CN110008890A - 一种基于粒子群优化的电网山火卫星自适应判识方法 - Google Patents

一种基于粒子群优化的电网山火卫星自适应判识方法 Download PDF

Info

Publication number
CN110008890A
CN110008890A CN201910251484.XA CN201910251484A CN110008890A CN 110008890 A CN110008890 A CN 110008890A CN 201910251484 A CN201910251484 A CN 201910251484A CN 110008890 A CN110008890 A CN 110008890A
Authority
CN
China
Prior art keywords
fire
mountain fire
power grid
history
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.)
Pending
Application number
CN201910251484.XA
Other languages
English (en)
Inventor
陆佳政
章国勇
李波
熊蔚立
罗晶
周秀冬
何立夫
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910251484.XA priority Critical patent/CN110008890A/zh
Publication of CN110008890A publication Critical patent/CN110008890A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于粒子群优化的电网山火卫星自适应判识方法，该方法利用历史火点监测数据样本，构建历史火点判断阈值与火点发生月份、地面温度因素之间的数学函数，并引入粒子群优化算法进行参数优化得到山火判断阈值的数学模型，再依据当前判识时刻的当前月份和关键影响因子，结合数学模型计算出当前山火判断阈值，实现电网山火判断阈值的自适应选取，进而对卫星监测影像中各像素点是否发生山火进行判识。该方法具有适应性好、适用性强、效率高、准确性高的优点。

