6.元胞受其邻域的影响为各邻域影响在该方向上的分量之和,其中,若风向角度表示为与正北方向的夹角theta,风速为V,某一邻域对该元胞的分量为风速与夹角余弦的乘积。
4.根据权利要求3所述的架空输电线路的山火灾害预警方法,其特征在于,步骤C5中利用随机森林获取元胞可燃性,具体包括:
C51.随机森林在R平台中实现;
C52.随机选取火发生的样本集:分装形成每颗树的训练集;
C53.随机选取分割属性集,依据基尼指数,选择具有最小Ginisplit的属性为分裂属性,集合T包含N个类别的记录,那么其Gini指标就是pj类别j出现的频率:
如果集合T分成m部分N1,N2,…,Nm,那么这个分割的Gini就是:
C54.假设共有L个属性,指定一个属性数o≤L,在每个内部结点,从L个属性中随机抽取P个属性作分割属性集,以这o个属性上最好的分割方式对结点进行分割;
C55.为解决决策树对训练样本的过拟合问题,进行剪枝,选择期望错误率最小的子树进行剪枝,对树中的内部节点计算其剪枝和不剪枝可能出现的期望错误率,比较后加以取舍,在训练的每一轮中,均从原始样本集S中有放回地随机抽取训练样本集T,T的样本个数同S,这样一个初始样本在某轮训练中可能出现多次或根本不出现。
5.根据权利要求3所述的架空输电线路的山火灾害预警方法,其特征在于,步骤D中,架空输电线路的风险评价包括:
假设灾害事件en发生后,伴随电网参数剧烈变化,系统运行有可能将难以控制的局面,将en定义为该灾害事件中的临界事件,其概率可表示为Pen=P(en|e1e2…en-1)。若以wi、V(t,en)、M(t,en)分别表示被灾害影响线路的重要性权重、系统在t时刻综合脆弱性和安全裕度,则可用以下表达式描述电力系统在面临自然灾害条件下的临界风险:
其中t为灾害事件时间序列参数,M(t,en)对t的偏导表征电网安全运行水平随故障时序的变化水平,针对不同灾害类型及故障主导模式,选用适当分类指标带入Rcr表达式中,随着故障扩大,Rcr理论上应成指数级增长,可观察临界风险值风险及临界事件前后的状态拐点,可在合理范围内预测电网是否安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610309395.2A CN106021666B (zh) | 2016-05-10 | 2016-05-10 | 一种架空输电线路的山火灾害预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610309395.2A CN106021666B (zh) | 2016-05-10 | 2016-05-10 | 一种架空输电线路的山火灾害预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021666A true CN106021666A (zh) | 2016-10-12 |
CN106021666B CN106021666B (zh) | 2019-03-12 |
Family
ID=57099453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610309395.2A Active CN106021666B (zh) | 2016-05-10 | 2016-05-10 | 一种架空输电线路的山火灾害预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021666B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645960A (zh) * | 2016-11-11 | 2017-05-10 | 国家电网公司 | 一种基于wams 线路参数动态辨识的电网线路山火预警方法 |
CN106682260A (zh) * | 2016-11-18 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种山火灾害发展趋势模拟预测方法及装置 |
CN108710718A (zh) * | 2018-03-30 | 2018-10-26 | 国网安徽省电力有限公司 | 基于元胞自动机的山火蔓延模拟仿真方法及系统 |
CN109214604A (zh) * | 2018-11-02 | 2019-01-15 | 国网湖南省电力有限公司 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
CN109829583A (zh) * | 2019-01-31 | 2019-05-31 | 成都思晗科技股份有限公司 | 基于概率编程技术的山火风险预测方法 |
CN110210769A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 一种输电线路山火蔓延风险预测方法及系统 |
CN110210676A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 输电线路山火长期形势预测方法及系统 |
CN111753907A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种电量数据的处理方法、装置、设备和存储介质 |
CN111860205A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于多源遥感影像和网格的森林火情评价方法及存储介质 |
CN112116160A (zh) * | 2020-09-25 | 2020-12-22 | 国网新疆电力有限公司电力科学研究院 | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
CN112464813A (zh) * | 2020-11-26 | 2021-03-09 | 国网北京市电力公司 | 山火的监测方法及装置 |
CN112861746A (zh) * | 2021-02-22 | 2021-05-28 | 国网安徽省电力有限公司 | 考虑环境灾害的密集输电通道关键视频截取方法及装置 |
CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
CN113793021A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 立体化输电走廊山火监测装置及方法 |
WO2022110912A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 基于无人机视频的林火蔓延数据同化方法以及装置 |
CN115294747A (zh) * | 2022-08-03 | 2022-11-04 | 清华大学 | 山火全尺寸实验方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
-
2016
- 2016-05-10 CN CN201610309395.2A patent/CN106021666B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156537A (zh) * | 2014-08-19 | 2014-11-19 | 中山大学 | 一种基于随机森林的元胞自动机城市扩展模拟方法 |
Non-Patent Citations (5)
Title |
---|
SUIPINGSP: "机器学习经典算法详解及Python实现—CART分类决策树、回归数和模型树", 《HTTP://BLOG.CSDN.NET/SUIPINGSP/ARTICLE/DETAILS/42264413》 * |
宋嘉婧 等: "山火条件下的架空输电线路停运概率模型", 《电网技术》 * |
张菲菲 等: "一种改进的林火蔓延模型及其实现", 《测绘与空间地理信息》 * |
流水无QING: "数据挖掘十大经典算法—CART:分类与回归树", 《HTTPS://BLOG.CSDN.NET/U011067360/ARTICLE/DETAILS/24871801》 * |
马晓民: "电力系统连锁故障风险分析", 《煤炭技术》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645960A (zh) * | 2016-11-11 | 2017-05-10 | 国家电网公司 | 一种基于wams 线路参数动态辨识的电网线路山火预警方法 |
CN106645960B (zh) * | 2016-11-11 | 2019-01-22 | 国家电网公司 | 一种基于wams线路参数动态辨识的电网线路山火预警方法 |
CN106682260A (zh) * | 2016-11-18 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种山火灾害发展趋势模拟预测方法及装置 |
CN108710718A (zh) * | 2018-03-30 | 2018-10-26 | 国网安徽省电力有限公司 | 基于元胞自动机的山火蔓延模拟仿真方法及系统 |
CN109214604A (zh) * | 2018-11-02 | 2019-01-15 | 国网湖南省电力有限公司 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
