CN107067683B - 一种输电线路山火聚类定量预报方法及系统 - Google Patents
一种输电线路山火聚类定量预报方法及系统 Download PDFInfo
- Publication number
- CN107067683B CN107067683B CN201710245850.1A CN201710245850A CN107067683B CN 107067683 B CN107067683 B CN 107067683B CN 201710245850 A CN201710245850 A CN 201710245850A CN 107067683 B CN107067683 B CN 107067683B
- Authority
- CN
- China
- Prior art keywords
- mountain fire
- fire
- time
- mountain
- clustering
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001556 precipitation Methods 0.000 claims abstract description 18
- 238000013016 damping Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000001629 suppression Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013277 forecasting method Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010835 comparative analysis Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种输电线路山火聚类定量预报方法，步骤1‑步骤3利用聚类分析方法获得了多时间坐标山火预报时间轴、利用空间尺度对比分析方法获得预报区域的最佳预报尺度；在此基础上，步骤4‑步骤5基于步骤1‑步骤3获得的时空分布规律建立预报模型，预报区域内日山火数量。本发明还公开了一种输电线路山火聚类定量预报系统。本发明的有益效果为：通过计算各个空间单元的节点历史山火火点数、待测日的空气湿度抑制系数、可燃物阻尼系数、待测日的山火预测降水指数以及待测日的连续干旱影响因子，预测各个空间单元待测日的山火发生期望数，可操作性强，预报准确率高，提高了输电线路山火定量预报精细化程度。
Description
技术领域
本发明涉及输配电技术领域，具体而言，涉及一种输电线路山火聚类定量预报方法及系统。
背景技术
受人们生产生活用火习俗的影响，输电线路走廊极易发生大范围山火，造成多条线路同时跳闸停电，甚至引发电网崩溃。因此，山火已成为严重威胁大电网的安全运行和社会正常供电热点问题。输电线路山火的处置则对时效性要求高，通常在山火发生后1～1.5小时导致跳闸，缩短山火救援距离可以提高山火救援率。开展输电线路山火预报可以提前获知山火发生区域和范围，从而提前针对性布置灭火装备，可大幅缩短山火救援距离，提高救援成功率。
电网山火受春节清明祭祖、春耕秋收烧荒、节假活动等人为习俗影响，每年春节、清明祭祖、各地春耕秋收等用火习俗时间不同，在统一的日历坐标中存在历史火点随机无序问题。在验证现有预报技术的时候发现空间尺度越小，山火发生随机性越强，因此，如何克服山火灾害预报过程中的时空随机性是国际性难题。
目前我国气象、林业部门开展了基于气象因素的森林火险预报方法研究，但其山火预测方法的结果主要针对林区，没有结合线路，不能满足输电线路山火预测精细化的需求，也没有结合我国工农业生产生活用火习俗。因此，林业与气象部门的山火预报对输电线路山火防治指导作用有限。专利号为20121002726.3的发明专利提出了一种输电线路山火预测方法，能预测山火发生的有无，即是否发生山火，但不能给出山火发生的密度，无法判断输电线路附近山火发生的严重程度。专利号为201510255860.4的发明专利提出了一种输电线路密度预报方法，首先，其历史数据依靠人为定义的山火高发期统一赋值，未能根据山火时间序列聚类结论进行时间坐标的划分，难以统一适用于人为用火规律不同的区域，无法有效克服山火发生的时间随机性；其次，各地植被类型、用火习俗等因素均存在空间差异性，预测尺度极大地影响输电线路山火预报的准确性，目前的方法尚未有涉及山火预报空间尺度选取；最后，该方法未考虑高空气湿度对山火发生的抑制作用，预报精度有待进一步提升，难以准确指导防山火装备的部署。因此，亟需开展可克服山火灾害时空随机性的输电线路山火定量预报方法，为输电线路山火灭火装备的部署提供信息指导，实现灭火装备的精准布防。
发明内容
为解决上述问题，本发明的目的在于提供一种输电线路山火聚类定量预报方法，该方法包括：
步骤1，选取预报区域，将预报区域进行细分得到多个空间单元，选择涵盖输电线路的区域作为待测区域；
步骤2，划定矩形区域将预报区域完全包络，以矩形区域的对角线交点为中心、以10km为等长步差向四周扩展，统计不同空间尺度范围内，计算相近气象数据条件下的第i年和第j年历史同期山火数量比值Dij，当空间尺度大于A时，山火数量持续满足0.85＜Dij＜1.18时，则选择A作为山火预报的空间单元的大小；
步骤3，根据预报区域的历史山火日火点序列特征聚类，把历史山火发生时间划分为时间坐标，并将待预测日的时间转换为时间坐标中的节点；
步骤4，计算各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N；
步骤5，根据各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N，计算各个空间单元内的输电线路山火发生期望数为D＝D0×μ1×μ2×N×P。
作为本发明进一步的改进，步骤3具体包括：
步骤31，根据气象数据剔除预报区域的山火异常日；
步骤32，将预报区域的历史山火日的山火时间序列形态特征进行聚类分析；
步骤33，针对聚类分析得到的山火时间序列聚类模式，分析各聚类模式的上升、下降、峰值分布特征，并根据聚类结果图，按需选择分类数；
步骤34，按照所选择的分类数划分输电线路山火聚类时间坐标轴，并根据聚类结果分析时间序列模式形成的原因。
作为本发明进一步的改进，步骤31具体包括：
步骤A1，以等时间间隔方式划分山火时间序列时间网格，时间间隔为B分钟；
步骤A2，根据每日山火监测的原始记录，找出日历坐标时间轴的第i天的气象信息，该气象信息包括降水量、相对湿度、温度和风速；
步骤A3，若当日降水量>2mm或者相对湿度>85％，则不发生山火，不能进入聚类日期，该日为山火异常日。