Description

一种基于粒子群优化的电网山火卫星自适应判识方法
技术领域
本发明涉及电力工程技术领域，具体涉及一种基于粒子群优化的电网山火卫星自适应判识方法。
背景技术
随着电网的不断发展和特高压交直流线路加快建设，越来越多的输电线路将延伸至山火高发区。若山火发生在输电线路附近，山火产生的污秽或引起的空气放电将导致输电线路跳闸，严重影响电网的安全稳定运行。由于受绝缘子积污的影响，山火跳闸后线路重合闸难以成功，造成停电事故。
为实现对输电线路山火的有效监测，目前有多种方式，包括气象卫星遥感、固定地点安装烟火探测装置以及气象雷达监视等等。采用气象卫星进行山火监测具有监测范围广、发现及时、成本低等特点，目前已成为研究热点。现有卫星遥感数据火点判识技术都是基于火点判断阈值Th，所以火点判断阈值的选取是火点判识过程的关键技术，将直接影响到火点判识的准确度。若Th设置过高，则判识结果将剔除某些温度较低的小火点，若Th设置过低，则可能将某些温度较高的非火点误判为火点。传统的卫星遥感数据火点判识技术都是采用固定阈值或经验阈值的火点判识方法，未考虑季节、地表气温等的差异，无法识别输电线路附近小面积山火，因此监测准确率较低。
发明内容
本发明要解决的技术问题是克服现有技术存在的不足，提供一种基于粒子群优化的电网山火卫星自适应判识方法，该方法结合历史山火和现场温度信息，建立动态判断阈值函数，并引入粒子群优化算法进行阈值函数参数的选择，实现用动态判断阈值函数代替固定阈值的山火卫星自适应判识。
为解决上述技术问题，本发明采用以下技术方案：
一种基于粒子群优化的电网山火卫星自适应判识方法，包括以下步骤：
(S1)将电网山火待判识区域分割成若干个矩形子区域；
(S2)获取各子区域内经过现场火点验证的历史火点监测样本，并确定每一个历史火点的历史火点像素判定阈值，即该历史火点所处像素点在对应卫星影像中4微米通道值；
(S3)统计各子区域内每个历史火点的火点发生月份，以及历史火点当天的地面最高温度和地面最低温度两个地面温度因素，建立各子区域内火点发生月份、两个地面温度因素和历史火点像素判定阈值之间的数学函数；
(S4)按照最小二乘法的原则，采用粒子群优化算法对各子区域对应的数学函数进行参数优化，获得山火判断阈值的数学模型；
(S5)对各子区域的山火情况进行判识，先确定当前判识时刻所属的当前月份，同时根据地面气象数据，获取各子区域当前地面温度因素，结合数学模型计算出当前山火判断阈值；根据当前山火判断阈值对子区域内各像素点进行山火判识，若像素点的4微米通道值大于当前山火判断阈值，则判定该像素点发生山火，否则判定该像素点没有发生山火。
上述的电网山火卫星自适应判识方法，优选的，所述步骤(S3)中的数学函数为以下公式(1)：
其中，x1为火点发生月份，x2为火点发生当天地面最低温度，x3为火点发生当天地面最高温度，p0～p9为待确定的常数。
上述的电网山火卫星自适应判识方法，优选的，所述步骤(S4)中，粒子群优化算法中个体位置更新公式为以下公式(2)和公式(3)：
Xi,d(t+1)＝Xi,d(t)+Vi,d(t+1)(3)
其中，i表示粒子群个体，d表示搜索空间的位数，t为进化代数；w为惯性因子；c1和c2为学习因子，与r1和r2都是均匀分布于[0,1]之间的随机数；Xi,d(t)表示第i个粒子在t次迭代的位置，Vi,d(t)表示为第i个粒子在t次迭代的速度，Pi,d为粒子i个体历史最优位置，Pg,d为粒子群体历史最优位置。
上述的电网山火卫星自适应判识方法，优选的，所述步骤(S4)中，对各子区域对应的数学函数进行参数优化具体是按照最小二乘法的原则，采用PSO算法对p0～p9进行优化确定，优化目标是使得经PSO优化得到的最优参数p0～p9代入上述公式(1)后，计算得到的阈值与历史火点像素判定阈值之间的均方差最小。
上述的电网山火卫星自适应判识方法，优选的，所述步骤(S1)中，将电网山火检测识别区域按经纬度分割呈若干个1°×1°的矩形子区域。
上述的电网山火卫星自适应判识方法，优选的，各子区域在当前判识时刻的地面温度因素通过气象局发布的各监测站点数据获得。
与现有技术相比，本发明的优点在于：
本发明的基于粒子群优化的电网山火卫星自适应判识方法，考虑不同季节和地表温度下地面物体的发射率特征对亮温造成的影响，结合地面的环境温度、季节特性，建立动态判断阈值函数，用动态判断阈值函数代替固定阈值进行火点判识；提出了火点判断阈值的自适应算法，其优势在于阈值的选取将充分考虑下垫面的温度特征，可有效提高火点监测准确性。
本发明的基于粒子群优化的电网山火卫星自适应判识方法，基于地面环境特征，结合最小二乘法原理和粒子群优化算法，实现了线路山火判别阈值的自适应选择，可快速、准确地计算出判别的自适应阈值。应用该算法对山火高发期的火点进行判别，并与现场实际山火结果进行对比，表明应用该算法可有效提高火点判别的准确性，为线路山火卫星监测预警系统的投运提供重要技术保障，保障电网在山火高发季的安全稳定。
