CN113762805A - 一种应用于输电线路的山林火灾预警方法 - Google Patents

Abstract

本发明公开了一种应用于输电线路的山林火灾预警方法，包括获取历史山林火灾样本库，并进行特征筛选，获得最终历史山火样本库；将最终历史山火样本库中的所有样本划分为训练集和测试集，并计算样本失衡比例；构建火灾风险评估模型的总目标函数；构建第一棵决策树；确定第一棵树结构后，计算各叶子节点的权重；在第一棵树的基础上，逐个构建若干棵树，并进行训练；根据训练好的若干棵决策树，获得山林火灾风险评估最终模型；并对山林火灾发生风险进行实时预测。本发明利用多维二元数组对线路通道内植被类型进行描述，将字符类特征信息转化为数值特征；降低了样本库的特征复杂度。本发明提高了评价山林火灾风险的准确性和效率。

Description

一种应用于输电线路的山林火灾预警方法

技术领域

本发明属于高压输电线路山林防火领域，具体涉及一种应用于输电线路的山林火灾预警方法。

背景技术

我国输电线路通常输电距离较长、跨越地形复杂，各种自然、人为因素对输电线路的安全运行造成威胁，其中山林火灾是最为常见的威胁之一。火灾一旦蔓延至输电线路附近，会降低输电线路的绝缘水平，引发输电线路跳闸等问题。目前，对于输电线路山火防治方面的工作主要可以分为以下两个方面：山火实时监控和山火风险评估。在山火实时监控方面，常利用视频监控、气象雷达、卫星遥感等方式，在山火发生刚起燃时快速定位火源位置，从而向检修、消防人员发出火灾警报。然而，由于视频监控和卫星监控设备无法对输电线路全段进行无死角覆盖，且数据传输对通信网络要求较高，不可避免地出现信号延迟等问题，从而，造成山火预警的滞后甚至漏报。此外，由于山林地区地形复杂，山火发生时即使能够准确定位火源位置，运维、消防人员也难以及时到达现场并进行灭火处理。山火风险评估通常对所有线路的山火风险进行评估，筛选高风险线路，并提醒运维人员及时进行维护。然而目前已有山林火灾风险评估较为依赖现场运维专家的经验，难免存在主观因素的影响。

发明内容

本发明的目的在于提供一种应用于输电线路的山林火灾预警方法，该方法能够准确高效地对输电线路的山林火灾风险进行评价。

本发明提供的这种应用于输电线路的山林火灾预警方法，包括如下步骤：

S1.获取历史山林火灾样本库，并进行特征筛选，获得最终历史山火样本库；

S2.将最终历史山火样本库中的所有样本划分为训练集和测试集，并计算样本失衡比例；

S3.构建火灾风险评估模型的总目标函数；

S4.构建第一棵决策树，逐一计算火灾特征作为备选分裂节点时的分裂增益；

S5.确定第一棵树结构后，计算各叶子节点的权重；

S6.在第一棵树的基础上，逐个构建若干棵树，每棵树选取前一棵树预测结果与真实结果的残差作为目标进行训练；

S7.根据训练好的若干棵决策树，获得山林火灾风险评估最终模型；

S8.采用山林火灾风险评估最终模型，对山林火灾发生风险进行实时预测。

所述的步骤S1，历史山林火灾样本库包括历史天气数据和输电线路通道内植被种类；历史天气数据的特征包括最高温度、最低温度、平均温度、湿度、风速、风级、风向角度、气压、能见度和日降雨量特征；将输电线路通道内植被的类型进行分类，包括林地、草地、田地和坟地；最终历史山火样本库的样本特征包括：山火发生日期、最高温度、湿度、风速、风向角度、能见度、日降雨量、植被类型和山火标志。

所述的特征筛选包括通过计算各特征之间的相关系数进行特征筛选，特征之间的相关系数的计算方法为：

其中，ρ_s表示特征之间的相关系数；d_m表示特征种类；n表示样本数量；m表示特征编号；N表示特征总数。

所述的步骤S2，包括将最终历史山火样本库中的所有样本按照设定比例划分为训练集和测试集；根据训练集中历史山火样本数量和正常样本数量，计算样本失衡比例：

其中，β为样本失衡比例；N₊表示山火样本数量；N_-表示正常样本数量。

所述的步骤S3，包括计算总目标函数O_bj：

其中，n表示样本数量；i表示样本编号；k表示树的编号；K表示树的总数；y_i′表示预测模型输出的预测值；y_i表示样本的真实值；Ω(f_k)表示正则化项；f_k表示第k棵树；l(y′_i,y_i)表示预测值和真实值之间的损失函数：

l(y′_i,y_i)＝α_i(y′_i-y_i)²

其中，α_i表示样本惩罚系数，当样本为山火样本时，α_i＝β，当样本为正常运行样本时，α_i＝1；β为样本失衡比例；y_i′表示预测模型输出的预测值；y_i表示样本的真实值；

计算正则化项Ω(f_k)：

其中，γ和λ表示超参数；T表示叶子节点数目；f_k表示第k棵树；w_j表示叶子节点的权重，j表示叶子节点的编号。

所述的步骤S4，火灾特征包括各历史天气特征和植被特征，计算各历史天气特征和植被特征作为备选分裂节点时的分裂增益G：

其中，γ和λ表示超参数；I表示所有节点的集合；I_R表示分裂之后的右节点集；I_L表示分裂之后的左节点集；i表示样本编号；g_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的一阶导数，y′_i ⁽⁰⁾表示初始预测模型输出的预测值；h_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的二阶导数；令y′_i ⁽⁰⁾＝0，则g_i＝-2α_iy_i和h_i＝0；y_i表示样本的真实值；逐个确定第一棵树各层的分裂节点时的分裂增益，即各历史天气特征和植被特征作为备选分裂节点时的分裂增益，确定第一棵树的结构。

所述的步骤S5，包括计算各叶子节点的权重w_j：

其中，λ表示超参数；I_L表示分裂之后的左节点集；i表示样本编号；g_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的一阶导数，y′_i ⁽⁰⁾表示初始预测模型输出的预测值；h_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的二阶导数；I_j表示落在叶子j上的所有样本，即I_j＝{i|q(x_i)＝j}，x_i表示第i个样本，q(x_i)表示第i个样本在树中的位置。

所述的步骤S6，包括在第一棵树的基础上，逐个构建第2棵、第3棵、…、第k棵树，每棵树选取前一棵树预测结果y′_i ^(k-1)与前一棵树的真实结果

的残差作为目标进行训练；第k-1棵树对样本i的残差r_i ^(k-1)为：

其中，x_i表示第i个样本；f_k(x_i)表示第k棵决策树对样本i的预测值；y′_i ^(k-1)表示第k-1棵树的预测模型输出的预测值；

表示第k-1棵树的样本的真实值；当计算各历史天气特征和植被特征作为备选分裂节点时的分裂增益G和计算各叶子节点的权重w_j时，g_i ^(k-1)表示损失函数l(y′_i ^(k-1),y_i)对y′_i ^(k-1)的一阶导数，y′_i ^(k-1)表示第k-1棵树的预测模型输出的预测值；h_i表示损失函数l(y′_i ^(k-1),y_i)对y′_i ⁽⁰⁾的二阶导数；同时g_i＝-2α_i(y_i'^(k-1)-y_i)和h_i＝2α_i。

所述的步骤S7，获得达到预设准确率的山林火灾风险评估最终模型：

其中，x_i表示第i个样本；K表示树的总数；f_k(x_i)表示第k棵决策树对样本i的预测值；y′_i表示预测模型输出的预测值；F表示所有决策树的集合；并根据测试集的准确性对训练过程中的参数进行调整。

