CN108846315A - 一种山火自动识别方法 - Google Patents

一种山火自动识别方法 Download PDF

Info

Publication number
CN108846315A
CN108846315A CN201810434201.0A CN201810434201A CN108846315A CN 108846315 A CN108846315 A CN 108846315A CN 201810434201 A CN201810434201 A CN 201810434201A CN 108846315 A CN108846315 A CN 108846315A
Authority
CN
China
Prior art keywords
mountain fire
feature
identifying method
automatic identifying
target
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.)
Pending
Application number
CN201810434201.0A
Other languages
English (en)
Inventor
王天正
亢银柱
刘宏
李艳鹏
俞华
芦山
王力农
宋斌
李恩文
蔡如意
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN201810434201.0A priority Critical patent/CN108846315A/zh
Publication of CN108846315A publication Critical patent/CN108846315A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种山火自动识别方法，属于电网防灾减灾技术领域。随着电网规模的不断扩大，跨越林区及山区的架空输电线路也随之增加，山火引发的输电线路跳闸故障日益突出。山火严重影响电网的安全稳定运行。本发明利用毫米波雷达实现对山火的监控。针对输电走廊附近的树木、铁塔、山头等环境目标以及山火烟雾，先建立毫米波雷达回波信号特征库；采用本发明的聚类方法将毫米波雷达回波与上述特征库进行对比，自动识别山火。