作为本发明进一步的改进，步骤32具体包括：
步骤B1，数据选择：选取预报区域内最近的5-10年n条筛选出的日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)，每条日山火时间序列曲线有m＝[1440/B]个数据测量点，构成n×m阶初始山火序列矩阵S；
步骤B2，初始聚类形成：设k为聚类数，在初始山火序列矩阵S中任意选择k条山火时间序列X'j(j＝1,2,3,…,k)，将山火时间序列X'j的值分别赋给初始聚类中心为第j类聚类中心；
步骤B3，时间序列相似度计算：将每条山火时间序列的形态特征用一组分段斜率代替，用于表征一天内不同时刻山火时间序列的上升、下降、峰值位置的全局特征，计算日山火时间序列Xi＝[xi1,xi2,xi3,…,xin](i＝1,2,3,…,n)与初始聚类中心的距离
步骤B4，找出所有日山火时间序列Xi与初始聚类中心的最小距离min(d(i,j))，将Xi归入到和距离最小的类中；
步骤B5，重新计算各类聚类中心
式中，nj是第j个聚类的山火时间序列数量，Xi,j是第j个聚类的山火时间序列；
步骤B6，计算n×m阶初始山火序列矩阵S中所有山火时间序列的平方差Jc(t)，并与前一次误差Jc(t-1)进行比较；
式中，t为计算聚类中心的迭代次数；
步骤B7，当Jc(t)-Jc(t-1)＜0时，重复步骤B3～步骤B6，直至
Jc(t)-Jc(t-1)＞0。
作为本发明进一步的改进，步骤4中：
各个空间单元的节点历史山火火点数为：
式中，Nsum为节点时间m年内每年该时间节点的历史前N1天、当天和后N2天的山火数总和；
各个空间单元的空气湿度抑制系数为：
式中，RH为待预测日空气相对湿度；
将各个空间单位划分为数量为r×r的二次网格，读取分辨率为的林业植被数据库的植被类型，第i行第j列网格的可燃物阻尼系数为uc，ij，则各个空间单元的可燃物阻尼系数为：
本发明还提供了一种输电线路山火聚类定量预报系统，该系统包括：
区域划分模块，用于选取预报区域，将预报区域进行细分得到多个空间单元，选择涵盖输电线路的区域作为待测区域；
空间单元选取模块，用于划定矩形区域将预报区域完全包络，以矩形区域的对角线交点为中心、以10km为等长步差向四周扩展，统计不同空间尺度范围内，计算相近气象数据条件下的第i年和第j年历史同期山火数量比值Dij，当空间尺度大于A时，山火数量持续满足0.85＜Dij＜1.18时，选择A作为山火预报的空间单元的大小；
节点选取模块，用于根据预报区域的历史山火日火点序列特征聚类，把历史山火发生时间划分为时间坐标，并将待预测日的时间转换为时间坐标中的节点；
分项计算模块，用于计算各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N；
火点数量计算模块，用于根据各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N，计算各个空间单元内的输电线路山火发生期望数D＝D0×μ1×μ2×N×P。
作为本发明进一步的改进，节点选取模块具体包括：
山火异常日剔除模块，用于根据气象数据剔除预报区域的山火异常日；
聚类分析模块，用于将预报区域的历史山火日的山火时间序列形态特征进行聚类分析；
分类数选取模块，用于针对聚类分析得到的山火时间序列聚类模式，分析各聚类模式的上升、下降、峰值分布特征，并根据聚类结果图，按需选择分类数；
时间序列模式分析模块，用于按照所选择的分类数划分输电线路山火聚类时间坐标轴，并根据聚类结果分析时间序列模式形成的原因。
作为本发明进一步的改进，山火异常日选取模块具体包括：
时间网格划分模块，用于以等时间间隔方式划分山火时间序列时间网格，时间间隔为B分钟；
气象信息确定模块，用于根据每日山火监测的原始记录，找出日历坐标时间轴的第i天的气象信息，该气象信息包括降水量、相对湿度、温度和风速；
山火异常日选取模块，用于判断气象信息确定模块中的气象信息，当日降水量>2mm或者相对湿度>85％，则不发生山火，不能进入聚类日期，该日为山火异常日。
作为本发明进一步的改进，聚类分析模块具体包括：
数据选择模块，用于选取预报区域内最近的5-10年n条筛选出的日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)，每条日山火时间序列曲线有m＝[1440/B]个数据测量点，构成n×m阶初始山火序列矩阵S；
初始聚类形成模块，用于在初始山火序列矩阵S中任意选择k条山火时间序列Xj′(j＝1,2,3,…,k)，并将山火时间序列X'j的值分别赋给初始聚类中心为第j类聚类中心，k为聚类数；
时间序列相似度计算模块，用于将每条山火时间序列的形态特征用一组分段斜率代替，表征一天内不同时刻山火时间序列的上升、下降、峰值位置的全局特征，计算日山火时间序列Xi＝[xi1,xi2,xi3,…,xin](i＝1,2,3,…,n)与初始聚类中心的距离
最小距离归入模块，用于找出所有日山火时间序列Xi与初始聚类中心的最小距离min(d(i,j))，将Xi归入到和距离最小的类中；
聚类中心重新计算模块，用于重新计算各类聚类中心
式中，nj是第j个聚类的山火时间序列数量，Xi,j是第j个聚类的山火时间序列；
平方差计算模块，用于计算n×m阶初始山火序列矩阵S中所有山火时间序列的平方差Jc(t)，并与前一次误差Jc(t-1)进行比较；
式中，t为计算聚类中心的迭代次数；
重复计算模块，用于当Jc(t)-Jc(t-1)＜0时，重复时间序列相似度计算模块、最小距离归入模块、聚类中心重新计算模块和平方差计算模块，直至
Jc(t)-Jc(t-1)＞0。
作为本发明进一步的改进，分项计算模块中：
各个空间单元的节点历史山火火点数为：
式中，Nsum为节点时间m年内每年该时间节点的历史前N1天、当天和后N2天的山火数总和；
各个空间单元的空气湿度抑制系数为：
式中，RH为待预测日空气相对湿度；
将各个空间单位划分为数量为r×r的二次网格，读取分辨率为的林业植被数据库的植被类型，第i行第j列网格的可燃物阻尼系数为uc，ij，则各个空间单元的可燃物阻尼系数为：
本发明的有益效果为：
可准确预测一定时间内的山火发生期望数，可操作性强，预报准确率高，提高了输电线路山火定量预报精细化程度。根据预测结论，可科学、精准布置灭火装备，实现山火的提前应对，减少输电线路附近山火所造成的损失。
附图说明
图1为本发明实施例所述的一种输电线路山火聚类定量预报方法的流程示意图；
图2为本发明空间单元尺度选取的流程示意图；
图3为本发明聚类分析的多时间坐标获取流程图；
图4(a)-(d)为本实施例得到的山火时间序列模式聚类。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