本发明提供的这种应用于输电线路的山林火灾预警方法，利用多维二元数组对线路通道内植被类型进行描述，将字符类特征信息转化为数值特征；此外，对历史天气数据进行了降维处理，降低了样本库的特征复杂度。考虑山火样本和正常运行样本之间的比例，提出了样本失衡比例的计算方法，构建了带有惩罚系数的代价函数，在风险评估模型训练过程中，评估模型将更加注重对山火样本的学习，从而削弱了样本失衡对模型预测能力的不利影响，提高了模型的泛化能力。同时，本发明成本低，能够预先对各输电线路的山火发生风险等级进行评估，从而有针对性地增强高风险线路的山火防护工作，降低输电线路山火发生的概率和跳闸风险。

附图说明

图1为本发明方法的流程示意图。

图2为本发明方法的训练过程示意图。

具体实施方式

如图1为本发明方法的流程示意图：本发明提供的这种应用于输电线路的山林火灾预警方法，包括如下步骤：

S1.获取历史山林火灾样本库，并进行特征筛选，获得最终历史山火样本库；

S2.将最终历史山火样本库中的所有样本划分为训练集和测试集，并计算样本失衡比例；

S3.构建火灾风险评估模型的总目标函数；

S4.构建第一棵决策树，逐一计算各历史天气特征和植被特征作为备选分裂节点时的分裂增益；

S5.确定第一棵树结构后，计算各叶子节点的权重；

S6.在第一棵树的基础上，逐个构建第2棵、第3棵、…、第k棵树，每棵树选取前一棵树预测结果与真实结果的残差作为目标进行训练；

S7.根据训练好的K棵决策树，获得山林火灾风险评估最终模型；

S8.采用山林火灾风险评估最终模型，对山林火灾发生风险进行实时预测。

所述的步骤S1，历史山林火灾样本库包括历史天气数据和输电线路通道内植被；历史天气数据的特征包括最高温度、最低温度、平均温度、湿度、风速、风级、风向角度、气压、能见度、日降雨量等特征；步骤S1中，特征筛选包括通过计算各特征之间的相关系数进行特征筛选，特征之间的相关系数的计算方法为：

其中，ρ_s表示特征之间的相关系数；d_m表示特征种类；n表示样本数量；m表示特征编号；N表示特征总数。

将输电线路通道内植被的类型进行分类，包括林地、草地、田地和坟地；在本实施例中采用4个状态为表征各类植被，每个状态位只有0或1两种选择，若某段线路含有某类植被，则对应的状态位置1，否则置0；若某线路通道内为茅草和松树混合的情况，采用[1100]表示，其他的植被以此类推。

最终历史山火样本库的样本特征包括：山火发生日期、最高温度、湿度、风速、风向角度、能见度、日降雨量、植被类型和山火标志；其中当样本为山火发生样本时，山火标志置1，正常运行样本置0。

如图2为本发明方法的训练过程示意图。所述的步骤S2，包括将最终历史山火样本库中的所有样本按照7:3的比例划分为训练集和测试集；根据训练集中历史山火样本数量和正常样本数量，计算样本失衡比例：

其中，β为样本失衡比例；N₊表示山火样本数量；N_-表示正常样本数量。

所述的步骤S3，包括计算总目标函数O_bj：

其中，n表示样本数量；i表示样本编号；k表示树的序号；K表示树的总数；y′_i表示预测模型输出的预测值；y_i表示样本的真实值；Ω(f_k)表示正则化项；f_k表示第k棵树；l(y′_i,y_i)表示预测值和真实值之间的损失函数：

l(y′_i,y_i)＝α_i(y′_i-y_i)²

其中，α_i表示样本惩罚系数，当样本为山火样本时，α_i＝β，当样本为正常运行样本时，α_i＝1；β为样本失衡比例；y_i′表示预测模型输出的预测值；y_i表示样本的真实值；

计算正则化项Ω(f_k)：

其中，γ和λ表示超参数；T表示叶子节点数目；f_k表示第k棵树；w_j表示叶子节点的权重，j表示叶子节点的编号。

所述的步骤S4，包括：

其中，G表示各历史天气特征和植被特征作为备选分裂节点时的分裂增益；γ和λ表示超参数；I表示所有节点的结合；I_R表示分裂之后的右节点集；I_L表示分裂之后的左节点集；i表示样本编号；g_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的一阶导数，y′_i ⁽⁰⁾表示初始预测模型输出的预测值；h_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的二阶导数；令y′_i ⁽⁰⁾＝0，则g_i＝-2α_iy_i和h_i＝0；y_i表示样本的真实值；逐个确定第一棵树各层的分裂节点时的分裂增益，即各历史天气特征和植被特征作为备选分裂节点时的分裂增益，确定第一棵树的结构。

所述的步骤S5，包括计算各叶子节点的权重w_j：

其中，λ表示超参数；I_L表示分裂之后的左节点集；i表示样本编号；g_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的一阶导数，y′_i ⁽⁰⁾表示初始预测模型输出的预测值；h_i表示损失函数l(y′_i ⁽⁰⁾,y_i)对y′_i ⁽⁰⁾的二阶导数；I_j表示落在叶子j上的所有样本，即I_j＝{i|q(x_i)＝j}，x_i表示第i个样本，q(x_i)表示第i个样本在树上所处的位置。

所述的步骤S6，包括在第一棵树的基础上，逐个构建第2棵、第3棵、…、第k棵树，每棵树选取前一棵树预测结果y′_i ^(k-1)与前一棵树的真实结果

的残差作为目标进行训练；第k-1棵树对样本i的残差r_i ^(k-1)为：

其中，x_i表示第i个样本；f_k(x_i)表示第k棵决策树对样本i的预测值；y′_i ^(k-1)表示第k-1棵树的预测模型输出的预测值；y_i ^(k-1)表示第k-1棵树的样本的真实值；当计算各历史天气特征和植被特征作为备选分裂节点时的分裂增益G和计算各叶子节点的权重w_j时，g_i ^(k-1)表示损失函数l(y′_i ^(k-1),y_i)对y′_i ^(k-1)的一阶导数，y′_i ^(k-1)表示第k-1棵树的预测模型输出的预测值；h_i表示损失函数l(y′_i ^(k-1),y_i)对y′_i ⁽⁰⁾的二阶导数；同时g_i＝-2α_i(y_i'^(k-1)-y_i)和h_i＝2α_i。

所述的步骤S7，获得达到预设准确率的山林火灾风险评估最终模型：

其中，x_i表示第i个样本；K表示树的总数；f_k(x_i)表示第k棵决策树对样本i的预测值；y′_i表示预测模型输出的预测值；F表示所有决策树的集合；并根据测试集的准确性对训练过程中的参数进行调整。

Claims (10)

1.一种应用于输电线路的山林火灾预警方法，其特征在于包括如下步骤：

S1.获取历史山林火灾样本库，并进行特征筛选，获得最终历史山火样本库；

S2.将最终历史山火样本库中的所有样本划分为训练集和测试集，并计算样本失衡比例；

S3.构建火灾风险评估模型的总目标函数；

S4.构建第一棵决策树，逐一计算火灾特征作为备选分裂节点时的分裂增益；

S5.确定第一棵树结构后，计算各叶子节点的权重；

S6.在第一棵树的基础上，逐个构建若干棵树，每棵树选取前一棵树预测结果与真实结果的残差作为目标进行训练；

S7.根据训练好的若干棵决策树，获得山林火灾风险评估最终模型；

S8.采用山林火灾风险评估最终模型，对山林火灾发生风险进行实时预测。

2.根据权利要求1所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S1，历史山林火灾样本库包括历史天气数据和输电线路通道内植被类型；历史天气数据的特征包括最高温度、最低温度、平均温度、湿度、风速、风级、风向角度、气压、能见度和日降雨量特征；将输电线路通道内植被的类型进行分类，包括林地、草地、田地和坟地；最终历史山火样本库的样本特征包括：山火发生日期、最高温度、湿度、风速、风向角度、能见度、日降雨量、植被类型和山火标志。