Description

一种山火自动识别方法
技术领域
本发明属于电网防灾减灾技术领域，涉及一种山火自动识别方法。
背景技术
近年来，由于全球气候变暖等异常气候因素的影响，全球森林火灾频发。同时，随着电网规模的不断扩大，跨越林区及山区的架空输电线路也随之增加，山火引发的输电线路跳闸故障日益突出。山火严重影响电网的安全稳定运行。
目前，输电线路山火监测方法主要有视频图像监测、红外传感监测、卫星遥感监测。视频图像监测存在易误报漏报、监测区域范围受到视频设备性能限制、无法实现山火位置的定位等缺陷。红外传感监测方法可实现无人值守的不间断监测，自动发现监控区域内的火点，同时还可查看现场实时图像，根据直观的画面直接指挥调度救火。但红外监测会对阳光、高温物体等产生虚警，无法实现对火源的精确定位，且雨雾天对观测距离和图像清晰度影响较大。卫星遥感监测山火也是常用的一种手段，该方法可对山火进行广域的监测，但该方法存在虚警率高的问题，且受卫星过境时间的限制，难以实现全天候监测，另外还存在监测结果易受云层影响，监测分辨率不高等问题。
发明内容
本发明的目的是，针对现有方法的缺点与不足，提出一种基于毫米波雷达的山火自动识别方法，实现输电走廊山火的有效监测。
为实现此目的，本发明所采用的技术方案是：
一种山火自动识别方法，其特征在于，包括以下步骤：
步骤1，采集输电走廊附近环境目标的幅值、相位、频率和极化信息，其中，环境目标包括树木、铁塔、山头存在野外的自然环境目标；
步骤2，从幅值、相位、频率和极化信息中提取目标RCS特征和一维距离像特征；
步骤3，从提取的目标RCS特征和一维距离像特征数据中选取至少N种指标参量，其中，N为正整数；
步骤4，对步骤3已获取的指标参量进行目标特征量的分类；得到若干个分类单位，当分类单位内的最大隶属度属于山火烟雾时，则判定存在山火。
在上述的一种山火自动识别方法，RCS特征包括峰值数、高峰数、能量集中度、统计特征值、分布密度函数和变异系数；一维距离像特征包括功率谱特征、目标强散射点中心、去尺度特征、熵值特征、一维像长度特征、最大散射强度特征、分散性和对称性特征和中心矩特征。
在上述的一种山火自动识别方法，进行目标特征量的分类时，是基于类间的可分离性，根据目标特征库中的已知的目标类别，利用聚类算法进行分类。
在上述的一种山火自动识别方法，进行目标特征量的分类时，以多个相邻的特征数据列为单位作为分类标准进行分类。
在上述的一种山火自动识别方法，所述步骤3中，N取8。
在上述的一种山火自动识别方法，所述步骤4中聚类算法计算过程具体包括：
步骤4.1：对雷达回波数据集X'＝{x'1,x'2,....x'n}进行数据初始化处理；其中预处理采式(1)数据X'进行变换；
步骤4.2：对初始隶属度矩阵U进行赋初值，使其满足约束条件
步骤4.3：利用式(2)和式(3)交替迭代计算聚类中心vj和隶属度矩阵U＝[μij]c×n，其中μij表示样本xi对类vj的隶属程度，vj＝(vj1,vj2,…,vjm)代表第j个聚类中心向量；
步骤4.4：当迭代精度达到预设精度时，停止迭代，输出聚类中心和隶属度矩阵。
在上述的一种山火自动识别方法，所述步骤4.3具体操作方法是：
对于具有q个属性的样本xi＝{x1i,x2i…,,xmi…,,xi和q}聚类中心vj＝{vj1,vj2,…,vjm,…,vjq}，先逐一的计算样本i和聚类中心j的第m个属性之间的子相似度：再计算综合相似性：最后，计算样本i对聚类中心j的隶属度：
在上述的一种山火自动识别方法，所述步骤4.4中，预设精度为相邻两次迭代得到的隶属度差值小于10-3。
在上述的一种山火自动识别方法，所述步骤3中，采用数理统计方法对选出的指标参进行组合，经过特征空间变换后得到目标特征库。
在上述的一种山火自动识别方法，所述步骤3中，目标特征库的具体获取方法是：通过特征空间压缩与变换对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性的q维样本x'i＝{x'i1,x'i2,…,x'im,…,x'iq}，由n个样本x'i组成的数据集表示为X'＝{x'1,x'2,....x'n}。
与现有技术相比，本发明具有如下的有益效果：本发明实现方式简单，具有较强的适用性。如果输电线路走廊范围内发生山火，应用此方法可以对监测范围内的山火进行探测，并通过特征库对比判别出山火目标。毫米波雷达且具有器件体积小、重量轻易于系统集成等优势，可以有效弥补传统红外山火监测装置的缺陷，达到全天时全天候的使用目的，实现对山火火点的准确识别，此方法的应用能够有效解决传统方式中存在的不足，实现输电走廊山火的自动识别，为防止山火引发的跳闸事故提供了有效的技术手段。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
下面通过实施例，对本发明的技术方案作进一步具体的说明，本发明主要包括以下步骤：
步骤1，采集输电走廊附近环境目标以及山火烟雾的毫米波雷达回波特征信号，其中，环境目标包括树木、铁塔、山头存在野外的自然环境目标，所述毫米波雷达回波特征信号包括幅值、相位、频率和极化信息；
步骤2，从目标雷达回波信号中的幅值、相位、频率和极化信息中提取目标RCS特征和一维距离像特征，其中，
RCS特征包括峰值数、高峰数、能量集中度、统计特征值、分布密度函数和变异系数；
一维距离像特征包括功率谱特征、目标强散射点中心、去尺度特征、熵值特征、一维像长度特征、最大散射强度特征、分散性和对称性特征和中心矩特征；