实施例1，如图1所示，本发明实施例所述的一种输电线路山火聚类定量预报方法，该方法包括：
步骤1，选取预报区域，将预报区域进行细分得到多个空间单元，选择涵盖输电线路的区域作为待测区域，其中，预报区域为以经纬度为基准的1°×1°的区域，空间单元按经纬度为基准划分为0.25°×0.25°。将该区域细分为多个空间单元，细分成空间单元可以使预报的数据更加准确和合理。
步骤2，如图2所示，划定矩形区域将预报区域完全包络，以矩形区域的对角线交点为中心、以10km为等长步差向四周扩展，统计不同空间尺度范围内，计算相近气象数据条件下的第i年和第j年历史同期山火数量比值Dij，当空间尺度大于A时，山火数量持续满足0.85＜Dij＜1.18时，则选择A作为山火预报的空间单元的大小。因为山火灾害分布的空间随机性，其统计特征只有在空间尺度大于某一范围才会显现，因此，需要通过步骤2找到合适的预报空间尺度。
步骤3，如图3所示，根据预报区域的历史山火日火点序列特征聚类，把历史山火发生时间划分为时间坐标，并将待预测日的时间转换为时间坐标中的节点。因为山火的时间分布并不完全按照阳历或者阴历坐标，而是与各地人们生产生活习俗有密切关联，因此，需要通过步骤3进行多时间坐标的分解。具体包括：
步骤31，根据气象数据剔除预报区域的山火异常日，具体包括：
步骤A1，以等时间间隔方式划分山火时间序列时间网格，时间间隔为B分钟，优选为30分钟；
步骤A2，根据每日山火监测的原始记录，找出日历坐标时间轴的第i天(即任意天)的气象信息，该气象信息包括降水量、相对湿度、温度和风速；
步骤A3，若当日降水量>2mm或者相对湿度>85％，则不发生山火，不能进入聚类日期，该日为山火异常日。
步骤32，将预报区域的历史山火日的山火时间序列形态特征进行聚类分析，具体包括：
步骤B1，数据选择：选取预报区域内最近的5-10年n条筛选出的日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)，每条日山火时间序列曲线有m＝[1440/B]个数据测量点，构成n×m阶初始山火序列矩阵S；
将每天发生的山火时间划分为日山火时间序列曲线，时间序列曲线的形成需要有采样频率，该采样频率为步骤A1中的时间间隔B，优选为30分钟；
步骤B2，初始聚类形成：设k为聚类数，在初始山火序列矩阵S中任意选择k条山火时间序列X'j(j＝1,2,3,…,k)，将山火时间序列X'j的值分别赋给初始聚类中心为第j类聚类中心；
步骤B3，时间序列相似度计算：将每条山火时间序列的形态特征用一组分段斜率代替，用于表征一天内不同时刻山火时间序列的上升、下降、峰值位置的全局特征，计算日山火时间序列Xi＝[xi1,xi2,xi3,…,xin](i＝1,2,3,…,n)与初始聚类中心的距离
步骤B4，找出所有日山火时间序列Xi与初始聚类中心的最小距离min(d(i,j))，将Xi归入到和距离最小的类中；
步骤B5，重新计算各类聚类中心
式中，nj是第j个聚类的山火时间序列数量，Xi,j是第j个聚类的山火时间序列数量；
步骤B6，计算n×m阶初始山火序列矩阵S中所有山火时间序列的平方差Jc(t)，并与前一次误差Jc(t-1)进行比较；
式中，t为计算聚类中心的迭代次数；
步骤B7，当Jc(t)-Jc(t-1)＜0时，重复步骤B3～步骤B6，直至
Jc(t)-Jc(t-1)＞0。
步骤33，针对聚类分析得到的山火时间序列聚类模式，分析各聚类模式的上升、下降、峰值分布特征，并根据聚类结果图，按需选择分类数；
步骤34，按照所选择的分类数划分输电线路山火聚类时间坐标轴，并根据聚类结果分析时间序列模式形成的原因。
可参考历史火点时间阶段选取表来选取待测时间对应的节点，如表1所示。
表1
| 序号历史数据聚类类别 | N1取值 | N2取值 | 备注 |
| 1春节期间(初一) | 1 | 2 | |
| 2春节期间(初二至初三) | 2 | 1 | |
| 3春节期间(初四至初十五) | 3 | 3 | |
| 4除夕 | 1 | 3 | |
| 5清明期间(前3、清明、后4) | / | / | 8天平均 |
| 6清明后5 | 3 | ||
| 7清明后6 | 1 | 3 | |
| 8清明后7 | 2 | 3 | |
| 924节气除清明外 | 3 | 3 | |
| 10中元节 | 0 | 0 | |
| 11节假公休(五一) | / | / | 3天假期平均 |
| 12节假公休(十一) | / | / | 10天假期平均 |
| 13节假公休(中秋、端午) | 0 | 0 | 当日 |
步骤4，根据山火数量与气象因素之间的关联关系，建立输电线路山火定量预报模型：计算各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N。
其中，
各个空间单元的节点历史山火火点数为：
式中，Nsum为节点时间m年内每年该时间节点的历史前N1天、当天和后N2天的山火数总和；
各个空间单元的空气湿度抑制系数为：
式中，RH为待预测日空气相对湿度。利用未来三天每0.25°×0.25°的网格内的空气相对湿度数值网格预报来确定待测日的空气湿度抑制系数。空气湿度与海拔相关，通过读取DEM高程数据表来选择空气湿度进行读取，取值如表2所示。
表2
| 序号 | 海拔(m) | 大气压等级 |
| 1 | 0-200 | 1000hPa |
| 2 | 200-600 | 925hPa |
| 3 | 600-1200 | 850hPa |
| 4 | 1200-2400 | 700hPa |
| 5 | 2400-3200 | 600hPa |
| 6 | 3200-3900 | 500hPa |
| 7 | 3900-4700 | 400hPa |
| 8 | 4700-5500 | 300hPa |
| 9 | 5500-6300 | 200hPa |
| 10 | >6300 | 100hPa |
将各个空间单位划分为数量为r×r的二次网格，读取分辨率为的林业植被数据库的植被类型，第i行第j列网格的可燃物阻尼系数为uc，ij，则各个空间单元的可燃物阻尼系数为：
基于林业植被数据库划分的24土地/种植被类型，根据各土地/植被类型发生山火的难易程度，分别定义其可燃物阻尼系数如表3所示。
表3
通过各个空间单元的植被情况选取合适的系数值进行计算得到可燃物阻尼系数。
山火预测降水指数P和连续干旱日影响因子N可以利用澳大利亚专利(2015101759)中的计算公式。定义每个空间单元内的未来24小时降水量为c，计算出每个网格内的未来每天山火降水指数，记为P。通过查询历史降水数据，得出每个空间单元在预测日前连续无降水日数d，计算连续干旱影响因子N。
步骤5，根据各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N，计算各个空间单元内的输电线路山火发生期望数为D＝D0×μ1×μ2×N×P。
如图4所示，图a为根据本方法聚类后春节的日山火时间序列曲线，其基本特征在于上午11：00开始增多，在12：00～14：00达到峰值，下午火源减少，山火数量逐渐降低；其特征是12：00～14：00的单峰曲线。图b为根据本方法聚类后春节的日山火时间序列曲线，其基本特征在于祭祖人数相比春节更多，上午与下午均有祭祀活动，因此，其日火点时间序列的特征是上午9：00开始增多，受气象条件的影响，在下午14:00～15:00达到最大值，一直到下午17：00左右均处于高发时间。图c为根据本方法聚类后春耕的日山火时间序列曲线，其基本特征在于上午9：00开始增多，由于村民中午回家后无人看管引发火灾的可能性更大，在12：00～14：00达到峰值，晚上17：00以后又存在一个峰值；其特征是12：00后和17：00后2个峰值的双峰曲线。图d为根据本方法聚类后节假公休的日山火时间序列曲线，其基本特征在于主要原因是在此时期天气适宜，人们进山踏青、烧烤活动较多，吸烟也有可能导致山火。因此，其日火点时间序列的特征是上午12：00开始增多，山火数量比较持平，其引发山火的概率不会过高，相对其他山火高发期相对比较少。
本发明提供的一种输电线路山火聚类定量预报方法，步骤1-步骤3利用聚类分析方法获得了多时间坐标山火预报时间轴、利用空间尺度对比分析方法获得预报区域的最佳预报尺度；在此基础上，步骤4-步骤5基于步骤1-步骤3获得的时空分布规律建立预报模型，预报区域内日山火数量。通过计算各个空间单元的节点历史山火火点数、各个空间单元待测日的空气湿度抑制系数、各个空间单元的可燃物阻尼系数、各个空间单元待测日的山火预测降水指数以及各个空间单元待测日的连续干旱影响因子，预测各个空间单元待测日的山火发生期望数，可操作性强，预报准确率高，提高了输电线路山火定量预报精细化程度。
实施例2，本法明第二实施例所述的一种输电线路山火聚类定量预报系统，该系统包括：
区域划分模块，用于选取预报区域，将预报区域进行细分得到多个空间单元，选择涵盖输电线路的区域作为待测区域。
空间单元选取模块，用于划定矩形区域将预报区域完全包络，以矩形区域的对角线交点为中心、以10km为等长步差向四周扩展，统计不同空间尺度范围内，计算相近气象数据条件下的第i年和第j年历史同期山火数量比值Dij，当空间尺度大于A时，山火数量持续满足0.85＜Dij＜1.18时，选择A作为山火预报的空间单元的大小。
节点选取模块，用于根据预报区域的历史山火日火点序列特征聚类，把历史山火发生时间划分为时间坐标，并将待预测日的时间转换为时间坐标中的节点；具体包括：
山火异常日剔除模块，用于根据气象数据剔除预报区域的山火异常日；山火异常日选取模块具体包括：
时间网格划分模块，用于以等时间间隔方式划分山火时间序列时间网格，时间间隔为B分钟；
气象信息确定模块，用于根据每日山火监测的原始记录，找出日历坐标时间轴的第i天的气象信息，该气象信息包括降水量、相对湿度、温度和风速；
山火异常日选取模块，用于判断气象信息确定模块中的气象信息，当日降水量>2mm或者相对湿度>85％，则不发生山火，不能进入聚类日期，该日为山火异常日。
聚类分析模块，用于将预报区域的历史山火日的山火时间序列形态特征进行聚类分析；聚类分析模块具体包括：
数据选择模块，用于选取预报区域内最近的5-10年n条筛选出的日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)，每条日山火时间序列曲线有m＝[1440/B]个数据测量点，构成n×m阶初始山火序列矩阵S；
初始聚类形成模块，用于在初始山火序列矩阵S中任意选择k条山火时间序列Xj′(j＝1,2,3,…,k)，并将山火时间序列X'j的值分别赋给初始聚类中心为第j类聚类中心，k为聚类数；
时间序列相似度计算模块，用于将每条山火时间序列的形态特征用一组分段斜率代替，表征一天内不同时刻山火时间序列的上升、下降、峰值位置的全局特征，计算日山火时间序列Xi＝[xi1,xi2,xi3,…,xin](i＝1,2,3,…,n)与初始聚类中心的距离
最小距离归入模块，用于找出所有日山火时间序列Xi与初始聚类中心的最小距离min(d(i,j))，将Xi归入到和距离最小的类中；
聚类中心重新计算模块，用于重新计算各类聚类中心
式中，nj是第j个聚类的山火时间序列数量，Xi,j是第j个聚类的山火时间序列；
平方差计算模块，用于计算n×m阶初始山火序列矩阵S中所有山火时间序列的平方差Jc(t)，并与前一次误差Jc(t-1)进行比较；
式中，t为计算聚类中心的迭代次数；
重复计算模块，用于当Jc(t)-Jc(t-1)＜0时，重复时间序列相似度计算模块、最小距离归入模块、聚类中心重新计算模块和平方差计算模块，直至
Jc(t)-Jc(t-1)＞0。
分类数选取模块，用于针对聚类分析得到的山火时间序列聚类模式，分析各聚类模式的上升、下降、峰值分布特征，并根据聚类结果图，按需选择分类数；
时间序列模式分析模块，用于按照所选择的分类数划分输电线路山火聚类时间坐标轴，并根据聚类结果分析时间序列模式形成的原因。
分项计算模块，用于计算各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N。其中，各个空间单元的节点历史山火火点数为：
式中，Nsum为节点时间m年内每年该时间节点的历史前N1天、当天和后N2天的山火数总和；
各个空间单元的空气湿度抑制系数为：
式中，RH为待预测日空气相对湿度；
将各个空间单位划分为数量为r×r的二次网格，读取分辨率为的林业植被数据库的植被类型，第i行第j列网格的可燃物阻尼系数为uc，ij，则各个空间单元的可燃物阻尼系数为：
火点数量计算模块，用于根据各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N，计算各个空间单元内的输电线路山火发生期望数D＝D0×μ1×μ2×N×P。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种输电线路山火聚类定量预报方法，其特征在于，该方法包括：
步骤1，选取预报区域，将预报区域进行细分得到多个空间单元，选择涵盖输电线路的区域作为待测区域；
步骤2，划定矩形区域将预报区域完全包络，以矩形区域的对角线交点为中心、以10km为等长步差向四周扩展，统计不同空间尺度范围内，计算相近气象数据条件下的第i年和第j年历史同期山火数量比值Dij，当空间尺度大于A时，山火数量持续满足0.85＜Dij＜1.18时，则选择A作为山火预报的空间单元的大小；
步骤3，根据预报区域的历史山火日火点序列特征聚类，把历史山火发生时间划分为时间坐标，并将待预测日的时间转换为时间坐标中的节点；
步骤4，计算各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N；
步骤5，根据各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N，计算各个空间单元内的输电线路山火发生期望数为D＝D0×μ1×μ2×N×P。
2.根据权利要求1所述的输电线路山火聚类定量预报方法，其特征在于，步骤3具体包括：
步骤31，根据气象数据剔除预报区域的山火异常日；
步骤32，将预报区域的历史山火日的山火时间序列形态特征进行聚类分析；
步骤33，针对聚类分析得到的山火时间序列聚类模式，分析各聚类模式的上升、下降、峰值分布特征，并根据聚类结果图，按需选择分类数；
步骤34，按照所选择的分类数划分输电线路山火聚类时间坐标轴，并根据聚类结果分析时间序列模式形成的原因。
3.根据权利要求2所述的输电线路山火聚类定量预报方法，其特征在于，步骤31具体包括：
步骤A1，以等时间间隔方式划分山火时间序列时间网格，时间间隔为B分钟；
步骤A2，根据每日山火监测的原始记录，找出日历坐标时间轴的第i天的气象信息，该气象信息包括降水量、相对湿度、温度和风速；
步骤A3，若当日降水量>2mm或者相对湿度>85％，则不发生山火，不能进入聚类日期，该日为山火异常日。
4.根据权利要求2所述的输电线路山火聚类定量预报方法，其特征在于，步骤32具体包括：
步骤B1，数据选择：选取预报区域内最近的5-10年n条筛选出的日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)，每条日山火时间序列曲线有m＝[1440/B]个数据测量点，构成n×m阶初始山火序列矩阵S；
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
步骤B2，初始聚类形成：设k为聚类数，在初始山火序列矩阵S中任意选择k条山火时间序列X'j(j＝1,2,3,…,k)，将山火时间序列X'j的值分别赋给初始聚类中心为第j类聚类中心；
步骤B3，时间序列相似度计算：将每条山火时间序列的形态特征用一组分段斜率代替，用于表征一天内不同时刻山火时间序列的上升、下降、峰值位置的全局特征，计算日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)与初始聚类中心的距离
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>S</mi>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mover>
<mi>M</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
步骤B4，找出所有日山火时间序列Xi与初始聚类中心的最小距离min(d(i,j))，将Xi归入到和距离最小的类中；
步骤B5，重新计算各类聚类中心
<mrow>
<msub>
<mover>
<mi>M</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>...</mo>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
式中，nj是第j个聚类的山火时间序列数量，Xi,j是第j个聚类的山火时间序列；
步骤B6，计算n×m阶初始山火序列矩阵S中所有山火时间序列的平方差Jc(t)，并与前一次误差Jc(t-1)进行比较；
<mrow>
<msub>
<mi>J</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
式中，t为计算聚类中心的迭代次数；
步骤B7，当Jc(t)-Jc(t-1)＜0时，重复步骤B3～步骤B6，直至
Jc(t)-Jc(t-1)＞0。
5.根据权利要求1所述的输电线路山火聚类定量预报方法，其特征在于，步骤4中：
各个空间单元的节点历史山火火点数为：
<mrow>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>N</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>N</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</mfrac>
</mrow>
式中，Nsum为节点时间m年内每年该时间节点的历史前N1天、当天和后N2天的山火数总和；
各个空间单元的空气湿度抑制系数为：
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1.5</mn>
</mtd>
<mtd>
<mrow>
<mi>R</mi>
<mi>H</mi>
<mo>&le;</mo>
<mn>35</mn>
<mi>%</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>4.455</mn>
<msup>
<mi>RH</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>7.7752</mn>
<mi>R</mi>
<mi>H</mi>
<mo>+</mo>
<mn>3.3744</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>35</mn>
<mi>%</mi>
<mo><</mo>
<mi>R</mi>
<mi>H</mi>
<mo><</mo>
<mn>75</mn>
<mi>%</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.048</mn>
</mtd>
<mtd>
<mrow>
<mi>R</mi>
<mi>H</mi>
<mo>&GreaterEqual;</mo>
<mn>75</mn>
<mi>%</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，RH为待预测日空气相对湿度；
将各个空间单位划分为数量为r×r的二次网格，读取分辨率为的林业植被数据库的植被类型，第i行第j列网格的可燃物阻尼系数为uc，ij，则各个空间单元的可燃物阻尼系数为：
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>i</mi>
</mrow>
<mi>r</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</msubsup>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<msup>
<mi>r</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>.</mo>
</mrow>
6.一种输电线路山火聚类定量预报系统，其特征在于，该系统包括：
区域划分模块，用于选取预报区域，将预报区域进行细分得到多个空间单元，选择涵盖输电线路的区域作为待测区域；
空间单元选取模块，用于划定矩形区域将预报区域完全包络，以矩形区域的对角线交点为中心、以10km为等长步差向四周扩展，统计不同空间尺度范围内，计算相近气象数据条件下的第i年和第j年历史同期山火数量比值Dij，当空间尺度大于A时，山火数量持续满足0.85＜Dij＜1.18时，选择A作为山火预报的空间单元的大小；
节点选取模块，用于根据预报区域的历史山火日火点序列特征聚类，把历史山火发生时间划分为时间坐标，并将待预测日的时间转换为时间坐标中的节点；
分项计算模块，用于计算各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N；
火点数量计算模块，用于根据各个空间单元的节点历史山火火点数D0、各个空间单元的空气湿度抑制系数μ1、各个空间单元的可燃物阻尼系数μ2、各个空间单元的山火预测降水指数P以及各个空间单元的连续干旱影响因子N，计算各个空间单元内的输电线路山火发生期望数D＝D0×μ1×μ2×N×P。
7.根据权利要求6所述的输电线路山火聚类定量预报系统，其特征在于，节点选取模块具体包括：
山火异常日剔除模块，用于根据气象数据剔除预报区域的山火异常日；
聚类分析模块，用于将预报区域的历史山火日的山火时间序列形态特征进行聚类分析；
分类数选取模块，用于针对聚类分析得到的山火时间序列聚类模式，分析各聚类模式的上升、下降、峰值分布特征，并根据聚类结果图，按需选择分类数；
时间序列模式分析模块，用于按照所选择的分类数划分输电线路山火聚类时间坐标轴，并根据聚类结果分析时间序列模式形成的原因。
8.根据权利要求7所述的输电线路山火聚类定量预报系统，其特征在于，山火异常日选取模块具体包括：
时间网格划分模块，用于以等时间间隔方式划分山火时间序列时间网格，时间间隔为B分钟；
气象信息确定模块，用于根据每日山火监测的原始记录，找出日历坐标时间轴的第i天的气象信息，该气象信息包括降水量、相对湿度、温度和风速；
山火异常日选取模块，用于判断气象信息确定模块中的气象信息，当日降水量>2mm或者相对湿度>85％，则不发生山火，不能进入聚类日期，该日为山火异常日。
9.根据权利要求7所述的输电线路山火聚类定量预报系统，其特征在于，聚类分析模块具体包括：
数据选择模块，用于选取预报区域内最近的5-10年n条筛选出的日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)，每条日山火时间序列曲线有m＝[1440/B]个数据测量点，构成n×m阶初始山火序列矩阵S；
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
初始聚类形成模块，用于在初始山火序列矩阵S中任意选择k条山火时间序列X'j(j＝1,2,3,k,)，并将山火时间序列X'j的值分别赋给初始聚类中心为第j类聚类中心，k为聚类数；
时间序列相似度计算模块，用于将每条山火时间序列的形态特征用一组分段斜率代替，表征一天内不同时刻山火时间序列的上升、下降、峰值位置的全局特征，计算日山火时间序列Xi＝[xi1,xi2,xi3,…,xim](i＝1,2,3,…,n)与初始聚类中心的距离
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>S</mi>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mover>
<mi>M</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
最小距离归入模块，用于找出所有日山火时间序列Xi与初始聚类中心的最小距离min(d(i,j))，将Xi归入到和距离最小的类中；
聚类中心重新计算模块，用于重新计算各类聚类中心
<mrow>
<msub>
<mover>
<mi>M</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>...</mo>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
式中，nj是第j个聚类的山火时间序列数量，Xi,j是第j个聚类的山火时间序列；
平方差计算模块，用于计算n×m阶初始山火序列矩阵S中所有山火时间序列的平方差Jc(t)，并与前一次误差Jc(t-1)进行比较；
<mrow>
<msub>
<mi>J</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>j</mi>
</msub>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>m</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
式中，t为计算聚类中心的迭代次数；
重复计算模块，用于当Jc(t)-Jc(t-1)＜0时，重复时间序列相似度计算模块、最小距离归入模块、聚类中心重新计算模块和平方差计算模块，直至
Jc(t)-Jc(t-1)＞0。
10.根据权利要求6所述的输电线路山火聚类定量预报系统，其特征在于，分项计算模块中：
各个空间单元的节点历史山火火点数为：
<mrow>
<msub>
<mi>D</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>N</mi>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>N</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</mfrac>
</mrow>
式中，Nsum为节点时间m年内每年该时间节点的历史前N1天、当天和后N2天的山火数总和；
各个空间单元的空气湿度抑制系数为：
<mrow>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1.5</mn>
</mtd>
<mtd>
<mrow>
<mi>R</mi>
<mi>H</mi>
<mo>&le;</mo>
<mn>35</mn>
<mi>%</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>4.455</mn>
<msup>
<mi>RH</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>7.7752</mn>
<mi>R</mi>
<mi>H</mi>
<mo>+</mo>
<mn>3.3744</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>35</mn>
<mi>%</mi>
<mo><</mo>
<mi>R</mi>
<mi>H</mi>
<mo><</mo>
<mn>75</mn>
<mi>%</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0.048</mn>
</mtd>
<mtd>
<mrow>
<mi>R</mi>
<mi>H</mi>
<mo>&GreaterEqual;</mo>
<mn>75</mn>
<mi>%</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，RH为待预测日空气相对湿度；
将各个空间单位划分为数量为r×r的二次网格，读取分辨率为的林业植被数据库的植被类型，第i行第j列网格的可燃物阻尼系数为uc，ij，则各个空间单元的可燃物阻尼系数为：
<mrow>
<msub>
<mi>&mu;</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>i</mi>
</mrow>
<mi>r</mi>
</msubsup>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</msubsup>
<msub>
<mi>u</mi>
<mrow>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<msup>
<mi>r</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710245850.1A CN107067683B (zh) | 2017-04-14 | 2017-04-14 | 一种输电线路山火聚类定量预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710245850.1A CN107067683B (zh) | 2017-04-14 | 2017-04-14 | 一种输电线路山火聚类定量预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107067683A CN107067683A (zh) | 2017-08-18 |
| CN107067683B true CN107067683B (zh) | 2018-01-09 |
Family
ID=59599452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710245850.1A Active CN107067683B (zh) | 2017-04-14 | 2017-04-14 | 一种输电线路山火聚类定量预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107067683B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107622620A (zh) * | 2017-08-30 | 2018-01-23 | 深圳市盛路物联通讯技术有限公司 | 环境监测方法及设备 |
| CN110956152A (zh) * | 2019-12-10 | 2020-04-03 | 国网湖南省电力有限公司 | 输电线路山火多尺度分析方法及系统 |
| CN111667392B (zh) * | 2020-06-12 | 2023-06-16 | 成都国铁电气设备有限公司 | 一种基于时空聚类的铁路接触网缺陷热点区域预警方法 |
| CN112668927B (zh) * | 2021-01-07 | 2023-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于聚类法的考虑人为因素的动态山火风险评估方法 |
| CN112819356B (zh) * | 2021-02-08 | 2022-10-14 | 国网山西省电力公司电力科学研究院 | 一种基于梯度提升树的输电线路山火风险等级预报方法 |
| CN112949515B (zh) * | 2021-03-09 | 2022-07-08 | 国网四川省电力公司电力科学研究院 | 一种基于监控信息的线路山火预警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0660282A1 (de) * | 1993-12-20 | 1995-06-28 | Cerberus Ag | Brandmeldesystem zur Früherkennung von Bränden |
| JP2008083938A (ja) * | 2006-09-27 | 2008-04-10 | Matsushita Electric Works Ltd | 火災受信機 |
| CN102592390A (zh) * | 2012-02-08 | 2012-07-18 | 湖南省电力公司科学研究院 | 输电线路山火预报方法 |
| CN104851231A (zh) * | 2015-06-05 | 2015-08-19 | 安徽罗伯特科技股份有限公司 | 一种输电线路附近环境的监测装置 |
| CN105976550A (zh) * | 2016-07-20 | 2016-09-28 | 国网湖南省电力公司 | 基于聚类分析去背景场的电网山火卫星火点判识方法 |
-
2017
- 2017-04-14 CN CN201710245850.1A patent/CN107067683B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0660282A1 (de) * | 1993-12-20 | 1995-06-28 | Cerberus Ag | Brandmeldesystem zur Früherkennung von Bränden |
| JP2008083938A (ja) * | 2006-09-27 | 2008-04-10 | Matsushita Electric Works Ltd | 火災受信機 |
