电力通道山火蔓延指数预测方法及装置制造方法及图纸

本发明专利技术公开了一种电力通道山火蔓延指数预测方法及装置，其中该方法包括：获取历史山火发生地的山火相关数据；对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。本发明专利技术可以快速识别影响预测结果的相关特征数据，提高山火蔓延指数预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
电力通道山火蔓延指数预测方法及装置


[0001]本专利技术涉及电力运维与应急救援
，尤其涉及电力通道山火蔓延指数预测方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]电力通道是电网线路中的重要组成部分，经过数十年的大规模电网建设，现有大量电力通道存在于山区丘陵中。近些年来，山火频繁发生，对电网运行的稳定性产生严重威胁。山火蔓延是林火行为中的一部分，是山火预防、前期扑救的重要现实依据。蔓延速度会随着火灾的发展而产生一定的变化，而山火初始蔓延主要是研究其从可燃物点燃后一小段时间内的火情发展状况，为一定程度上量化此阶段发展过程，通常将山火蔓延指数用于表征山火初始蔓延速度。
[0004]山火对电网线路造成的威胁主要集中在火灾大规模发生阶段，使电力通道线路下方形成烟雾、火焰及高温特殊环境，造成空气间隙绝缘强度大幅下降，引起输电线路放电跳闸，同时山火造成的特殊环境具有一定的持续性，可能会造成重合闸失败，导致形成大规模的停电事故，危害用电安全，火灾所形成的特殊环境还可能对输电线路形成不可逆的损坏，造成电网设备的损失。

技术实现思路

[0005]本专利技术实施例提供一种电力通道山火蔓延指数预测方法，用以获取影响山火蔓延指数的特征数据，从而有效预测山火蔓延指数，该方法包括：
[0006]获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；<br/>[0007]对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；
[0008]根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
[0009]根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
[0010]将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
[0011]本专利技术实施例还提供一种电力通道山火蔓延指数预测装置，用以获取影响山火蔓延指数的特征数据，从而有效预测山火蔓延指数，该装置包括：
[0012]山火相关数据获取模块，用于获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；
[0013]相关性分析模块，用于对历史山火发生地的山火相关数据进行相关性分析，获得
相关性分析结果；
[0014]特征数据筛选模块，用于根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
[0015]山火蔓延指数预测模型建立模块，用于根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
[0016]山火蔓延指数预测结果获取模块，用于将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
[0017]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电力通道山火蔓延指数预测方法。
[0018]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力通道山火蔓延指数预测方法。
[0019]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述电力通道山火蔓延指数预测方法。
[0020]本专利技术实施例中，通过对获取的历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，筛选得到影响山火蔓延指数的特征数据，从而快速识别影响预测结果的相关特征数据，并依据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，进而建立山火蔓延指数预测模型，将待预测的山火相关数据输入山火蔓延指数预测模型，得到山火蔓延指数预测结果，从而提高山火蔓延指数预测的准确性。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有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专利技术的一些实施例，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。在附图中：
[0022]图1为本专利技术实施例中电力通道山火蔓延指数预测方法的流程图；
[0023]图2为本专利技术实施例中建立随机森林模型的流程图；
[0024]图3为本专利技术实施例中电力通道山火蔓延指数预测装置的示意图；
[0025]图4为本专利技术实施例中具体的电力通道山火蔓延指数预测装置的示意图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0027]图1为本专利技术实施例中电力通道山火蔓延指数预测方法的流程图，该方法包括：
[0028]步骤101，获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；
[0029]步骤102，对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；
[0030]步骤103，根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；
[0031]步骤104，根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；
[0032]步骤105，将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。
[0033]下面对每一步骤进行详细说明。
[0034]在步骤101中，获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据。
[0035]在一实施例中，气象数据包括：温度、相对湿度、风速和雨量；
[0036]土壤数据包括：半腐层湿度码、干旱码；
[0037]地面附着物数据：可燃物湿度码。
[0038]在步骤102中，对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果。
[0039]在一实施例中，对历史山火发生地的山火相关数据进行相关性分析之前，还包括：
[0040]对历史山火发生地的山火相关数据进行数据清洗和标准化处理。
[0041]具体实施例中，所述数据清洗包括：识别并剔除综合数据中的异常值，利用线性插值法对综合数据中缺失的数据进行补充；所述标准化处理包括：利用z
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力通道山火蔓延指数预测方法，其特征在于，包括：获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；根据相关性分析结果，从历史山火发生地的山火相关数据中筛选得到影响山火蔓延指数的特征数据；根据筛选后的特征数据，分别对随机森林模型和多层感知机模型进行训练，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型；将待预测的山火发生地的山火相关数据输入山火蔓延指数预测模型，输出山火蔓延指数预测结果。2.如权利要求1所述的方法，其特征在于，气象数据包括：温度、相对湿度、风速、雨量；土壤数据包括：半腐层湿度码、干旱码；地面附着物数据：可燃物湿度码。3.如权利要求1所述的方法，其特征在于，对历史山火发生地的山火相关数据进行相关性分析之前，还包括：对历史山火发生地的山火相关数据进行数据清洗和标准化处理。4.如权利要求1所述的方法，其特征在于，对历史山火发生地的山火相关数据进行相关性分析，包括：使用斯皮尔曼相关系数法，对历史山火发生地的山火相关数据中各变量数据进行相关性分析。5.如权利要求1所述的方法，其特征在于，将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型，包括：将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型。6.如权利要求5所述的方法，其特征在于，将训练的随机森林模型和多层感知机模型，按权重组合构成山火蔓延指数预测模型，包括：确定训练的随机森林模型的第一验证集平均绝对误差；确定训练的多层感知机模型的第二验证集平均绝对误差；将第一验证集平均绝对误差与第二验证集平均绝对误差相加后，分别按第一验证集平均绝对误差和第二验证集平均绝对误差的数值百分比，分别确定训练的随机森林模型和多层感知机模型的权重；按权重将训练的随机森林模型和多层感知机模型组合构成山火蔓延指数预测模型。7.如权利要求6所述的方法，其特征在于，按照以下公式，确定随机森林模型的权重：C＝a/(a+b)；其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，C为随机森林模型的权重；按照以下公式，确定多层感知机模型的权重：D＝b/(a+b)；其中，a为第一验证集平均绝对误差，b为第二验证集平均绝对误差，D为多层感知机模型的权重。
8.一种电力通道山火蔓延指数预测装置，其特征在于，包括：山火相关数据获取模块，用于获取历史山火发生地的山火相关数据，其中，山火相关数据包括气象数据、土壤数据及地面附着物数据；相关性分析模块，用于对历史山火发生地的山火相关数据进行相关性分析，获得相关性分析结果；特征数据筛选模块，用于根据相...

【专利技术属性】
技术研发人员：李佳骏，周强，王志强，周肖东，江柱，王辰辉，吴婧宜，刘永亮，
申请(专利权)人：国网电力空间技术有限公司，
类型：发明
国别省市：