一种基于多分支网络架构的电网山火预测方法
本发明涉及电网山火预测,具体涉及一种基于多分支网络架构的电网山火预测方法。
背景技术:
1、随着全球气候变化加剧,高温干旱等极端天气高发,山火灾害发生频次增多、强度上升。输电线路等电力基础设施大量穿越山区、林区和植被覆盖度较高区域,山火可能造成线路跳闸、局部失负荷甚至大范围停电。因此,电网山火风险管理需由灾后被动抢修向灾前主动防控转变。
2、输电通道巡检、重点区段清障、植被管理、灭火与抢修资源部署以及运行方式调整等措施均需要一定准备周期,而山火风险又是在气象持续驱动、燃料状态变化、地形背景和人为点火等多因素共同作用下持续演化的动态过程。仅开展当日或次日预测往往难以满足连续防控需求,因此,开展未来7日逐日山火发生预测,可为电网跨日资源协调和主动风险管理提供更充分的时间窗口。
3、过去数年间已有不少学者针对电网山火预测问题开展相关研究,主要包括火险天气预报、山火蔓延预测和山火发生预测。火险天气预报侧重较大区域火险气象条件,山火蔓延预测通常以已发生火灾为前提,而山火发生预测能够直接刻画特定网格未来发生山火的可能性,更便于与输电线路走廊及关键电力设施空间位置叠加。因此,开展提前多日山火预测研究可为电网有关部门的跨日资源协调、备用容量预留以及线路运行方式调整等措施提供充足的时间窗口,对提升电网防灾减灾能力、保障能源电力安全具有重要意义。
4、现有技术一主要采用统计学或传统机器学习方法开展山火发生预测。一般收集历史火点及温度、降水、风速、植被、地形等影响因子,通过逻辑回归、泊松回归、分类树或随机森林等方法建立输入因子与山火发生标签之间的映射关系,再利用当前或未来气象条件输出目标区域的山火发生概率或风险类别。
5、现有技术一通常依赖预设函数形式、经验阈值或人工特征构造,对多源高维数据的自动表征能力有限,难以充分拟合气象、燃料、地形和人为活动之间复杂的非线性耦合关系;同时,传统方法较难同时处理历史动态、未来预报和静态背景三类结构不同的数据,在细空间尺度的未来多日连续预测任务中的表达能力受限。
6、现有技术二考虑到人工智能法建模高维非线性关系的优势性,主要采用机器学习或人工智能方法进行短期山火预测。通常对历史气象、遥感植被、火点和地形等变量进行空间对齐和归一化,再采用多层感知机(multilayer perceptron, mlp)、卷积神经网络(convolutional neural network, cnn)或双向长短期记忆网络(bi-directional longshort-term memory,bilstm)或transformer等模型进行特征提取,并利用山火发生标签进行监督训练,最终输出单日或次日的山火发生概率。
7、现有技术二模型结构较为简单,难以充分刻画气象、人为、地形等多源要素间的高维非线性耦合关系,模型性能提升有限。同时多数将多源数据直接拼接后输入网络,未针对动态/静态、时间/空间等不同结构特征进行差异化建模,难以适应多源数据的时空异质性。且多聚焦单日或次日预测,若将未来7日分别独立预测会割裂不同日期间的风险演化关系,而简单自回归又容易产生误差累积;同时,网格级山火正样本极端稀疏,受到大量无火样本主导。另一方面,历史动态、未来数值天气预报和静态背景的结构差异明显,直接拼接后由单一路径编码易产生信息混叠。
技术实现思路
1、本发明为了解决以上问题,提出了一种基于多分支网络架构的电网山火预测方法。
2、本发明的技术方案是:一种基于多分支网络架构的电网山火预测方法包括以下步骤:
3、s1、采集多源数据,并进行预处理;
4、s2、基于预处理后的多源数据,构建训练样本;
5、s3、根据山火特征,构建时空软标签;
6、s4、构建深度学习模型,将训练样本输入深度学习模型,并将时空软标签作为辅助监督信号进行模型训练,利用训练后的深度学习模型输出未来7日逐网格山火发生概率。
7、进一步地,s2包括以下子步骤:
8、s21、将若干个相邻网格构成目标区域;
9、s22、将预处理后多源数据的历史动态变量、未来7日数值天气预报变量、历史火情软标签和静态变量组成上下文立方体,并与未来tf日的硬目标立方体及软目标立方体对应;tf为未来预测总步数;
10、s23、按照从左到右且从上到下的顺序对目标区域的各个局部区域进行非重叠遍历,当局部区域在未来tf天中至少存在1个网格有火时,进行截取,并作为训练样本。
11、进一步地,s3包括以下子步骤:
12、s31、根据土地利用或覆盖类型,构建可燃掩码;
13、s32、构建静态燃料强度;
14、s33、构建动态燃料强度;
15、s34、根据静态燃料强度和动态燃料强度,得到总燃料强度;
16、s35、根据风场信息的风速值、风去向角和方向角,计算风场方向与网格指向的一致性程度;
17、s36、根据总燃料强度、风场方向与网格指向的一致性程度和坡度项,计算局部山火蔓延潜势速率;
18、s37、计算等效蔓延时间;
19、s38、在等效蔓延时间不超过给定上限时,根据可燃掩码计算单火点潜在风险贡献;
20、s39、根据单火点潜在风险贡献,得到逐网格的单日空间软标签;
21、s310、根据逐网格的单日空间软标签,利用环境条件门控函数得到时空软标签。
22、进一步地,s31中,可燃掩码β(s)为:
23、;
24、式中:为可燃土地类型的集合;为网格s的土地利用/覆盖类型;
25、s32中,静态燃料强度isfi(s)为:
26、;
27、式中:为基于luc的经验映射函数;
28、s33中,动态燃料强度为:
29、;
30、式中:为网格在第t日的ffmc值;为网格在第t日dmc值;为ffmc值给定的权重;为dmc值给定的权重;
31、s34中,总燃料强度为:
32、;
33、式中:为给定的动态燃料强度的权重;为给定的静态燃料强度的权重;
34、s35中,风速值、风去向角和方向角分别为:
35、;
36、;
37、;
38、式中:表示带象限判别的反正切函数;为网格在第t日的uw;为网格在第t日的vw;h(s)为目标网格s的纵向网格坐标;h(sm)为第m个火点所在网格sm的纵向网格坐标;w(s)为目标网格s的横向网格坐标;w(sm)为第m个火点所在网格sm的横向网格坐标;
39、s35中,风场方向与网格指向的一致性程度为:
40、;
41、式中:为以正东方向为0的方位角;为逆时针为正的方位角;
42、s36中,局部山火蔓延潜势速率为:
43、;
44、式中:为网格处的坡度;为基准蔓延速率;为网格在第t日的降水量;为风场方向与网格指向的一致性程度的权重;为坡度的权重;为总燃料强度的权重;为降水抑制项的权重;
45、s37中,等效蔓延时间为:
46、;
47、式中:为欧式距离;
48、s38中,单火点潜在风险贡献为:
49、;
50、式中:为空间衰减系数exp(·)为指数函数;
51、s39中,逐网格的单日空间软标签为:
52、;
53、式中:为第t日的火点集合;
54、s310中,时空软标签为:
55、;
56、式中:为环境条件门控函数;为时间软化目标日;为火点的跨日影响范围的时间核函数。
57、进一步地,s4包括以下子步骤:
58、s41、将历史动态变量与历史火情软标签输入至历史动态子分支,得到历史初始隐状态;
59、s42、将未来7日数值天气预报变量输入至未来气象子分支,得到未来气象特征表示;
60、s43、将静态变量输入至静态背景子分支,得到融合日期信息后的静态背景特征表示;
61、s44、将历史初始隐状态作为递推初值,将辅助风险上下文特征、前一预测步的隐状态、当前预测步对应的逐日条件表征、未来气象特征表示和融合日期信息后的静态背景特征表示输入至跨日自回归递推分支,在通道维进行拼接,并输入至递推单元,更新当前日的隐状态,并生成对应的预测辅助风险图;
62、s45、对前一预测步的真实辅助软标签图和预测辅助风险图进行随机采样,得到辅助风险;
63、s46、将辅助风险输入至概率解码分支,并利用训练样本训练深度学习模型,利用训练后的深度学习模型输出未来7日逐网格山火发生概率。
64、进一步地,s41中,将历史动态变量与历史火情软标签沿通道维拼接后,进行3-d卷积、批归一化和gelu激活,得到初始历史特征表示和历史动态子分支中第l个带残差连接的膨胀因果卷积层输出的历史特征表示,分别为:
65、;
66、;
67、式中:为分支中3-d卷积层的卷积核;为分支中的第l个膨胀因果卷积层的卷积核;为卷积操作;为gelu激活函数;为拼接操作;为批归一化;为历史动态变量;为历史火情软标签;为第l个膨胀因果卷积层的输入特征图。
68、进一步地,s43中,融合日期信息后的静态背景特征表示为:
69、;
70、式中:为将日期特征沿空间维复制;为静态背景特征表示。
71、进一步地,s44中,预测辅助风险图为:
72、;
73、;
74、;
75、式中:为该2-d卷积的卷积核;表示由一层卷积映射与一个带残差连接的2-d卷积块组成的递推单元;为sigmoid激活函数;为当前日的隐状态;为预测辅助风险图生成层的可学习权重参数;为预测辅助风险图生成层的偏置参数;为拼接操作;为辅助风险上下文特征;为前一预测步的隐状态;为当前预测步对应的逐日条件表征;为当前预测步未来气象特征表示;为融合日期信息后的静态背景特征表示;为gelu激活函数;为批归一化;为前一预测日的辅助风险图。
76、本发明的有益效果是:
77、1、本发明设计多分支网络架构,并通过历史动态、未来气象和静态背景多分支编码以及逐日自回归递推,对未来7日山火风险进行连续建模;结合计划采样可减小多步训练与推理差异,提高中后期预测的稳定性,通用性与可扩展性强。
78、2、本发明构造融入风场方向、坡度、燃料状态、降水抑制、时间衰减和环境门控的时空软标签,使稀疏0/1火点标签转化为更平滑、更具结构性的辅助监督,从而扩大风险相关区域的有效训练信号并提升正类识别能力。
79、3、本发明在未来7日逐日概率预测基础上进一步进行有界概率分布参数化,可同时给出风险水平和不确定性信息,为电网有关部门的灾前预防工作提供参考,具备一定工程应用价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com