步骤3，从提取的雷达特征数据中选取至少8种指标参量，其中，N为正整数，所述雷达特征包括RCS特征和一维距离像特征，采用数理统计方法对选出的指标参进行组合，经过特征空间变换后得到目标特征库，具体是通过特征空间压缩与变换对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性的q维样本x'i＝{x'i1,x'i2,…,x'im,…,x'，}由n个样本x'i组成的数据集表示为X'＝{x'1,x'2,....x'n}；
步骤4，基于类间的可分离性，根据目标特征库中的已知的目标类别，利用聚类算法对已获取的雷达特征数据进行目标特征量的分类；以多个相邻的特征数据列为单位作为分类标准，当分类单位内的最大隶属度属于山火烟雾时，则判定存在山火，其中，聚类算法计算过程为：
步骤4.1：对雷达回波数据集X'＝{x'1,x'2,....x'n}进行数据初始化处理；其中预处理采式(1)数据X'进行变换；
步骤4.2：对初始隶属度矩阵U进行赋初值，使其满足约束条件
步骤4.3：利用式(2)和式(3)交替迭代计算聚类中心vj和隶属度矩阵U＝[μij]c×n，其中μij表示样本xi对类vj的隶属程度，vj＝(vj1,vj2,…,vjm)代表第j个聚类中心向量；对于具有q个属性的样本xi＝{xi1,xi2,…,xim,…,xiq}和聚类中心vj＝{vj1,vj2,…,vjm,…,vjq}，先逐一的计算样本i和聚类中心j的第m个属性之间的子相似度：再计算综合相似性：最后，计算样本i对聚类中心j的隶属度：即如式(3)所示；
步骤4.4：当迭代精度达到预设精度时，停止迭代，输出聚类中心和隶属度矩阵；当最大隶属度属于山火烟雾时，则判定存在山火，在本实施例中，预设精度为相邻两次迭代得到的隶属度调整值小于10-3。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种山火自动识别方法，其特征在于，包括以下步骤：
步骤1，采集输电走廊附近环境目标的幅值、相位、频率和极化信息，其中，环境目标包括树木、铁塔、山头存在野外的自然环境目标；
步骤2，从幅值、相位、频率和极化信息中提取目标RCS特征和一维距离像特征；
步骤3，从提取的目标RCS特征和一维距离像特征数据中选取至少N种指标参量，其中，N为正整数；
步骤4，对步骤3已获取的指标参量进行目标特征量的分类；得到若干个分类单位，当分类单位内的最大隶属度属于山火烟雾时，则判定存在山火。
2.根据权利要求1所述的一种山火自动识别方法，其特征在于，RCS特征包括峰值数、高峰数、能量集中度、统计特征值、分布密度函数和变异系数；一维距离像特征包括功率谱特征、目标强散射点中心、去尺度特征、熵值特征、一维像长度特征、最大散射强度特征、分散性和对称性特征和中心矩特征。
3.根据权利要求1所述的一种山火自动识别方法，其特征在于，进行目标特征量的分类时，是基于类间的可分离性，根据目标特征库中的已知的目标类别，利用聚类算法进行分类。
4.根据权利要求3所述的一种山火自动识别方法，其特征在于，进行目标特征量的分类时，以多个相邻的特征数据列为单位作为分类标准进行分类。
5.根据权利要求1所述的一种山火自动识别方法，其特征在于，所述步骤3中，N取8。
6.根据权利要求3所述的一种山火自动识别方法，其特征在于，所述步骤4中聚类算法计算过程具体包括：
步骤4.1：对雷达回波数据集X′＝{x′1，x′2，....x′n}进行数据初始化处理；其中预处理采式(1)数据X′进行变换；
步骤4.2：对初始隶属度矩阵U进行赋初值，使其满足约束条件
步骤4.3：利用式(2)和式(3)交替迭代计算聚类中心vj和隶属度矩阵U＝[μij]c×n，其中μij表示样本xi对类vj的隶属程度，vj＝(vj1，vj2，…，vjm)代表第j个聚类中心向量；
步骤4.4：当迭代精度达到预设精度时，停止迭代，输出聚类中心和隶属度矩阵。
7.根据权利要求3所述的一种山火自动识别方法，其特征在于，所述步骤4.3具体操作方法是：
对于具有q个属性的样本xi＝{xi1，xi2，…，xim，…，xiq}和聚类中心vj＝{vj1，vj2，…，vjm，…，viq}，先逐一的计算样本i和聚类中心j的第m个属性之间的子相似度：再计算综合相似性：最后，计算样本i对聚类中心j的隶属度：
8.根据权利要求6所述的一种山火自动识别方法，其特征在于，所述步骤4.4中，预设精度为相邻两次迭代得到的隶属度差值小于10-3。
9.根据权利要求1所述的一种山火自动识别方法，其特征在于，所述步骤3中，采用数理统计方法对选出的指标参进行组合，经过特征空间变换后得到目标特征库。
10.根据权利要求9所述的一种山火自动识别方法，其特征在于，所述步骤3中，目标特征库的具体获取方法是：通过特征空间压缩与变换对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性的q维样本x′i＝{x′i1，x′i2，…，x′im，…，x′iq}，由n个样本x′i组成的数据集表示为X′＝{x′1，x′2，....x′n}。
CN201810434201.0A 2018-05-08 2018-05-08 一种山火自动识别方法 Pending CN108846315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810434201.0A CN108846315A (zh) 2018-05-08 2018-05-08 一种山火自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810434201.0A CN108846315A (zh) 2018-05-08 2018-05-08 一种山火自动识别方法