CN109829583A (zh) * | 2019-01-31 | 2019-05-31 | 成都思晗科技股份有限公司 | 基于概率编程技术的山火风险预测方法 |
CN109829583B (zh) * | 2019-01-31 | 2022-10-11 | 成都思晗科技股份有限公司 | 基于概率编程技术的山火风险预测方法 |
CN110210769A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 一种输电线路山火蔓延风险预测方法及系统 |
CN110210676A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 输电线路山火长期形势预测方法及系统 |
CN111753907A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种电量数据的处理方法、装置、设备和存储介质 |
CN111860205A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于多源遥感影像和网格的森林火情评价方法及存储介质 |
CN111860205B (zh) * | 2020-06-29 | 2024-03-19 | 成都数之联科技股份有限公司 | 基于多源遥感影像和网格的森林火情评价方法及存储介质 |
CN112307884A (zh) * | 2020-08-19 | 2021-02-02 | 航天图景(北京)科技有限公司 | 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备 |
CN112116160A (zh) * | 2020-09-25 | 2020-12-22 | 国网新疆电力有限公司电力科学研究院 | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 |
CN112464813A (zh) * | 2020-11-26 | 2021-03-09 | 国网北京市电力公司 | 山火的监测方法及装置 |
WO2022110912A1 (zh) * | 2020-11-27 | 2022-06-02 | 清华大学 | 基于无人机视频的林火蔓延数据同化方法以及装置 |
CN112861746A (zh) * | 2021-02-22 | 2021-05-28 | 国网安徽省电力有限公司 | 考虑环境灾害的密集输电通道关键视频截取方法及装置 |
CN112861746B (zh) * | 2021-02-22 | 2024-04-02 | 国网安徽省电力有限公司 | 考虑环境灾害的密集输电通道关键视频截取方法及装置 |
CN113793021A (zh) * | 2021-09-10 | 2021-12-14 | 广东电网有限责任公司 | 立体化输电走廊山火监测装置及方法 |
CN113793021B (zh) * | 2021-09-10 | 2024-05-14 | 广东电网有限责任公司 | 立体化输电走廊山火监测装置及方法 |
CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
CN115294747A (zh) * | 2022-08-03 | 2022-11-04 | 清华大学 | 山火全尺寸实验方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106021666B (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021666B (zh) | 一种架空输电线路的山火灾害预警方法 | |
Xi et al. | Statistical models of key components of wildfire risk | |
Sakr et al. | Efficient forest fire occurrence prediction for developing countries using two weather parameters | |
Xue et al. | Impact of transmission tower-line interaction to the bulk power system during hurricane | |
CN105305444A (zh) | 基于调配一体化的配网综合智能告警与处理方法 | |
Vazquez et al. | Wildfire mitigation plans in power systems: A literature review | |
CN105528671B (zh) | 一种基于大数据的电网多维感知与安全评估系统及方法 | |
CN106257511A (zh) | 一种电网故障特征数据质量评价方法 | |
Jia et al. | Fuzzy logic based decision support for mass evacuations of cities prone to coastal or river floods | |
Sun et al. | An ensemble system to predict the spatiotemporal distribution of energy security weaknesses in transmission networks | |
Lu et al. | Optimal allocation of fire extinguishing equipment for a power grid under widespread fire disasters | |
Atrigna et al. | A machine learning approach to fault prediction of power distribution grids under heatwaves | |
Naderpour et al. | Wildfire prediction: Handling uncertainties using integrated bayesian networks and fuzzy logic | |
Sun et al. | A multi-model-integration-based prediction methodology for the spatiotemporal distribution of vulnerabilities in integrated energy systems under the multi-type, imbalanced, and dependent input data scenarios | |
Zhang et al. | Analysis and research on fire safety of university dormitory based on Bayesian network | |
CN108269021A (zh) | 基于NB-IoT电网信息物理融合风险监测系统及方法 | |
Ren et al. | Research on causes of transmission line fault based on decision tree classification | |
Gazmeh et al. | Spatio temporal forest fire spread modeling using cellular automata honey bee foraging and gis | |
Argyris et al. | Advances in spatial risk analysis | |
Ciapessoni et al. | Contingency screening starting from probabilistic models of hazards and component vulnerabilities | |
Yin et al. | Analysis of Campus Fire Based on Bayes Network in the Background of Big Data | |
Li et al. | Prediction Algorithm of Wind Waterlogging Disaster in Distribution Network Based on Multi‐Source Data Fusion | |
CN105809914B (zh) | 一种基于模糊推理的林火发生模型预警系统 | |
Huang et al. | Prediction algorithm for power outage areas of affected customers based on CNN-LSTM | |
Lei et al. | Modeling and simulation of forest fire detection and fire spread |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |