CN118297394A - 输电线路山火风险分析方法、装置和计算机设备 - Google Patents
输电线路山火风险分析方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN118297394A CN118297394A CN202410429261.9A CN202410429261A CN118297394A CN 118297394 A CN118297394 A CN 118297394A CN 202410429261 A CN202410429261 A CN 202410429261A CN 118297394 A CN118297394 A CN 118297394A
- Authority
- CN
- China
- Prior art keywords
- information
- analyzed
- transmission line
- mountain fire
- area
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 215
- 238000012502 risk assessment Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 141
- 238000012545 processing Methods 0.000 claims description 59
- 238000000605 extraction Methods 0.000 claims description 58
- 230000004927 fusion Effects 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 abstract description 30
- 238000001514 detection method Methods 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 9
- 238000013210 evaluation model Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种输电线路山火风险分析方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。采用本方法,能够提高输电线路山火风险的分析效率。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种输电线路山火风险分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
目前,输电线路是电力系统的重要组成部分。然而,输电线路通常经过山区、森林等自然环境较为复杂的地区,这些地区存在着山火发生的风险。因此,对输电线路进行山火风险分析至关重要。
传统技术中,在对输电线路进行山火风险分析时,主要是通过人工对输电线路的周边环境进行实地巡检;但是,这种人工实地巡检方式比较繁琐,需要耗费大量时间,导致输电线路山火风险的分析效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高输电线路山火风险的分析效率的输电线路山火风险分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种输电线路山火风险分析方法,包括:
获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
在其中一个实施例中,所述根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果,包括:
确定所述山火预测信息对应的第一特征向量以及所述输电线路信息对应的第二特征向量;
对所述第一特征向量和所述第二特征向量进行注意力机制处理,得到所述第一特征向量对应的第一注意力权重和所述第二特征向量对应的第二注意力权重;
根据所述第一注意力权重和所述第二注意力权重,对所述第一特征向量和所述第二特征向量进行融合处理,得到融合特征向量;
对所述融合特征向量进行分类处理,得到所述待分析输电线路的山火风险预测分数;
根据所述山火风险预测分数,确定所述待分析输电线路的山火风险分析结果。
在其中一个实施例中,所述确定所述山火预测信息对应的第一特征向量以及所述输电线路信息对应的第二特征向量,包括:
从所述山火预测信息中提取出关键山火预测信息,以及从所述输电线路信息中提取出关键输电线路信息;
将所述关键山火预测信息输入到与所述关键山火预测信息对应的第一特征提取模型中,得到所述关键山火预测信息对应的特征向量,作为所述第一特征向量;
将所述关键输电线路信息输入到与所述关键输电线路信息对应的第二特征提取模型中,得到所述关键输电线路信息对应的特征向量,作为所述第二特征向量。
在其中一个实施例中,所述将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息,包括:
对所述待分析区域的目标信息进行特征提取处理,得到目标信息特征;
从所述目标信息特征中,提取出关键目标信息特征;
将所述关键目标信息特征输入至预先训练的山火预测模型,得到所述待分析区域的多个维度的山火预测子信息;
根据所述待分析区域的多个维度的山火预测子信息,确定所述待分析区域的山火预测信息。
在其中一个实施例中,所述将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息,还包括:
获取所述样本区域的目标信息对应的山火实际信息;
通过所述预先训练的山火预测模型,确定所述待分析区域的目标信息与所述样本区域的目标信息之间的相似度;
从各所述样本区域的目标信息中,筛选出所述相似度最大的目标信息;
将所述相似度最大的目标信息对应的山火实际信息,作为所述待分析区域的山火预测信息。
在其中一个实施例中,所述获取待分析区域的目标信息,包括:
获取待分析区域的区域信息;
对所述区域信息进行预处理,得到预处理后区域信息;
识别出所述预处理后区域信息对应的数据标识;