Publications (1)

Publication Number Publication Date
CN108846315A true CN108846315A (zh) 2018-11-20

Family

ID=64212865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810434201.0A Pending CN108846315A (zh) 2018-05-08 2018-05-08 一种山火自动识别方法

Country Status (1)

Country Link
CN (1) CN108846315A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2643173A1 (fr) * 1988-11-04 1990-08-17 Argamakoff Aleksy Detecteur automatique d'intrusion ou incendie a grande distance
US20080042897A1 (en) * 2005-06-30 2008-02-21 United States Of America As Represented By The Secretary Of The Navy Microwave and Millimeter Frequency Bistatic Radar Tracking and Fire Control System
CN103487813A (zh) * 2013-08-27 2014-01-01 华南理工大学 一种基于激光雷达技术的输电线路山火监测系统及方法
CN105353382A (zh) * 2015-10-17 2016-02-24 华南理工大学 一种输电线路山火监测的激光雷达系统及方法
CN105551017A (zh) * 2015-12-03 2016-05-04 三峡大学 一种基于时空联合的输电线路山火目标提取方法
CN106228192A (zh) * 2016-07-28 2016-12-14 国网湖南省电力公司 一种基于双阈值聚类分析的输电线路山火区域辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2643173A1 (fr) * 1988-11-04 1990-08-17 Argamakoff Aleksy Detecteur automatique d'intrusion ou incendie a grande distance
US20080042897A1 (en) * 2005-06-30 2008-02-21 United States Of America As Represented By The Secretary Of The Navy Microwave and Millimeter Frequency Bistatic Radar Tracking and Fire Control System
CN103487813A (zh) * 2013-08-27 2014-01-01 华南理工大学 一种基于激光雷达技术的输电线路山火监测系统及方法
CN105353382A (zh) * 2015-10-17 2016-02-24 华南理工大学 一种输电线路山火监测的激光雷达系统及方法
CN105551017A (zh) * 2015-12-03 2016-05-04 三峡大学 一种基于时空联合的输电线路山火目标提取方法
CN106228192A (zh) * 2016-07-28 2016-12-14 国网湖南省电力公司 一种基于双阈值聚类分析的输电线路山火区域辨识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAMID GHADAKI等: "Target track classification for airport surveillance radar (ASR)", 《2006 IEEE CONFERENCE ON RADAR》 *
刘福才著: "《非线性系统的模糊模型辨识及其应用》", 31 August 2006 *
周树道 等: "《现代气象雷达》", 31 December 2017, 国防工业出版社 *
张敏等: "基于激光雷达技术的输电线路山火监测方法研究", 《电测与仪表》 *

Similar Documents

Publication Publication Date Title
Holmlund The utilization of statistical properties of satellite-derived atmospheric motion vectors to derive quality indicators
Zhou et al. Forecasting different types of convective weather: A deep learning approach
CN109738970A (zh) 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质
Espinoza et al. Large-scale circulation patterns and related rainfall in the Amazon Basin: a neuronal networks approach
Kerns et al. Cloud clusters and tropical cyclogenesis: Developing and nondeveloping systems and their large-scale environment
Zhou et al. Forecast of low visibility and fog from NCEP: Current status and efforts
CN106507315B (zh) 基于网络社交媒体数据的城市交通事故预测方法和系统
Mattos et al. Cloud-to-ground lightning and Mesoscale Convective Systems
Liang et al. A composite approach of radar echo extrapolation based on TREC vectors in combination with model-predicted winds
Sieglaff et al. A satellite-based convective cloud object tracking and multipurpose data fusion tool with application to developing convection
Behrangi et al. Daytime precipitation estimation using bispectral cloud classification system
Merk et al. Detection of convective initiation using Meteosat SEVIRI: Implementation in and verification with the tracking and nowcasting algorithm Cb-TRAM
Turner et al. Characteristic atmospheric radiative heating rate profiles in Arctic clouds as observed at Barrow, Alaska
Mason et al. Characterizing observed midtopped cloud regimes associated with Southern Ocean shortwave radiation biases
CN114067545B (zh) 一种基于遥感大数据的森林火灾监测方法及系统
CN103093243B (zh) 高分辨率全色遥感图像云判方法
Schumacher et al. Objective estimation of the 24-h probability of tropical cyclone formation
WO2020140127A1 (en) Systems and methods distributed-solar power forecasting using parameter regularization
Gagne et al. Day-ahead hail prediction integrating machine learning with storm-scale numerical weather models
CN113298295A (zh) 一种面向电力生产的气象预报系统
Harkema et al. Geostationary lightning mapper flash characteristics of electrified snowfall events
CN113313289B (zh) 一种基于多数据源的电网气象预警系统
Brune et al. The local wavelet‐based organization index–Quantification, localization and classification of convective organization from radar and satellite data
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
CN105631569A (zh) 基于电网gis电气化铁路牵引站气象监测及预警方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181120