3.根据权利要求2所述的应用于输电线路的山林火灾预警方法，其特征在于所述的特征筛选包括通过计算各特征之间的相关系数进行特征筛选，特征之间的相关系数的计算方法为：

其中，ρ_s表示特征之间的相关系数；d_m表示特征种类；n表示样本数量；m表示特征编号；N表示特征总数。

4.根据权利要求3所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S2，包括将最终历史山火样本库中的所有样本按照设定比例划分为训练集和测试集；根据训练集中历史山火样本数量和正常样本数量，计算样本失衡比例：

其中，β为样本失衡比例；N₊表示山火样本数量；N_-表示正常样本数量。

5.根据权利要求4所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S3，包括计算总目标函数O_bj：

其中，n表示样本数量；i表示样本编号；k表示第k棵树的序号；K表示树的总数；y′_i表示预测模型输出的预测值；y_i表示样本的真实值；Ω(f_k)表示正则化项；f_k表示第k棵树；l(y′_i,y_i)表示预测值和真实值之间的损失函数：

l(y′_i,y_i)＝α_i(y′_i-y_i)²

其中，α_i表示样本惩罚系数，当样本为山火样本时，α_i＝β，当样本为正常运行样本时，α_i＝1；β为样本失衡比例；y′_i表示预测模型输出的预测值；y_i表示样本的真实值；

计算正则化项Ω(f_k)：

其中，γ和λ表示超参数；T表示叶子节点数目；f_k表示第k棵树；w_j表示叶子节点的权重，j表示叶子节点的编号。

6.根据权利要求5所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S4，火灾特征包括各历史天气特征和植被特征，计算各历史天气特征和植被特征作为备选分裂节点时的分裂增益G：

其中，γ和λ表示超参数；I表示所有节点的集合；I_R表示分裂之后的右节点集；I_L表示分裂之后的左节点集；i表示样本编号；g_i表示损失函数

对

的一阶导数，

表示初始预测模型输出的预测值；h_i表示损失函数

对

的二阶导数；令

则g_i＝-2α_iy_i和h_i＝0；y_i表示样本的真实值；逐个确定第一棵树各层的分裂节点时的分裂增益，确定第一棵树的结构。

7.根据权利要求6所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S5，包括计算各叶子节点的权重w_j：

其中，λ表示超参数；I_L表示分裂之后的左节点集；i表示样本编号；g_i表示损失函数

对

的一阶导数，

表示初始预测模型输出的预测值；h_i表示损失函数

对

的二阶导数；I_j表示落在叶子j上的所有样本，即I_j＝{i|q(x_i)＝j}，x_i表示第i个样本，q(x_i)表示第i个样本在树中的位置。

8.根据权利要求7所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S6，包括在第一棵树的基础上，逐个构建第2棵、第3棵、…、第k棵树，每棵树选取前一棵树预测结果与前一棵树的真实结果的残差作为目标进行训练。

9.根据权利要求8所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S6，具体包括每棵树选取前一棵树预测结果

与前一棵树的真实结果

的残差作为目标进行训练；第k-1棵树对样本i的残差

为：

其中，x_i表示第i个样本；f_k(x_i)表示第k棵决策树对样本i的预测值；

表示第k-1棵树的预测模型输出的预测值；

表示第k-1棵树的样本的真实值；当计算各历史天气特征和植被特征作为备选分裂节点时的分裂增益G和计算各叶子节点的权重w_j时，g_i ^(k-1)表示损失函数

对

的一阶导数，

表示第k-1棵树的预测模型输出的预测值；h_i表示损失函数

对

的二阶导数；同时

和h_i＝2α_i。

10.根据权利要求9所述的应用于输电线路的山林火灾预警方法，其特征在于所述的步骤S7，获得达到预设准确率的山林火灾风险评估最终模型：

其中，x_i表示第i个样本；K表示树的总数；f_k(x_i)表示第k棵决策树对样本i的预测值；y′_i表示预测模型输出的预测值；F表示所有决策树的集合；并根据测试集的准确性对训练过程中的参数进行调整。

Images