从所述预处理后区域信息中,识别出对应的数据标识与所述预设山火指标匹配的区域信息,作为所述待分析区域的目标信息。
第二方面,本申请还提供了一种输电线路山火风险分析装置,包括:
信息获取模块,用于获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
信息预测模块,用于将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
结果确定模块,用于根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
上述输电线路山火风险分析方法、装置、计算机设备、存储介质和计算机程序产品,先获取包含有待分析输电线路的待分析区域的目标信息,再将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息,最后根据山火预测信息和待分析输电线路的输电线路信息,确定待分析输电线路的山火风险分析结果。这样,在对输电线路进行山火风险分析时,通过将待分析区域的目标信息输入预先训练的山火预测模型,可以快速得到待分析区域的山火预测信息,从而可以快速得到待分析输电线路的山火风险分析结果;而且,该方法实现了自动化的预测过程,无需人工进行干预,避免了通过进行人工实地巡检方式,容易耗费大量时间,导致输电线路山火风险的分析效率较低的缺陷,进而提高了输电线路山火风险的分析效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中输电线路山火风险分析方法的流程示意图;
图2为一个实施例中确定待分析输电线路的山火风险分析结果的步骤的流程示意图;
图3为另一个实施例中输电线路山火风险分析方法的流程示意图;
图4为一个实施例中输电线路山火风险分析装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中,如图1所示,提供了一种输电线路山火风险分析方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,获取待分析区域的目标信息;待分析区域中包含有待分析输电线路,目标信息包括与多个预设山火指标匹配的区域信息。
其中,待分析区域是指需要进行分析的地区。在实际场景中,待分析区域是指易发生山火的地区。
其中,目标信息是指待分析区域的与山火相关的区域信息。在实际场景中,目标信息包括但不限于输电线路点云、山火地质灾害分布图、实时杆塔监测及山火地质灾害监测数据(包括倾斜度、杆塔偏移量、时段降水量、湿度、风速、风向、湿度、海拔、坡度、坡向等)的信息。
其中,区域信息是指与待分析区域相关的信息。
其中,待分析输电线路是指需要进行分析的输电线路。
其中,预设山火指标是指预先设定的与山火相关的指标信息,比如温度、湿度、风速等。
示例性地,服务器响应于针对包含有待分析输电线路的待分析区域的山火风险分析指令,从数据库中获取待分析区域的区域信息,并识别出区域信息对应的数据标识;接着,服务器从区域信息中,识别出对应的数据标识与预设山火指标匹配的区域信息,作为待分析区域的目标信息。
步骤S102,将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息;预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到。
其中,山火预测模型是指能够利用目标信息,得到山火预测信息对应的网络模型,比如随机森林模型、深度学习模型等。
进一步地,预先训练的山火预测模型可以通过下述方式训练得到:获取样本区域的目标信息;将样本区域的目标信息输入至待训练的山火预测模型,得到样本区域的山火预测信息;根据样本区域的山火预测信息与山火实际信息之间的差异,对待训练的山火预测模型进行迭代训练,得到预先训练的山火预测模型。
其中,山火预测信息是指待分析区域的与山火相关的预测信息,比如山火强度和山火蔓延趋势。
其中,样本区域是指用于对山火预测模型进行训练的地区。
示例性地,服务器对待分析区域的目标信息进行特征提取处理,得到目标信息对应的目标信息特征;接着,服务器将目标信息特征输入至预先训练的山火预测模型,通过预先训练的山火预测模型,得到目标信息特征对应的山火预测信息,作为待分析区域的山火预测信息。
步骤S103,根据山火预测信息和待分析输电线路的输电线路信息,确定待分析输电线路的山火风险分析结果。
其中,输电线路信息是指与待分析输电线路相关的信息,比如输电线路位置信息、输电线路状态信息、输电线路的重要性等。
其中,山火风险分析结果表征山火预测信息对待分析输电线路的影响。
示例性地,服务器确定山火预测信息对应的第一特征向量,以及输电线路信息对应的第二特征向量;接着,服务器对第一特征向量和第二特征向量进行融合处理,得到处理后的特征向量,作为第一特征向量和第二特征向量对应的融合特征向量;然后,服务器对融合特征向量进行分类处理,得到融合特征向量对应的山火风险预测分数,作为待分析输电线路的山火风险预测分数;最后,服务器根据山火风险预测分数,确定山火风险预测分数对应的山火风险分析结果,作为待分析输电线路的山火风险分析结果。
上述输电线路山火风险分析方法中,先获取包含有待分析输电线路的待分析区域的目标信息,再将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息,最后根据山火预测信息和待分析输电线路的输电线路信息,确定待分析输电线路的山火风险分析结果。这样,在对输电线路进行山火风险分析时,通过将待分析区域的目标信息输入预先训练的山火预测模型,可以快速得到待分析区域的山火预测信息,从而可以快速得到待分析输电线路的山火风险分析结果;而且,该方法实现了自动化的预测过程,无需人工进行干预,避免了通过进行人工实地巡检方式,容易耗费大量时间,导致输电线路山火风险的分析效率较低的缺陷,进而提高了输电线路山火风险的分析效率。
在一个示例性的实施例中,如图2所示,上述步骤S103,根据山火预测信息和待分析输电线路的输电线路信息,确定待分析输电线路的山火风险分析结果,具体包括如下步骤:
步骤S201,确定山火预测信息对应的第一特征向量以及输电线路信息对应的第二特征向量。
步骤S202,对第一特征向量和第二特征向量进行注意力机制处理,得到第一特征向量对应的第一注意力权重和第二特征向量对应的第二注意力权重。
步骤S203,根据第一注意力权重和第二注意力权重,对第一特征向量和第二特征向量进行融合处理,得到融合特征向量。
步骤S204,对融合特征向量进行分类处理,得到待分析输电线路的山火风险预测分数。
步骤S205,根据山火风险预测分数,确定待分析输电线路的山火风险分析结果。
其中,第一特征向量是指山火预测信息对应的特征向量。
其中,第二特征向量是指输电线路信息对应的特征向量。
其中,注意力机制处理是指确定特征向量对应的权重的过程。
其中,第一注意力权重是指第一特征向量对应的权重。
其中,第二注意力权重是指第二特征向量对应的权重。
其中,融合特征向量是指对第一特征向量和第二特征向量进行融合处理得到的特征向量。
其中,分类处理是指对特征向量进行归类的过程。
其中,山火风险预测分数是指待分析输电线路的山火风险分数对应的预测值。
示例性地,服务器将山火预测信息输入到与山火预测信息对应的特征提取模型中,得到山火预测信息对应的特征向量,作为第一特征向量,并将输电线路信息输入到与输电线路信息对应的特征提取模型中,得到输电线路信息对应的特征向量,作为第二特征向量;接着,服务器对第一特征向量进行注意力机制处理,得到第一特征向量对应注意力权重,作为第一注意力权重,并对第二特征向量进行注意力机制处理,得到第二特征向量对应注意力权重,作为第二注意力权重;然后,服务器根据第一注意力权重和第二注意力权重,对第一特征向量和第二特征向量进行融合处理,得到融合处理后的特征向量,作为第一特征向量和第二特征向量对应的融合特征向量;例如,根据第一注意力权重和第二注意力权重,对第一特征向量和第二特征向量进行加权求和处理,得到加权求和处理后的特征向量,作为第一特征向量和第二特征向量对应的融合特征向量;接着,服务器对融合特征向量进行分类处理,得到融合特征向量对应的山火风险预测分数,作为待分析输电线路的山火风险预测分数;例如,服务器将融合特征向量输入FC层(Fully Connected Layer,全连接层)进行分类处理,得到融合特征向量对应的山火风险预测分数,作为待分析输电线路的山火风险预测分数;最后,服务器根据山火风险预测分数,确定山火风险预测分数对应的山火风险分析结果,作为待分析输电线路的山火风险分析结果;例如,服务器对山火风险预测分数进行判断:当山火风险预测分数大于或等于预设分数时,确定该山火风险预测分数对应的山火风险分析结果为高风险,当山火风险预测分数小于预设分数时,确定该山火风险预测分数对应的山火风险分析结果为低风险;并将该山火风险预测分数对应的山火风险分析结果,作为待分析输电线路的山火风险分析结果。
本实施例中,通过对第一特征向量和第二特征向量进行融合处理,相当于综合了山火预测信息和输电线路信息,从而使得得到的融合特征向量更为全面精确,有利于提高待分析输电线路的山火风险预测分数的确定准确度,进而提高了待分析输电线路的山火风险分析结果的确定准确度。
在一个示例性的实施例中,上述步骤S201,确定山火预测信息对应的第一特征向量以及输电线路信息对应的第二特征向量,具体包括如下步骤:从山火预测信息中提取出关键山火预测信息,以及从输电线路信息中提取出关键输电线路信息;将关键山火预测信息输入到与关键山火预测信息对应的第一特征提取模型中,得到关键山火预测信息对应的特征向量,作为第一特征向量;将关键输电线路信息输入到与关键输电线路信息对应的第二特征提取模型中,得到关键输电线路信息对应的特征向量,作为第二特征向量。
其中,关键山火预测信息是指从山火预测信息中筛选得到的重要程度较高的山火预测信息。例如,本申请将山火预测信息中重要程度大于预设重要程度的山火预测信息,作为关键山火预测信息。
其中,关键输电线路信息是指从输电线路信息中筛选得到的重要程度较高的输电线路信息。例如,本申请将输电线路信息中重要程度大于预设重要程度的输电线路信息,作为关键输电线路信息。
其中,第一特征提取模型是指关键山火预测信息对应的特征提取模型。
其中,特征提取模型是指提取数据的数据特征对应的网络模型,比如卷积神经网络、循环神经网络等。
其中,第一特征向量是指关键山火预测信息对应的特征向量。
其中,第二特征提取模型是指关键输电线路信息对应的特征提取模型。
其中,第二特征向量是指关键输电线路信息对应的特征向量。
示例性地,服务器从山火预测信息中,筛选出满足预设条件的山火预测信息,作为关键山火预测信息;例如,服务器确定山火预测信息中各山火预测信息对应的重要程度,并从山火预测信息中,筛选出对应的重要程度大于预设重要程度的山火预测信息,并将这些山火预测信息作为关键山火预测信息;接着,服务器从输电线路信息中,筛选出满足预设条件的输电线路信息,作为关键输电线路信息;例如,服务器确定输电线路信息中各输电线路信息对应的重要程度,并从输电线路信息中,筛选出对应的重要程度大于预设重要程度的输电线路信息,并将这些输电线路信息作为关键输电线路信息;然后,服务器获取与关键山火预测信息对应的特征提取模型,作为第一特征提取模型,并将关键山火预测信息输入到第一特征提取模型中,通过第一特征提取模型,得到关键山火预测信息对应的特征向量,作为第一特征向量;最后,服务器获取与关键输电线路信息对应的特征提取模型,作为第二特征提取模型,并将关键输电线路信息输入到第二特征提取模型中,通过第二特征提取模型,得到关键输电线路信息对应的特征向量,作为第二特征向量。
本实施例中,通过筛选出关键山火预测信息和关键输电线路信息,可以筛选出重要程度较高的信息,可以大大减少后续特征提取所需要的数据量,提高了特征提取的效率;而且,通过确定第一特征向量和第二特征向量,可以将山火预测信息和输电线路信息分别表示为可量化的向量形式,便于后续的处理和分析。
在一个示例性的实施例中,上述步骤S102,将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息,具体包括如下步骤:对待分析区域的目标信息进行特征提取处理,得到目标信息特征;从目标信息特征中,提取出关键目标信息特征;将关键目标信息特征输入至预先训练的山火预测模型,得到待分析区域的多个维度的山火预测子信息;根据待分析区域的多个维度的山火预测子信息,确定待分析区域的山火预测信息。