总体而言，本发明的基于粒子群优化的电网山火卫星自适应判识方法具有以下优点：1)可以对不同地点、不同时间、不同卫星发现的卫星火点进行自适应判定，避免固定阈值选取难的问题；2)实用性强，通过构建山火判断阈值的函数模型，可快速获取每一幅影像的差异化判断阈值，计算效率高；3)充分利用区域内历史火点验证信息，模型参数的相关系数高，告警准确性高；4)对维护电网的安全稳定及防灾减灾有重要作用。
附图说明
图1为本发明基于粒子群优化的电网山火卫星自适应判识方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本实施例的基于粒子群优化的电网山火卫星自适应判识方法，包括以下步骤：
(S1)将电网山火待判识区域分割成若干个矩形子区域；本实施例优选将电网山火检测识别区域按经纬度分割呈若干个1°×1°的矩形子区域；
(S2)获取各子区域内经过现场火点验证的历史火点监测样本，并确定每一个历史火点的历史火点像素判定阈值，即该历史火点所处像素点在对应卫星影像中4微米通道值；
(S3)统计各子区域内每个历史火点的火点发生月份，以及历史火点当天的地面最高温度和地面最低温度两个地面温度因素，建立各子区域内火点发生月份、两个地面温度因素和历史火点像素判定阈值之间的数学函数，该数学函数为：
其中，x1为火点发生月份，x2为火点发生当地面最低温度，x3为火点发生当天地面最高温度，p0～p9为待确定的常数。
(S4)按照最小二乘法的原则，采用粒子群优化算法对各子区域对应的数学函数进行参数优化，获得山火判断阈值的数学模型；
(S5)对各子区域的山火情况进行判识，先确定当前判识时刻所属的当前月份，同时根据地面气象数据，获取各子区域当前地面温度因素，结合数学模型计算出当前山火判断阈值；根据当前山火判断阈值对子区域内各像素点进行山火判识，若像素点的4微米通道值大于当前山火判断阈值，则判定该像素点发生山火，否则判定该像素点没有发生山火。本步骤(S5)中，各子区域在当前判识时刻的地面温度因素优选通过气象局发布的各监测站点数据获得。
本实施例中，步骤(S4)中粒子群优化算法中个体位置更新公式为以下公式(2)和公式(3)：
Xi,d(t+1)＝Xi,d(t)+Vi,d(t+1) (3)
其中，i表示粒子群个体，d表示搜索空间的位数，t为进化代数；w为惯性因子；c1和c2为学习因子，与r1和r2都是均匀分布于[0,1]之间的随机数，Xi,d(t)表示第i个粒子在t次迭代的位置，Vi,d(t)表示为第i个粒子在t次迭代的速度，Pi,d为粒子i个体历史最优位置，Pg,d为粒子群体历史最优位置。
进一步的，步骤(S4)中，对各子区域对应的数学函数进行参数优化具体是按照最小二乘法的原则，采用PSO算法对p0～p9进行优化确定，优化目标是使得经PSO优化得到的最优参数p0～p9代入上述式(1)后，计算得到的阈值与历史火点像素判定阈值之间的均方差最小。
以湖南省某一网格子区域近5年11月至次年6月山火高发季的共325次历史山火监测数据为样本，采用上述方法得到数学函数后，采用粒子群优化算法对数学函数进行参数优化的优化过程中参数取值如下：粒子种群规模i为60，搜索空间的位数d为9，迭代次数t为1000，学习因子c1和c2都取2.05，惯性因子w取0.9，经过迭代优化，得到山火判断阈值的数学模型为：
其中，x1为火点发生月份，x2为火点发生当地面最低温度，x3为火点发生当天地面最高温度。
各子区域在当前判识时刻的两个当前地面温度因素通过气象局发布的各监测站点数据获得。将历史火点像素判定阈值与经数学模型计算的结果进行分析，历史火点像素判定阈值与数学模型计算的阈值的均方差仅为1.37，数学模型计算的结果与实际数值吻合度非常高，完全满足判断阈值的计算需求。假设山火判定当天的地表参数值为(4,12.5,18)，即4月份，地面最低温度12.5℃，地面最高温度18℃，模型计算得到的判定阈值为311.2；假设山火判定当天的地表参数值为(7,30,35)，即7月份，地面最低温度30℃，地面最高温度35℃，山火判定阈值为319.1；假设山火判定当天的地表参数值为(12,2,8)，即12月份，地面最低温度2℃，地面最高温度8℃，山火判定阈值为307.3。根据上述山火判断阈值，对子区域内各像素点进行山火判识，当像素点的4微米通道值大于当前计算的山火判断阈值，则判定该像素点发生山火，否则判定该像素点没有发生山火。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。对于本技术领域的技术人员来说，在不脱离本发明技术构思前提下所得到的改进和变换也应视为本发明的保护范围。