| CN102592390A (zh) * | 2012-02-08 | 2012-07-18 | 湖南省电力公司科学研究院 | 输电线路山火预报方法 |
| CN104851231A (zh) * | 2015-06-05 | 2015-08-19 | 安徽罗伯特科技股份有限公司 | 一种输电线路附近环境的监测装置 |
| CN105976550A (zh) * | 2016-07-20 | 2016-09-28 | 国网湖南省电力公司 | 基于聚类分析去背景场的电网山火卫星火点判识方法 |
Non-Patent Citations (1)
| Title |
|---|
| "架空输电线路山火预测预警技术";陆佳政 等;《高电压技术》;20170131;第43卷(第1期);第315页至第319页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107067683A (zh) | 2017-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107067683B (zh) | 一种输电线路山火聚类定量预报方法及系统 | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| CN111897030A (zh) | 一种雷暴预警系统及方法 | |
| Podur et al. | Spatial patterns of lightning-caused forest fires in Ontario, 1976–1998 | |
| Yang et al. | Enhancing weather-related power outage prediction by event severity classification | |
| CN103279671B (zh) | 基于rbf神经网络-云模型的城市水灾害风险预测方法 | |
| CN109325633B (zh) | 一种天气预报集合成员选取方法和系统 | |
| CN111678880B (zh) | 平流层臭氧侵入对流层中低层的卫星遥感识别方法及系统 | |
| CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
| Miao et al. | A fuzzy logic fog forecasting model for Perth Airport | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| Zhang et al. | Spatial variability and possible cause analysis of regional precipitation complexity based on optimized sample entropy | |
| CN107748933A (zh) | 气象要素报文数据误差修正方法、雾、日出、云海、雾凇预测方法 | |
| Lu et al. | A coupled K-nearest neighbour and Bayesian neural network model for daily rainfall downscaling. | |
| CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
| CN103093044A (zh) | 输电线路覆冰舞动分布图测绘方法 | |
| CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| Silva et al. | Naturalized streamflows and Affluent Natural Energy projections for the Brazilian hydropower sector for the SSP2-4.5 and SSP5-8.5 scenarios of the CMIP6 | |
| CN117807917B (zh) | 基于场次洪涝灾害的损失函数构建方法和系统 | |
| Yang et al. | Assessment of vulnerability to climate change in the Inner Mongolia steppe at a county scale from 1980 to 2009 | |
| CN117408367A (zh) | 一种基于pso-rf的输电线路山火跳闸概率预测方法 | |
| CN114722909A (zh) | 一种基于低维卷积神经网络的太阳耀斑时间序列分类方法 | |
| Feng et al. | A Case Study: Evaluation of Urban Flood Resilience Based on Fuzzy Mathematics and VIKOR Method in Ulsan Metropolitan City, South Korea | |
| CN112926664A (zh) | 基于进化算法的特征选择与cart森林的短时强降水预报方法 | |
| CN113065700A (zh) | 一种基于显著性与敏感性因子分析法的短时强降水预报方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231212 Address after: 410131 building 4, 55 East Longhua Road, Changsha Economic and Technological Development Zone, Changsha City, Hunan Province Patentee after: Hunan Disaster Prevention Technology Co.,Ltd. Patentee after: XIANG-ELECTRIC EXPERIMENT AND RESEARCH TECHNOLOGY COMPANY OF HUNAN PROVINCE Address before: 410205, 2nd Floor, Rear Building, Software Center Building, No. 662 Lugu Avenue, High tech Development Zone, Changsha City, Hunan Province Patentee before: XIANG-ELECTRIC EXPERIMENT AND RESEARCH TECHNOLOGY COMPANY OF HUNAN PROVINCE |