其中,特征提取处理是指提取数据的数据特征对应的过程。
其中,目标信息特征是指目标信息对应的特征信息,比如目标信息对应的特征向量。
其中,关键目标信息特征是指从目标信息特征中筛选得到的重要程度较高的目标信息特征。例如,本申请将目标信息特征中重要程度大于预设重要程度的目标信息特征,作为关键目标信息特征。
其中,山火预测子信息是指山火预测信息中不同种类的山火预测信息。
示例性地,服务器对待分析区域的目标信息进行特征提取处理,得到目标信息对应的目标信息特征;例如,服务器将待分析区域的目标信息输入至与待分析区域的目标信息对应的特征提取模型进行特征提取处理,得到目标信息对应的特征向量,作为目标信息对应的目标信息特征;接着,服务器从目标信息特征中,筛选出满足预设条件的目标信息特征,作为关键目标信息特征;例如,服务器确定目标信息特征中各目标信息特征对应的重要程度,并从目标信息特征中,筛选出对应的重要程度大于预设重要程度的目标信息特征,并将这些目标信息特征作为关键目标信息特征;然后,服务器将关键目标信息特征输入至预先训练的山火预测模型,通过山火预测模型,得到关键目标信息特征对应的多个维度的山火预测子信息,作为待分析区域的多个维度的山火预测子信息;最后,服务器对待分析区域的多个维度的山火预测子信息进行组合处理,得到组合处理后的山火预测信息,作为待分析区域的山火预测信息。
本实施例中,通过从目标信息特征中筛选出关键目标信息特征,相当于筛选出重要程度较高的目标信息特征,可以大大减少后续模型预测所需要的数据量,进而提高了山火预测模型的预测效率;而且,根据待分析区域的多个维度的山火预测子信息,确定待分析区域的山火预测信息,相当于从不同方面对山火预测信息进行确定,有利于提高待分析区域的山火预测信息的确定准确度。
在一个示例性的实施例中,上述步骤S102,将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息,还包括:获取样本区域的目标信息对应的山火实际信息;通过预先训练的山火预测模型,确定待分析区域的目标信息与样本区域的目标信息之间的相似度;从各样本区域的目标信息中,筛选出相似度最大的目标信息;将相似度最大的目标信息对应的山火实际信息,作为待分析区域的山火预测信息。
其中,山火实际信息是指样本区域的目标信息对应的与山火相关的实际信息。
其中,相似度表征待分析区域的目标信息与样本区域的目标信息之间的相似程度。
示例性地,服务器从数据库中获取样本区域的目标信息,并根据样本区域的目标信息,获取样本区域的目标信息对应的山火实际信息;接着,服务器通过预先训练的山火预测模型,确定待分析区域的目标信息与样本区域的目标信息之间的相似度;例如,服务器分别对待分析区域的目标信息与样本区域的目标信息进行特征提取处理,得到待分析区域的目标信息对应的特征向量,以及样本区域的目标信息对应的特征向量,并确定待分析区域的目标信息对应的特征向量与样本区域的目标信息对应的特征向量之间的欧式距离,将该欧式距离作为待分析区域的目标信息与样本区域的目标信息之间的相似度;然后,服务器根据待分析区域的目标信息与各样本区域的目标信息之间的相似度,从各样本区域的目标信息中,筛选出相似度最大的目标信息;最后,服务器将相似度最大的目标信息对应的山火实际信息,作为待分析区域的山火预测信息。
本实施例中,通过比较待分析区域的目标信息与各样本区域的目标信息之间的相似度,筛选出相似度最大的目标信息,相当于找到最相似的样本区域的目标信息,并将其山火实际信息作为待分析区域的山火预测信息,有利于提高待分析区域的山火预测信息的确定准确度。
在一个示例性的实施例中,上述步骤S101,获取待分析区域的目标信息,具体包括如下步骤:获取待分析区域的区域信息;对区域信息进行预处理,得到预处理后区域信息;识别出预处理后区域信息对应的数据标识;从预处理后区域信息中,识别出对应的数据标识与预设山火指标匹配的区域信息,作为待分析区域的目标信息。
其中,预处理后区域信息是指预处理后的待分析区域的区域信息。
其中,数据标识是指预处理后区域信息对应的数据类别。
示例性地,服务器响应于针对包含有待分析输电线路的待分析区域的山火风险分析指令,从数据库中获取待分析区域的区域信息;接着,服务器对待分析区域的区域信息进行预处理,得到预处理后区域信息;例如,服务器利用数据处理技术,对待分析区域的区域信息进行清洗、融合、转换处理,得到预处理后区域信息;然后,服务器识别出预处理后区域信息对应的数据标识,并从预处理后区域信息中,识别出对应的数据标识与预设山火指标匹配的区域信息,将这些区域信息作为待分析区域的目标信息。
本实施例中,通过对待分析区域的区域信息进行预处理,可以去除待分析区域的区域信息中冗余或无关的信息,使得待分析区域的区域信息更易于分析和处理;而且,识别出对应的数据标识与预设山火指标匹配的区域信息,作为待分析区域的目标信息,从而可以筛选出相匹配的待分析区域的区域信息,进一步利于后续的分析和处理。
在一个示例性的实施例中,如图3所示,提供了另一种输电线路山火风险分析方法,以该方法应用于服务器进行举例说明,包括以下步骤:
步骤S301,获取待分析区域的区域信息;待分析区域中包含有待分析输电线路;对区域信息进行预处理,得到预处理后区域信息。
步骤S302,识别出预处理后区域信息对应的数据标识;从预处理后区域信息中,识别出对应的数据标识与预设山火指标匹配的区域信息,作为待分析区域的目标信息。
步骤S303,对待分析区域的目标信息进行特征提取处理,得到目标信息特征;从目标信息特征中,提取出关键目标信息特征。
步骤S304,将关键目标信息特征输入至预先训练的山火预测模型,得到待分析区域的多个维度的山火预测子信息;根据待分析区域的多个维度的山火预测子信息,确定待分析区域的山火预测信息。
步骤S305,获取样本区域的目标信息对应的山火实际信息;通过预先训练的山火预测模型,确定待分析区域的目标信息与样本区域的目标信息之间的相似度。
步骤S306,从各样本区域的目标信息中,筛选出相似度最大的目标信息;将相似度最大的目标信息对应的山火实际信息,作为待分析区域的山火预测信息。
步骤S307,从山火预测信息中提取出关键山火预测信息,以及从输电线路信息中提取出关键输电线路信息。