Claims (6)

1.一种基于粒子群优化的电网山火卫星自适应判识方法，其特征在于，包括以下步骤：
(S1)将电网山火待判识区域分割成若干个矩形子区域；
(S2)获取各子区域内经过现场火点验证的历史火点监测样本，并确定每一个历史火点的历史火点像素判定阈值，即该历史火点所处像素点在对应卫星影像中4微米通道值；
(S3)统计各子区域内每个历史火点的火点发生月份，以及历史火点当天的地面最高温度和地面最低温度两个地面温度因素，建立各子区域内火点发生月份、两个地面温度因素和历史火点像素判定阈值之间的数学函数；
(S4)按照最小二乘法的原则，采用粒子群优化算法对各子区域对应的数学函数进行参数优化，获得山火判断阈值的数学模型；
(S5)对各子区域的山火情况进行判识，先确定当前判识时刻所属的当前月份，同时根据地面气象数据，获取各子区域当前地面温度因素，结合数学模型计算出当前山火判断阈值；根据当前山火判断阈值对子区域内各像素点进行山火判识，若像素点的4微米通道值大于当前山火判断阈值，则判定该像素点发生山火，否则判定该像素点没有发生山火。
2.根据权利要求1所述的电网山火卫星自适应判识方法，其特征在于，所述步骤(S3)中的数学函数为以下公式(1)：
其中，x1为火点发生月份，x2为火点发生当天地面最低温度，x3为火点发生当天地面最高温度，p0～p9为待确定的常数。
3.根据权利要求2所述的电网山火卫星自适应判识方法，其特征在于，所述步骤(S4)中，粒子群优化算法中个体位置更新公式为以下公式(2)和公式(3)：
Xi,d(t+1)＝Xi,d(t)+Vi,d(t+1) (3)
其中，i表示粒子群个体，d表示搜索空间的位数，t为进化代数；w为惯性因子；c1和c2为学习因子，与r1和r2都是均匀分布于[0,1]之间的随机数；Xi,d(t)表示第i个粒子在t次迭代的位置，Vi,d(t)表示为第i个粒子在t次迭代的速度，Pi,d为粒子i个体历史最优位置，Pg,d为粒子群体历史最优位置。
4.根据权利要求2所述的电网山火卫星自适应判识方法，其特征在于，所述步骤(S4)中，对各子区域对应的数学函数进行参数优化具体是按照最小二乘法的原则，采用PSO算法对p0～p9进行优化确定，优化目标是使得经PSO优化得到的最优参数p0～p9代入上述公式(1)后，计算得到的阈值与历史火点像素判定阈值之间的均方差最小。
5.根据权利要求1所述的电网山火卫星自适应判识方法，其特征在于，所述步骤(S1)中，将电网山火检测识别区域按经纬度分割呈若干个1°×1°的矩形子区域。
6.根据权利要求1所述的电网山火卫星自适应判识方法，其特征在于，各子区域在当前判识时刻的地面温度因素通过气象局发布的各监测站点数据获得。
CN201910251484.XA 2019-03-29 2019-03-29 一种基于粒子群优化的电网山火卫星自适应判识方法 Pending CN110008890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910251484.XA CN110008890A (zh) 2019-03-29 2019-03-29 一种基于粒子群优化的电网山火卫星自适应判识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910251484.XA CN110008890A (zh) 2019-03-29 2019-03-29 一种基于粒子群优化的电网山火卫星自适应判识方法

Publications (1)

Publication Number Publication Date
CN110008890A true CN110008890A (zh) 2019-07-12

Family

ID=67169063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910251484.XA Pending CN110008890A (zh) 2019-03-29 2019-03-29 一种基于粒子群优化的电网山火卫星自适应判识方法

Country Status (1)

Country Link
CN (1) CN110008890A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103698646A (zh) * 2013-12-23 2014-04-02 首都师范大学 模具电加热丝断点红外检测方法
JP2014182665A (ja) * 2013-03-20 2014-09-29 Hochiki Corp 警報システム
CN104408706A (zh) * 2014-09-30 2015-03-11 天津艾思科尔科技有限公司 一种基于双波段图像的火灾检测及定位方法
CN106530578A (zh) * 2016-09-19 2017-03-22 上海波汇科技股份有限公司 一种感温火灾报警系统的阈值处理方法
US20170147884A1 (en) * 2015-11-25 2017-05-25 A.M. GENERAL CONTRACTOR S.p.A. Infrared radiation fire detector with composite function for confined spaces
CN108458790A (zh) * 2018-01-18 2018-08-28 上海瀚莅电子科技有限公司 火场危险程度及火源点确定方法、装置及头戴设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014182665A (ja) * 2013-03-20 2014-09-29 Hochiki Corp 警報システム
CN103698646A (zh) * 2013-12-23 2014-04-02 首都师范大学 模具电加热丝断点红外检测方法
CN104408706A (zh) * 2014-09-30 2015-03-11 天津艾思科尔科技有限公司 一种基于双波段图像的火灾检测及定位方法
US20170147884A1 (en) * 2015-11-25 2017-05-25 A.M. GENERAL CONTRACTOR S.p.A. Infrared radiation fire detector with composite function for confined spaces
CN106530578A (zh) * 2016-09-19 2017-03-22 上海波汇科技股份有限公司 一种感温火灾报警系统的阈值处理方法
CN108458790A (zh) * 2018-01-18 2018-08-28 上海瀚莅电子科技有限公司 火场危险程度及火源点确定方法、装置及头戴设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NIZAR HAMADEH 等: "Studying the factors affecting the risk of forest fire occurrence and applying neural networks for prediction", 《2015 SAI INTELLIGENT SYSTEMS CONFERENCE (INTELLISYS)》 *
陆佳政 等: "输电线路山火监测预警系统的研究及应用", 《电力系统保护与控制》 *

Similar Documents

Publication Publication Date Title
CN106022592B (zh) 一种用电行为异常检测与治安风险预警方法及装置
CN111614316B (zh) 光伏系统发电状态监测方法及其装置
CN102566435B (zh) 一种光伏电站的性能预报及故障报警方法
US10222196B2 (en) Electric power system monitoring device and electric power system monitoring system
Leva et al. PV module fault diagnosis based on microconverters and day-ahead forecast
CN117411189B (zh) 一种微电网协调控制器的监测数据增强方法
CN110071692B (zh) 光伏组件故障判定方法、装置及控制器
CN106777984A (zh) 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
JP6205329B2 (ja) 系統安定度監視装置および系統安定度監視システム
CN110363432A (zh) 基于改进熵权-灰色关联的配电网可靠性影响分析方法
CN117318111B (zh) 一种基于天气预测的光储能源动态调节方法及系统
CN107730395A (zh) 一种针对低压用户的基于用电量偏差率的用电异常检测方法
CN101369322B (zh) 基于混沌理论的供热负荷区间预报法
CN109902666A (zh) 一种基于二维otsu的电网山火潜在火点识别方法
CN110008890A (zh) 一种基于粒子群优化的电网山火卫星自适应判识方法
US11860213B2 (en) Method, system and software product to identify installations likely to exhibit an electrical non-conformity
CN112257329A (zh) 一种判定台风对线路影响的方法
Schell et al. Dynamic prediction of energy delivery capacity of power networks: Unlocking the value of real-time measurements
TW201727559A (zh) 再生能源電廠的管理方法與系統
Huang et al. Prediction algorithm for power outage areas of affected customers based on CNN-LSTM
CN113159550A (zh) 一种适用于碹窑民居的房屋安全性鉴定方法及鉴定系统
CN113191535A (zh) 一种大风灾害预警中设计风速修正方法
Peña et al. Online data-driven detection of phase changes in evolving distribution systems
CN110428190A (zh) 一种计及山火灾害影响的输电线路故障概率在线评估方法
JP2015169484A (ja) 気象予測装置、気象予測システム

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: 20190712