CN113762090A - 一种特高压密集输电通道灾害监测预警方法 - Google Patents
一种特高压密集输电通道灾害监测预警方法 Download PDFInfo
- Publication number
- CN113762090A CN113762090A CN202110940768.7A CN202110940768A CN113762090A CN 113762090 A CN113762090 A CN 113762090A CN 202110940768 A CN202110940768 A CN 202110940768A CN 113762090 A CN113762090 A CN 113762090A
- Authority
- CN
- China
- Prior art keywords
- data
- disaster
- power transmission
- deformation
- remote sensing
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000009877 rendering Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000519995 Stachys sylvatica Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种特高压密集输电通道灾害监测预警方法，包括如下步骤：步骤S1：通过北斗卫星、干涉雷达获某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据；步骤S2：将多源影像数据统一到相同坐标系下进行空间配准；步骤S3：对空间配准后的多源遥感影像数据进行信息融合,应用AI影像识别、人工智能和精细化建模技术构建某一区域内的输电线路三维可视化模型。步骤S4：根据地表数据和历史灾害资料建立并训练灾害预警模型；步骤S5：进行地表区域变形分析和疑似灾害点识别。基于北斗与干涉雷达等多源数据影像进行特高压密集输电通道灾害监测，通过地表区域变形分析和疑似灾害点识别，提高了大电网安全运行水平。
Description
技术领域
本发明涉及信号报警领域，尤其涉及一种特高压密集输电通道灾害监测预警方法。
背景技术
湖州境内特高压密集输电通道西起湖州市长兴县，东至江苏省吴江市，通道全长110公里，通道内架设有±800千伏直流线路、1000千伏交流线路、±500千伏直流线路各2回，额定输送容量2980万千瓦。通道内线路采用“共用廊道、平行架设”的方式，最窄处通道宽度仅为300米，属于典型的密集输电通道。该通道已成为我国西电东送、北电南供、水火共济、交直互补的电力资源输送大动脉。
由于特高压交直流输电线路输送功率大、输电距离长，沿途地质、气候、环境等因素复杂，易受恶劣天气、自然灾害的影响。近年来，大范围极端气候和局部异常天气频繁发生，给特高压通道安全运行带来严重威胁，电网安全运行压力巨大，运维保障工作面临严峻考验。
输电线路在日常运行维护过程中，面临灾害排查工作效率低、基层班组巡查工作量大、人工监测区域受限且频次低、应急抢救时效性差、灾害治理滞后等突出问题。
发明内容
本发明是为了克服现有技术的输电线路在日常运行维护过程中，面临灾害排查工作效率低、基层班组巡查工作量大、人工监测区域受限且频次低、应急抢修时效性差、灾害治理滞后等突出问题，提供一种基于北斗与干涉雷达通过人工智能对地表区域变形分析和疑似灾害点识别的特高压密集输电通道灾害监测预警方法。
为实现上述目的，本发明采用以下技术方案：
一种特高压密集输电通道灾害监测预警方法，包括如下步骤：
步骤S1：通过北斗卫星、干涉雷达获取某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据；
步骤S2：将多源影像数据统一到相同坐标系下进行空间配准；
步骤S3：对空间配准后的多源遥感影像数据进行信息融合；
步骤S4：根据地表数据和历史灾害资料建立并训练灾害预警模型；
步骤S5：进行地表区域变形分析和疑似灾害点识别。
其中多元遥感影像数据还包括结合设备物联网技术，建立多源立体智能感知体系，通过设备物联网技术支撑传感智能监测和大数据深度融合应用。多元遥感影像数据还包括激光点云和倾斜摄影等数据；对空间配准后的多源遥感影像数据进行信息融合包括应用AI影像识别、人工智能和精细化建模技术构建某一区域内的输电线路三维可视化模型。然后根据地表数据和历史灾害资料建立并训练灾害预警模型包括基于激光点云分类进行智能化地物筛选，对样本进行训练和管理，最终形成灾害资料样本数据库及灾害预测模型。
作为优选，步骤S4所述的地表数据包括某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据。全面整合集成管理输电线路的信息资源，减少输电线路故障发生，降低了线路运维管理成本，提高了电网安全运行水平。
作为优选，步骤S4所述的历史灾害资料包括历史滑坡资料、历史沉降资料和采矿活动资料。根据当地地质及历史灾害特点有针对性的指定灾害防护预案，提高监测预警的有效性。
作为优选，步骤S5所述的区域地表变形分析包括将地表变形方式分为单线性形变、双线型形变、季节形变、指数形变和阶梯形变并建立对应的形变函数模型。对监测结果的空间和时间变形特征进行识别，确认研究区变形较为严重的区域，并根据地理资料确定形变区对应的地理位置，采集监测点的变形特征包括变形速率、累计变形量和变形类型，根据变形特征将地表变形进行分类。
作为优选，步骤S5所述的区域地表变形分析还包括监测地表变形点，将地表变形点整合形成地表变形序列，采用T检验法，判别与地表变形序列的拟合度最高的形变函数模型，根据地表变形序列判别出形变函数模型的模型参数。所述T检验法用于针对地表变形序列检验不同形变模型参数的合理性，实现形变函数模型的判断和形变模型参数的估计。获取地表变形序列时还包括对地表变形序列进行处理，首先需要使不同轨道下InSAR即干涉雷达监测成果数据统一在相同的坐标系中形成InSAR变形序列，使监测成果数据具有相同的空间参考基准，同时达到与光学影像、地形数据等融合的目的；然后基于收集的环境温度、地下水等资料数据，开展外界环境因素与InSAR变形序列的相关性分析，去除由于热膨胀效应、地下水位变动等外界因素导致的系统性形变量。
作为优选，步骤S5所述的疑似灾害点识别包括设定地质灾害评价指标，所述地质灾害评价指标包括地质灾害影响因素，所述地质灾害影响因素包括内在因素、外在因素和历史状况；将地质灾害评价指标与历史灾害资料进行叠加，通过AHP层次分析法得出某一区域内地质灾害影像因素评价指标体系。其中内在因素分为若干评价因子包括：地形地貌C1、地质构造C2和地层岩性C3；外在因素的影响因子包括：年降雨量C4、到河流距离C5、植被覆盖率C6和人类活动C7；历史状况的影响因子包括滑坡密度C8和滑坡规模C9。
作为优选，所述某一区域内地质灾害影像因素评价指标体系还包括将某一区域分为若干单元，对每一个单元的所有地质灾害影响因素设定量化评价因子，计算地质灾害危险指数Qj：
其中，Qj为第j单元的危险性指数；wi为地质灾害i类因素的权重；vi为地质灾害危险程度的i类因素的评分。
作为优选，还包括根据多源遥感影像数据构建某一区域内的输电线路三维可视化模型，包括如下步骤：
步骤S31：根据多源遥感影像数据，对所述某一区域内的输电线路进行实景重构；
步骤S32：采用激光点云分类进行智能化地物筛选，对遥感影像中的目标进行矢量标注，形成矢量格式的样本；
步骤S33：构建卷积神经网络模型，将样本分成训练样本和验证样本，利用深度学习框架和训练样本对卷积神经网络模型进行训练，利用验证样本对卷积神经网络模型进行精度验证。
由于多元遥感影像受到天气等因素的影响，导致影像会有白斑等问题，这时需要先对影像进行预处理，如校正、降噪、去云等从而更好地进行影像筛选。
应用AI智能识别技术进行模型训练、数据预测、样本管理和模型管理的可视化操作，同时提供处理预测和训练任务管理方案以及模型、样本等辅助管理，对数据预测和模型训练采用任务调度的管理模式并支持多种数据库切换调用。使用深度学习框架来解译分析遥感影像，从而解决目标识别及地物分类的问题。利用深度学习框架能够方便快速地构建深度神经网络模型，并且针对不同的应用场景有多种神经网络模型可供选择；同时，深度学习框架还可以使用GPU、计算机集群甚至云环境的计算资源，从而能有效地应对大量运算分析问题。
作为优选，所述步骤S31还包括采用基于四叉树结构的多分辨率细节层次模型将所述某一区域分隔成若干个大小不同的正方形地块，对地块进行渲染。采用基于四叉树结构的多分辨率细节层次模型对数据进行动态调度。采用四叉树的分割可以提高绘制率，将地形分割成一个个大小不同的地块，通过渲染大小不同的正方形地块，达到不同细节层级渲染的目的，有效简化、控制场景的数据复杂度。
作为优选，所述实景重构还包括采用LOD技术对多元遥感影像数据进行分层形成若干数据层，对多元遥感影像数据进行不同精度的简化生成模型数据，并将不同精度简化的模型数据分别存入数据层中。使用LOD技术对多源遥感影像数据进行分层简化和重采样，实现在不同视点距离条件下不同细节层次的数据三维可视化显示，为进一步减少内存中载入的三维数据量，使用当前视点视景体对场景进行切割。根据视点坐标和视线方向，计算视景体与地形平均水平面相交的平面区域范围，得到场景可见区域及最佳地形分辨率。同时根据场景计算结果，调度细节层次模型中的多分辨率空间数据。在系统实时交互时，进行请求预测，建立数据缓冲区，并使用内存映射文件和多线程技术实现数据的快速读取。对最终读取到内存中的三维数据使用OpenGL技术进行绘制与渲染，完成虚拟线路环境的三维可视化。
因此，本发明具有如下有益效果：(1)通过地表区域变形分析和疑似灾害点识别，提高特高压密集输电通道自然灾害主动防御能力，避免引起非计划性停电，提高了大电网安全运行水平。(2)基于北斗与干涉雷达等多源数据影像进行特高压密集输电通道灾害监测，并利用信息化手段对灾害进行监测预警，便于及时发出预警信息。(3)实现对输电线路的三维可视化展示，提高了特高压密集输电通道信息化、智能化、数字化水平和精益管理水平，减少了输电线路故障的发生。
附图说明
图1是本发明一实施例灾害点识别流程图。
图2是本发明一实施例T型检验法原理图。
图3是本发明一实施例地质灾害影响因素评价指标体系图。
图4是本发明一实施例灾害监测预警方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例：
如图1～4所示的一种基于北斗与干涉雷达的特高压密集输电通道灾害监测预警方法，
步骤S1：通过北斗卫星、干涉雷达获某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据；其中多元遥感影像数据还包括结合设备物联网技术，建立多源立体智能感知体系，通过设备物联网技术支撑传感智能监测和大数据深度融合应用。多元遥感影像数据还包括激光点云和倾斜摄影等数据；
步骤S2：将多源影像数据统一到相同坐标系下进行空间配准；
步骤S3：对空间配准后的多源遥感影像数据进行信息融合；应用AI影像识别、人工智能和精细化建模技术构建某一区域内的输电线路三维可视化模型。
步骤如下：
步骤S31：根据多源遥感影像数据，对所述某一区域内的输电线路进行实景重构；所述实景重构还包括采用LOD技术对多元遥感影像数据进行分层形成若干数据层，对多元遥感影像数据进行不同精度的简化生成模型数据，并将不同精度简化的模型数据分别存入数据层中。
还包括采用基于四叉树结构的多分辨率细节层次模型将所述某一区域分隔成若干个大小不同的正方形地块，对地块进行渲染。采用基于四叉树结构的多分辨率细节层次模型对数据进行动态调度。采用四叉树的分割可以提高绘制率，将地形分割成一个个大小不同的地块，通过渲染大小不同的正方形地块，达到不同细节层级渲染的目的，有效简化、控制场景的数据复杂度，如下图所示，在不同分辨率比例尺下，同一杆塔模型的渲染细节不同，保证数据的流畅显示。
所述实景重构还包括采用LOD技术对多元遥感影像数据进行分层形成若干数据层，对多元遥感影像数据进行不同精度的简化生成模型数据，并将不同精度简化的模型数据分别存入数据层中。使用LOD技术对多源遥感影像数据进行分层简化和重采样，实现在不同视点距离条件下不同细节层次的数据三维可视化显示，为进一步减少内存中载入的三维数据量，使用当前视点视景体对场景进行切割。根据视点坐标和视线方向，计算视景体与地形平均水平面相交的平面区域范围，得到场景可见区域及最佳地形分辨率。同时根据场景计算结果，调度细节层次模型中的多分辨率空间数据。在系统实时交互时，进行请求预测，建立数据缓冲区，并使用内存映射文件和多线程技术实现数据的快速读取。对最终读取到内存中的三维数据使用OpenGL技术进行绘制与渲染，完成虚拟线路环境的三维可视化。
步骤S32：采用激光点云分类进行智能化地物筛选，对遥感影像中的目标进行矢量标注，形成矢量格式的样本；
步骤S33：构建卷积神经网络模型，将样本分成训练样本和验证样本，利用深度学习框架和训练样本对卷积神经网络模型进行训练，利用验证样本对卷积神经网络模型进行精度验证。
步骤S4：根据地表数据和历史灾害资料建立并训练灾害预警模型；所述的地表数据包括某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据。所述的历史灾害资料包括历史滑坡资料、历史沉降资料和采矿活动资料。
步骤S5：进行地表区域变形分析和疑似灾害点识别。所述的区域地表变形分析包括将地表变形方式分为单线性形变、双线型形变、季节形变、指数形变和阶梯形变并建立对应的形变函数模型。步骤S5所述的区域地表变形分析还包括监测地表变形点，将地表变形点整合形成地表变形序列，采用T检验法，判别与地表变形序列的拟合度最高的形变函数模型，根据地表变形序列判别出形变函数模型的模型参数。所述T检验法用于针对地表变形序列检验不同形变模型参数的合理性，实现形变函数模型的判断和形变模型参数的估计。获取地表变形序列时还包括对地表变形序列进行处理，首先需要使不同轨道下InSAR即干涉雷达监测成果数据统一在相同的坐标系中形成InSAR变形序列，使监测成果数据具有相同的空间参考基准，同时达到与光学影像、地形数据等融合的目的；然后基于收集的环境温度、地下水等资料数据，开展外界环境因素与InSAR变形序列的相关性分析，去除由于热膨胀效应、地下水位变动等外界因素导致的系统性形变量。采用如图2所示的T检验法，判别与地表变形序列的拟合度最高的的形变函数模型，估计根据地表变形序列判别出的形变函数模型的模型参数，图2中H0表示原假设命题、Haj：j参数假设命题、HB：备择假设命题、k：t分布临界值、T：T检验统计量、qj：卡方分布自由度。
所述的疑似灾害点识别包括设定地质灾害评价指标，所述地质灾害评价指标包括地质灾害影响因素，所述地质灾害影响因素包括内在因素、外在因素和历史状况；将地质灾害评价指标与历史灾害资料进行叠加，通过AHP层次分析法得出某一区域内地质灾害影像因素评价指标体系。通过AHP层次分析法得出某一区域内地质灾害影像因素评价指标体系。如图3所示，内在因素分为若干评价因子包括：地形地貌C1、地质构造C2和地层岩性C3；外在因素的影响因子包括：年降雨量C4、到河流距离C5、植被覆盖率C6和人类活动C7；历史状况的影响因子包括滑坡密度C8和滑坡规模C9。
所述某一区域内地质灾害影像因素评价指标体系还包括将某一区域分为若干单元，对每一个单元的所有地质灾害影响因素设定量化评价因子，计算地质灾害危险指数Qj：
其中，Qj为第j单元的危险性指数；wi为地质灾害i类因素的权重；vi为地质灾害危险程度的i类因素的评分。
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。
尽管本文较多地使用了配准、灾害预警模型、多源遥感影像数据、渲染等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (10)
1.一种特高压密集输电通道灾害监测预警方法，其特征是，包括如下步骤：
步骤S1：通过北斗卫星、干涉雷达获某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据；
步骤S2：将多源影像数据统一到相同坐标系下进行空间配准；
步骤S3：对空间配准后的多源遥感影像数据进行信息融合，应用AI影像识别、人工智能和精细化建模技术构建某一区域内的输电线路三维可视化模型；
步骤S4：根据地表数据和历史灾害资料建立并训练灾害预警模型；
步骤S5：进行地表区域变形分析和疑似灾害点识别。
2.根据权利要求1所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，步骤S4所述的地表数据包括某一区域内的地貌、地形、道路、建筑物和输电通道的多源遥感影像数据。
3.根据权利要求2所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，步骤S4所述的历史灾害资料包括历史滑坡资料、历史沉降资料和采矿活动资料。
4.根据权利要求1或3所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，步骤S5所述的区域地表变形分析包括将地表变形方式分为单线性形变、双线型形变、季节形变、指数形变和阶梯形变并建立对应的形变函数模型。
5.根据权利要求4所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，步骤S5所述的区域地表变形分析还包括监测地表变形点，将地表变形点整合形成地表变形序列，采用T检验法，判别与地表变形序列的拟合度最高的的形变函数模型，根据地表变形序列判别出形变函数模型的模型参数。
6.根据权利要求5所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，步骤S5所述的疑似灾害点识别包括设定地质灾害评价指标，所述地质灾害评价指标包括地质灾害影响因素，所述地质灾害影响因素包括内在因素、外在因素和历史状况；将地质灾害评价指标与历史灾害资料进行叠加，通过AHP层次分析法得出某一区域内地质灾害影像因素评价指标体系。
7.根据权利要求6所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，所述某一区域内地质灾害影像因素评价指标体系还包括将某一区域分为若干单元，对每一个单元的所有地质灾害影响因素设定量化评价因子，计算地质灾害危险指数Qj：
其中，Qj为第j单元的危险性指数；wi为地质灾害i类因素的权重；vi为地质灾害危险程度的i类因素的评分。
8.根据权利要求5-7任一条所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，还包括根据多源遥感影像数据构建某一区域内的输电线路三维可视化模型，包括如下步骤：
步骤S31：根据多源遥感影像数据，对所述某一区域内的输电线路进行实景重构；
步骤S32：采用激光点云分类进行智能化地物筛选，对遥感影像中的目标进行矢量标注，形成矢量格式样本；
步骤S33：构建卷积神经网络模型，将样本分成训练样本和验证样本，利用深度学习框架和训练样本对卷积神经网络模型进行训练，利用验证样本对卷积神经网络模型进行精度验证。
9.根据权利要求8所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，所述步骤S31还包括采用基于四叉树结构的多分辨率细节层次模型将所述某一区域分隔成若干个大小不同的正方形地块，对地块进行渲染。
10.根据权利要求8或9所述的一种特高压密集输电通道灾害监测预警方法，其特征在于，所述实景重构还包括采用LOD技术对多元遥感影像数据进行分层形成若干数据层，对多元遥感影像数据进行不同精度的简化生成模型数据，并将不同精度简化的模型数据分别存入数据层中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940768.7A CN113762090B (zh) | 2021-08-16 | 2021-08-16 | 一种特高压密集输电通道灾害监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110940768.7A CN113762090B (zh) | 2021-08-16 | 2021-08-16 | 一种特高压密集输电通道灾害监测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762090A true CN113762090A (zh) | 2021-12-07 |
| CN113762090B CN113762090B (zh) | 2024-03-08 |
Family
ID=78789542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110940768.7A Active CN113762090B (zh) | 2021-08-16 | 2021-08-16 | 一种特高压密集输电通道灾害监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762090B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920438A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
| CN114359500A (zh) * | 2022-03-10 | 2022-04-15 | 西南交通大学 | 一种面向滑坡危险范围预测的三维建模与可视化方法 |
| CN115240082A (zh) * | 2022-09-26 | 2022-10-25 | 四川省冶金地质勘查局水文工程大队 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
| CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
| CN116299466A (zh) * | 2023-05-22 | 2023-06-23 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100207936A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Fusion of a 2d electro-optical image and 3d point cloud data for scene interpretation and registration performance assessment |
| CN202153258U (zh) * | 2011-08-06 | 2012-02-29 | 河北省第一测绘院 | 地质灾害监测预警系统 |
| KR101580062B1 (ko) * | 2014-12-05 | 2015-12-28 | 연세대학교 산학협력단 | 실시간 산사태 예경보 방법 및 시스템 |
| CN108961688A (zh) * | 2018-07-13 | 2018-12-07 | 福建特力惠信息科技股份有限公司 | 一种大数据支持下的地质灾害监测与预警方法 |
| CN110568452A (zh) * | 2019-08-16 | 2019-12-13 | 苏州禾昆智能科技有限公司 | 一种基于场端激光雷达的停车场快速建图方法及其系统 |
| CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学（北京） | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
| CN111880210A (zh) * | 2020-08-05 | 2020-11-03 | 中国南方电网有限责任公司 | 输电线路的地灾监测处理方法和装置、预警系统和设备 |
| CN112711033A (zh) * | 2020-12-09 | 2021-04-27 | 中科视语(北京)科技有限公司 | 边坡安全监测预警装置和预警方法 |
| CN113252700A (zh) * | 2021-07-01 | 2021-08-13 | 湖南大学 | 一种结构裂缝检测方法、设备及系统 |
-
2021
- 2021-08-16 CN CN202110940768.7A patent/CN113762090B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100207936A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Fusion of a 2d electro-optical image and 3d point cloud data for scene interpretation and registration performance assessment |
| CN202153258U (zh) * | 2011-08-06 | 2012-02-29 | 河北省第一测绘院 | 地质灾害监测预警系统 |
| KR101580062B1 (ko) * | 2014-12-05 | 2015-12-28 | 연세대학교 산학협력단 | 실시간 산사태 예경보 방법 및 시스템 |
| CN108961688A (zh) * | 2018-07-13 | 2018-12-07 | 福建特力惠信息科技股份有限公司 | 一种大数据支持下的地质灾害监测与预警方法 |
| CN110568452A (zh) * | 2019-08-16 | 2019-12-13 | 苏州禾昆智能科技有限公司 | 一种基于场端激光雷达的停车场快速建图方法及其系统 |
| CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学（北京） | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
| CN111880210A (zh) * | 2020-08-05 | 2020-11-03 | 中国南方电网有限责任公司 | 输电线路的地灾监测处理方法和装置、预警系统和设备 |
| CN112711033A (zh) * | 2020-12-09 | 2021-04-27 | 中科视语(北京)科技有限公司 | 边坡安全监测预警装置和预警方法 |
| CN113252700A (zh) * | 2021-07-01 | 2021-08-13 | 湖南大学 | 一种结构裂缝检测方法、设备及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 何磊;苗放;唐姝娅;李玉霞;: "无人机遥感图像及其三维可视化在汶川地震救灾中的应用", 物探化探计算技术, no. 02 * |
| 刘立;李长安;高俊华;余德清;夏乐;: "基于北斗与InSAR的地质灾害监测关键问题探讨", 地质科技情报, no. 06 * |
| 陈飞;吴英男;: "基于数字高程模型和遥感影像的三维可视化", 测绘科学, no. 2 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113920438A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
| CN113920438B (zh) * | 2021-12-14 | 2022-03-04 | 武汉大学 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
| CN114359500A (zh) * | 2022-03-10 | 2022-04-15 | 西南交通大学 | 一种面向滑坡危险范围预测的三维建模与可视化方法 |
| CN115240082A (zh) * | 2022-09-26 | 2022-10-25 | 四川省冶金地质勘查局水文工程大队 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
| CN115240082B (zh) * | 2022-09-26 | 2022-12-13 | 四川省冶金地质勘查局水文工程大队 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
| CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
| CN116299438B (zh) * | 2023-01-13 | 2023-12-01 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
| CN116299466A (zh) * | 2023-05-22 | 2023-06-23 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
| CN116299466B (zh) * | 2023-05-22 | 2023-08-22 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762090B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762090B (zh) | 一种特高压密集输电通道灾害监测预警方法 | |
| Liu et al. | Automatic recognition of pavement cracks from combined GPR B-scan and C-scan images using multiscale feature fusion deep neural networks | |
| 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 | |
| Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
| KR102423561B1 (ko) | 디지털 트윈 기반 지능형 댐 안전 관리 시스템 | |
| CN103779808A (zh) | 基于LiDAR的输电线路智能巡检系统 | |
| CN104166163B (zh) | 基于三维大数据量地震数据体的断层曲面自动提取方法 | |
| CN105447766A (zh) | 一种基于gis的三维电网气象信息全景展示方法及其系统 | |
| CN110019595A (zh) | 一种多源气象数据集成方法及系统 | |
| CN112182234B (zh) | 流域防洪规划数据知识图谱构建方法 | |
| CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
| CN102096072A (zh) | 一种城市部件自动化测量方法 | |
| CN112528508B (zh) | 电磁可视化方法和装置 | |
| Esch et al. | Urban remote sensing–how can earth observation support the sustainable development of urban environments? | |
| CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警系统 | |
| CN116011291A (zh) | 一种隧道洞口多源信息融合的边坡稳定性数字化评估平台 | |
| CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
| Karantanellis et al. | 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery | |
| CN111146866A (zh) | 一种输电通道控制方法 | |
| CN109583467A (zh) | 一种电力气象数据融合方法和系统 | |
| CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 | |
| CN117152919A (zh) | 一种基于多源异构综合数据库的气象灾害预警系统 | |
| CN116682045A (zh) | 一种基于智能视频分析的游梁式抽油机故障检测方法 | |
| CN112907567B (zh) | 基于空间推理方法的sar图像有序人造构筑物提取方法 | |
| US20220131375A1 (en) | System and method for energy infrastructure and geospatial data visualization, management, and analysis using environment simulation and virtual realization |
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 |