步骤S308,将关键山火预测信息输入到与关键山火预测信息对应的第一特征提取模型中,得到关键山火预测信息对应的特征向量,作为第一特征向量;将关键输电线路信息输入到与关键输电线路信息对应的第二特征提取模型中,得到关键输电线路信息对应的特征向量,作为第二特征向量。
步骤S309,对第一特征向量和第二特征向量进行注意力机制处理,得到第一特征向量对应的第一注意力权重和第二特征向量对应的第二注意力权重;根据第一注意力权重和第二注意力权重,对第一特征向量和第二特征向量进行融合处理,得到融合特征向量。
步骤S310,对融合特征向量进行分类处理,得到待分析输电线路的山火风险预测分数;根据山火风险预测分数,确定待分析输电线路的山火风险分析结果。
上述输电线路山火风险分析方法中,在对输电线路进行山火风险分析时,通过将待分析区域的目标信息输入预先训练的山火预测模型,可以快速得到待分析区域的山火预测信息,从而可以快速得到待分析输电线路的山火风险分析结果;而且,该方法实现了自动化的预测过程,无需人工进行干预,避免了通过进行人工实地巡检方式,容易耗费大量时间,导致输电线路山火风险的分析效率较低的缺陷,进而提高了输电线路山火风险的分析效率。
在一个示例性的实施例中,为了更清晰阐明本申请实施例提供的输电线路山火风险分析方法,以下以一个具体的实施例对该输电线路山火风险分析方法进行具体说明。在一个实施例中,本申请还提供了一种多源数据驱动的山火影响线路动态模拟与分析系统,在对输电线路进行山火风险分析时,先获取包含有待分析输电线路的待分析区域的目标信息,再将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息,最后根据山火预测信息和待分析输电线路的输电线路信息,确定待分析输电线路的山火风险分析结果,进而提高了输电线路山火风险的分析效率。具体包括如下内容:
本发明实施例的两个具体应用实施例为:
实施例1:山火监测与风险评估系统。
在一个易发生山火的地区,部署本发明的系统来监测山火风险并评估对输电线路的潜在影响。该系统集成了多种数据源,包括地面监测站、卫星遥感图像、无人机巡查数据以及社交媒体上的实时报告。
数据采集:边缘计算设备部署在关键监测点收集环境数据(如温度、湿度、风速等)和输电线路状态(如倾斜度、偏移量)。同时,系统通过API接口获取卫星和无人机的遥感图像。
数据处理与特征提取:收集到的数据首先在边缘计算设备上进行预处理,然后传输到云端。在云端,数据处理模块对数据进行进一步的清洗、融合和转换。随后,数据特征提取模块利用机器学习算法动态识别出与山火风险相关的关键特征,如植被干燥程度、温度变化趋势等。
风险评估与模拟:评估模型构建模块根据提取的特征建立风险评估模型,预测山火发生的可能性及其对输电线路的影响。模拟模块则根据当前数据和历史数据模拟山火发展趋势,评估其对输电线路安全的具体影响。
结果分析与响应:分析模块综合模拟和评估结果,为运维人员提供直观的风险地图和建议行动方案。在紧急情况下,中央控制模块会自动触发预警系统,通知相关部门采取措施。
实施例2:山火应急响应与资源优化部署。
在山火季节,利用本发明的系统为应急管理部门提供决策支持,优化山火应急响应资源(如灭火队伍、消防车和水源)的部署。
实时监测与数据采集:系统实时监测山火相关指标(如火源位置、火势强度)和关键基础设施(如输电线路、居民区)的状态。数据采集模块从多源数据中收集这些信息,并通过边缘计算进行初步处理。
动态数据分析与特征提取:数据处理模块在云端对收集到的数据进行高级处理,包括数据融合和转换。数据特征提取模块使用人工智能算法分析数据,实时更新火势发展的关键特征。
资源优化与模拟:基于当前的山火状况和资源可用性,评估模型构建模块构建优化模型,模拟不同响应方案的效果。模拟模块考虑多种因素(如风向、地形、资源调动时间)来预测不同应急响应策略的效果。
决策支持与执行:分析模块提供基于模拟结果的决策支持,包括最佳资源部署位置、必要的预警区域和疏散。
针对现有技术存在的问题,本发明采用的技术方案为:
数据采集不精准:通过引入边缘计算技术,本发明在数据采集模块对数据进行预处理,显著提高了数据的采集精准度和处理速度,确保了数据的实时性和准确性。
处理效率低:本发明的数据处理模块采用了先进的数据处理技术,对数据进行清洗、融合和转换处理,提高了数据处理的效率和质量。
特征提取不动态:通过引入机器学习和人工智能算法,本发明的数据特征提取模块能够动态调整特征提取策略,自适应地调整特征提取的重点,有效提高了特征提取的准确性和相关性。
模拟与分析不精确:本发明的模拟模块和分析模块通过高级模拟程序和分析程序,提供了更加精确的山火影响线路动态模拟和分析,增强了模拟的真实性和分析的深度。
本发明实施例提供的多源数据驱动的山火影响线路动态模拟与分析系统包括:
数据采集模块、数据处理模块、数据特征提取模块、中央控制模块、异常检测模块、评估模型构建模块、云计算模块、模拟模块、分析模块;
数据采集模块,与数据处理模块连接,用于采集输电线路点云、山火地质灾害分布图、实时杆塔监测及山火地质灾害监测数据如倾斜度、杆塔偏移量、时段降水量、湿度、风速、风向、湿度、海拔、坡度、坡向的数据,采用边缘计算技术,对数据进行预处理;
数据处理模块,与数据采集模块、数据特征提取模块连接,用于通过数据处理技术对数据进行清洗、融合、转换处理;
数据特征提取模块,与数据处理模块、中央控制模块连接,采用机器学习和人工智能算法动态调整特征提取策略,根据山火发展的实时情况,自适应调整特征提取的重点;
中央控制模块,与数据特征提取模块、异常检测模块、评估模型构建模块、云计算模块、模拟模块、分析模块连接,用于控制各个模块正常工作;
异常检测模块,与中央控制模块连接,用于通过时序数据异常值检测技术对异常数据进行检测;
异常检测模块在系统中扮演着至关重要的角色,特别是在需要实时监控和维护设备状态或数据流的应用中,例如在工业自动化、网络安全、金融交易监控等领域。该模块与中央控制模块连接,利用时序数据异常值检测技术来识别数据中的异常或不寻常的行为。下面详细介绍其工作原理:
1、数据采集:异常检测模块首先需要从被监控的系统或设备中收集时序数据。时序数据是指随时间变化而采集的数据点,这些数据通常以时间戳的形式记录,反映了系统状态或性能指标随时间的变化。
2、特征提取:从原始时序数据中提取有用的特征是进行有效异常检测的关键步骤。特征提取旨在减少数据维度,同时保留重要的信息,这些信息可以是统计学特征、频域特征、或基于模型的特征等。
3、模型训练:使用历史数据(正常数据)训练一个模型,该模型能够学习数据的正常模式和行为。常用的模型包括统计模型、机器学习模型(如聚类分析、支持向量机、神经网络)和深度学习模型(如卷积神经网络、递归神经网络)。
4、异常检测:在模型训练完成后,模块将新收集的时序数据输入到模型中。模型会评估每个数据点或数据段是否与训练时学习到的正常模式相符。如果数据点显著偏离正常模式,模型则标记它为异常。
5、决策与响应:检测到的异常将被报告给中央控制模块。根据异常的严重性和类型,中央控制模块可以采取相应的响应措施,如发出警报、调整系统参数或启动故障排除程序。
6、持续学习:为了适应系统行为的变化,异常检测模块可能需要定期更新其模型。通过持续学习新的数据并调整检测策略,可以提高检测的准确性和适应性。
时序数据的处理:时序数据因其连续性和时间依赖性,处理起来比静态数据更为复杂。需要采用专门针对时序数据的处理和分析技术。
异常检测算法的选择:选择合适的异常检测算法是至关重要的,这取决于数据的特性、系统的需求以及期望的检测灵敏度。
动态阈值设定:在许多情况下,异常的定义可能随时间和环境的变化而变化。因此,动态调整决策阈值,以适应这些变化是提高检测效率的关键。
通过这样一个复杂但高度自动化的过程,异常检测模块能够实时监控系统状态,及时发现并响应异常情况,从而保证系统的稳定运行和数据的安全性。
评估模型构建模块,与中央控制模块连接,用于建立山火地质灾害点风险评估模型;
云计算模块,与中央控制模块连接,结合边缘计算技术,对关键数据进行即时处理,用于通过云计算中心对数据进行云计算处理;
模拟模块,与中央控制模块连接,用于通过模拟程序对山火影响线路动态模拟;
分析模块,与中央控制模块连接,用于通过分析程序对山火影响线路进行分析。
本发明提供的数据处理模块包括:
数据清洗模块,用于对山火多源数据进行清洗;
数据融合模块,用于对山火多源数据进行融合;
数据转换模块,用于对山火多源数据进行格式转换。
本发明提供的数据特征提取模块包括:
特征识别模块,用于对山火多源数据特征进行识别;
特征选择模块,用于对山火多源数据特征进行选择。
本发明提供的评估模型构建模块构建方法如下:基于山火地质灾害的特点,确定评估风险的指标,火势蔓延速度、坡度、土壤类型、植被覆盖率;利用数学公式和逻辑来描述山火地质灾害的风险因素和发生机制;利用大量的历史数据和实时监测数据,通过机器学习和人工智能算法对山火地质灾害的发生进行预测和评估;基于收集的数据和确定的评估指标,建立数学模型来描述山火地质灾害点风险;使用历史数据对模型进行验证,并根据验证结果对模型进行优化;使用优化后的模型对特定区域的山火地质灾害点进行风险评估,得出风险等级。
本发明提供的实时监测方法:通过GIS,可以建立灾害风险的空间模型,进行风险的地理分析和模拟;通过卫星或飞机搭载的遥感设备获取地表信息,提取出与山火地质灾害相关的特征,如植被覆盖、土壤类型、地形。
本发明提供的机器学习和人工智能算法包括决策树、随机森林、神经网络、支持向量机。
本发明提供的收集的数据:建立大型数据库,存储和处理山火地质灾害的相关数据,包括灾害历史数据、地理信息数据、气象数据。
本发明提供的使用历史数据对模型进行验证方法:通过数据挖掘技术对大量数据进行处理和分析,提取出有价值的信息进行验证。
本发明提供的云计算模块计算方法如下:将采集到的山火多源数据通过无线或有线网络传输到云计算中心;在云计算中心建立大规模数据存储系统,将收集到的山火数据存储在云端;利用云计算的计算资源,对存储在云端的山火数据进行处理和分析;这包括数据清洗、融合、挖掘等操作,提取出有用的信息,用于评估火势状况、预测火势蔓延趋势;将处理后的山火数据通过可视化技术呈现出来,地图、图表,便于决策者直观地了解火情,制定灭火方案。
本发明提供的多源数据驱动的山火影响线路动态模拟与分析方法包括:通过数据采集模块采集输电线路点云、山火地质灾害分布图、实时杆塔监测及山火地质灾害监测数据如倾斜度、杆塔偏移量、时段降水量、湿度、风速、风向、湿度、海拔、坡度、坡向的数据;通过数据处理模块利用数据处理技术对数据进行清洗、融合、转换处理;通过数据特征提取模块利用特征提取技术对提取数据特征;中央控制模块通过异常检测模块利用时序数据异常值检测技术对异常数据进行检测;通过评估模型构建模块建立山火地质灾害点风险评估模型;通过云计算模块利用云计算中心对数据进行云计算处理;通过模拟模块利用模拟程序对山火影响线路动态模拟;通过分析模块利用分析程序对山火影响线路进行分析。
本发明通过评估模型构建模块利用数学公式和逻辑来描述山火地质灾害的风险因素和发生机制;利用大量的历史数据和实时监测数据,通过机器学习和人工智能算法对山火地质灾害的发生进行预测和评估;可以准确评估山火地质灾害;同时,通过云计算模块能够实现对大规模山火数据的集中存储和处理,提高数据处理效率,为快速响应和有效应对山火提供技术支持。本发明基于海量数据处理与特征工程大数据技术,评估山火地质灾害影响线路范围和程度,实现多源数据融合的实时山火地质灾害隐患精准评估。
上述实施例,在对输电线路进行山火风险分析时,通过将待分析区域的目标信息输入预先训练的山火预测模型,可以快速得到待分析区域的山火预测信息,从而可以快速得到待分析输电线路的山火风险分析结果;而且,该方法实现了自动化的预测过程,无需人工进行干预,避免了通过进行人工实地巡检方式,容易耗费大量时间,导致输电线路山火风险的分析效率较低的缺陷,进而提高了输电线路山火风险的分析效率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的输电线路山火风险分析方法的输电线路山火风险分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个输电线路山火风险分析装置实施例中的具体限定可以参见上文中对于输电线路山火风险分析方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种输电线路山火风险分析装置,包括:信息获取模块401、信息预测模块402和结果确定模块403,其中:
信息获取模块401,用于获取待分析区域的目标信息;待分析区域中包含有待分析输电线路,目标信息包括与多个预设山火指标匹配的区域信息。
信息预测模块402,用于将待分析区域的目标信息输入至预先训练的山火预测模型,得到待分析区域的山火预测信息;预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到。
结果确定模块403,用于根据山火预测信息和待分析输电线路的输电线路信息,确定待分析输电线路的山火风险分析结果。
在一个示例性的实施例中,结果确定模块403,还用于确定山火预测信息对应的第一特征向量以及输电线路信息对应的第二特征向量;对第一特征向量和第二特征向量进行注意力机制处理,得到第一特征向量对应的第一注意力权重和第二特征向量对应的第二注意力权重;根据第一注意力权重和第二注意力权重,对第一特征向量和第二特征向量进行融合处理,得到融合特征向量;对融合特征向量进行分类处理,得到待分析输电线路的山火风险预测分数;根据山火风险预测分数,确定待分析输电线路的山火风险分析结果。
在一个示例性的实施例中,结果确定模块403,还用于从山火预测信息中提取出关键山火预测信息,以及从输电线路信息中提取出关键输电线路信息;将关键山火预测信息输入到与关键山火预测信息对应的第一特征提取模型中,得到关键山火预测信息对应的特征向量,作为第一特征向量;将关键输电线路信息输入到与关键输电线路信息对应的第二特征提取模型中,得到关键输电线路信息对应的特征向量,作为第二特征向量。
在一个示例性的实施例中,信息预测模块402,还用于对待分析区域的目标信息进行特征提取处理,得到目标信息特征;从目标信息特征中,提取出关键目标信息特征;将关键目标信息特征输入至预先训练的山火预测模型,得到待分析区域的多个维度的山火预测子信息;根据待分析区域的多个维度的山火预测子信息,确定待分析区域的山火预测信息。
在一个示例性的实施例中,信息预测模块402,还用于获取样本区域的目标信息对应的山火实际信息;通过预先训练的山火预测模型,确定待分析区域的目标信息与样本区域的目标信息之间的相似度;从各样本区域的目标信息中,筛选出相似度最大的目标信息;将相似度最大的目标信息对应的山火实际信息,作为待分析区域的山火预测信息。
在一个示例性的实施例中,信息获取模块401,还用于获取待分析区域的区域信息;对区域信息进行预处理,得到预处理后区域信息;识别出预处理后区域信息对应的数据标识;从预处理后区域信息中,识别出对应的数据标识与预设山火指标匹配的区域信息,作为待分析区域的目标信息。
上述输电线路山火风险分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标信息、山火预测信息等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路山火风险分析方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种输电线路山火风险分析方法,其特征在于,所述方法包括:
获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果,包括:
确定所述山火预测信息对应的第一特征向量以及所述输电线路信息对应的第二特征向量;
对所述第一特征向量和所述第二特征向量进行注意力机制处理,得到所述第一特征向量对应的第一注意力权重和所述第二特征向量对应的第二注意力权重;
根据所述第一注意力权重和所述第二注意力权重,对所述第一特征向量和所述第二特征向量进行融合处理,得到融合特征向量;
对所述融合特征向量进行分类处理,得到所述待分析输电线路的山火风险预测分数;
根据所述山火风险预测分数,确定所述待分析输电线路的山火风险分析结果。
3.根据权利要求2所述的方法,其特征在于,所述确定所述山火预测信息对应的第一特征向量以及所述输电线路信息对应的第二特征向量,包括:
从所述山火预测信息中提取出关键山火预测信息,以及从所述输电线路信息中提取出关键输电线路信息;
将所述关键山火预测信息输入到与所述关键山火预测信息对应的第一特征提取模型中,得到所述关键山火预测信息对应的特征向量,作为所述第一特征向量;
将所述关键输电线路信息输入到与所述关键输电线路信息对应的第二特征提取模型中,得到所述关键输电线路信息对应的特征向量,作为所述第二特征向量。
4.根据权利要求1所述的方法,其特征在于,所述将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息,包括:
对所述待分析区域的目标信息进行特征提取处理,得到目标信息特征;
从所述目标信息特征中,提取出关键目标信息特征;
将所述关键目标信息特征输入至预先训练的山火预测模型,得到所述待分析区域的多个维度的山火预测子信息;
根据所述待分析区域的多个维度的山火预测子信息,确定所述待分析区域的山火预测信息。
5.根据权利要求1所述的方法,其特征在于,所述将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息,还包括:
获取所述样本区域的目标信息对应的山火实际信息;
通过所述预先训练的山火预测模型,确定所述待分析区域的目标信息与所述样本区域的目标信息之间的相似度;
从各所述样本区域的目标信息中,筛选出所述相似度最大的目标信息;
将所述相似度最大的目标信息对应的山火实际信息,作为所述待分析区域的山火预测信息。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述获取待分析区域的目标信息,包括:
获取待分析区域的区域信息;
对所述区域信息进行预处理,得到预处理后区域信息;
识别出所述预处理后区域信息对应的数据标识;
从所述预处理后区域信息中,识别出对应的数据标识与所述预设山火指标匹配的区域信息,作为所述待分析区域的目标信息。
7.一种输电线路山火风险分析装置,其特征在于,所述装置包括:
信息获取模块,用于获取待分析区域的目标信息;所述待分析区域中包含有待分析输电线路,所述目标信息包括与多个预设山火指标匹配的区域信息;
信息预测模块,用于将所述待分析区域的目标信息输入至预先训练的山火预测模型,得到所述待分析区域的山火预测信息;所述预先训练的山火预测模型,通过样本区域的目标信息,对待训练的山火预测模型进行迭代训练得到;
结果确定模块,用于根据所述山火预测信息和所述待分析输电线路的输电线路信息,确定所述待分析输电线路的山火风险分析结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410429261.9A CN118297394A (zh) | 2024-04-10 | 2024-04-10 | 输电线路山火风险分析方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410429261.9A CN118297394A (zh) | 2024-04-10 | 2024-04-10 | 输电线路山火风险分析方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118297394A true CN118297394A (zh) | 2024-07-05 |
Family
ID=91687350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410429261.9A Pending CN118297394A (zh) | 2024-04-10 | 2024-04-10 | 输电线路山火风险分析方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118297394A (zh) |
-
2024
- 2024-04-10 CN CN202410429261.9A patent/CN118297394A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107331132B (zh) | 一种城市火灾隐患动态预测监控的方法及系统 | |
Moayyed et al. | A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing | |
CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN111967712B (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
CN108650139A (zh) | 一种电力通信网络监测系统 | |
CN114358106A (zh) | 系统异常检测方法、装置、计算机程序产品及电子设备 | |
Zafar et al. | Step towards secure and reliable smart grids in Industry 5.0: A federated learning assisted hybrid deep learning model for electricity theft detection using smart meters | |
Song et al. | Deformable YOLOX: Detection and rust warning method of transmission line connection fittings based on image processing technology | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
CN118297394A (zh) | 输电线路山火风险分析方法、装置和计算机设备 | |
Chaubey et al. | Forest fire prediction system using machine learning | |
Ochiai et al. | Detection of non-designated shelters by extracting population concentrated areas after a disaster (industrial paper) | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
Lamrani et al. | A formal definition of metrics for object oriented design: Mood metrics | |
CN118171920B (zh) | 基于llm模型的园区安全应急响应方法、设备及介质 | |
Hooda et al. | A Comprehensive Review on Prediction and Detection of Forest Fires Using Machine Learning Algorithms | |
CN111931645B (zh) | 一种基于遥感数据的实时山火风险监测方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
Yu et al. | Using construction waste hauling trucks’ GPS data to classify earthwork-related locations: A Chengdu case study | |
CN118072492B (zh) | 一种电力消防安全预警方法及综合管理平台 | |
Yu et al. | Disaster Intelligent Perception and Emergency Command of Power Grid | |
KR102697617B1 (ko) | 딥러닝으로 지하 공동구의 온도변화를 예측하여 이상 현상 발생 가능성을 사전에 탐지하는 방법 | |
Zhou et al. | A Modelling Tool for Rainfall-triggered Landslide Susceptibility Mapping and Hazard Warning based on GIS and Machine Learning |
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 |