一种基于现行污区图和遥感数据的融合方法及装置与流程

1.本发明涉及大气遥感技术领域，尤其涉及一种基于现行污区图和遥感数据的融合方法及装置。


背景技术：

2.电网由于受到微地形、微气象的影响，以及大量重污染企业的存在，部分电网工程附近污秽较重，过量的电力污秽会导致绝缘装置失效，从而引起设备外表面放电导致线路跳闸，影响电网的可靠运行。
3.目前，我国的电力污秽等级评估主要依靠现场取样测试与污秽在线监测装置测量，该类方法存在以下缺点：1)数据获取周期长、连续性差；2)数据点离散；3)数据不能真实反应污秽成分情况的缺点。同时对于广域范围内采用现场取样和在线监测的方法进行测量，存在获取成本高的问题，同时其评估结果也具有较大的主观性。
4.现行电力污区图的绘制已经具有一定的行业标准，并在多个省份得到实施，其在有现场测点的地区具有很高的精确度和认可度。但是，在大量没有人工采点的地区可信度较差。基于遥感数据驱动的电力污秽累积风险评估是近年来的新兴技术，但是其污区评定结果在行业内尚不具备广泛的共识。因此，发展一种融合方法，在现行污区图的基础上，吸纳新技术评价结果，实现电网污秽的客观、智能、高效监测及运维是一项具有重要意义和巨大潜力的技术方案。


技术实现要素：

5.本发明提供了一种基于现行污区图和遥感数据的融合方法及装置，以解决电网区域电力污秽等级评估中数据获取周期长、连续性差，数据不能真实反应污秽成分情况的问题。本发明通过以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
6.本发明通过以下技术方案实现：
7.第一方面，本技术提供一种基于现行污区图和遥感数据的融合方法，所述方法包括：
8.获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
9.根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
10.根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；
11.根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
12.进一步地，所述第一遥感数据包括：对流层二氧化氮柱浓度、二氧化硫柱浓度、
pm2.5、pm10、ndvi和nightlight(band 1-6)夜光等级(1-6)。
13.进一步地，所述第一遥感数据通过爬虫方式获取。
14.进一步地，所述第一重采样数据是将所述第一遥感数据重采样至0.01
°
分辨率。
15.进一步地，对所述第一遥感数据重采样采用三次埃尔米特差值。
16.进一步地，所述集成学习器方法包括：
17.将所述测试集，初始化权重后，得到初始弱分类器；
18.根据所述初始弱分类器，更新下一个弱分类器的权重，得到第一权重；
19.根据所述第一权重，计算出当前分类器的权重，得到所述电网污染区域等级监测模型。
20.第二方面，本技术提供一种基于现行污区图和遥感数据的融合装置，所述装置包括：
21.第一单元：所述第一单元被配置为执行获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
22.采样单元：所述采样单元被配置为执行根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
23.学习单元：所述学习单元被配置为执行根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练得到电网污染区域等级监测模型；
24.获取单元：所述获取单元被配置为执行根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
25.本技术的技术方案主要是获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
附图说明
26.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
27.图1为本技术提供的一种基于现行污区图和遥感数据的融合方法的流程示意图；
28.图2为本技术提供的一种基于现行污区图和遥感数据的融合装置的结构示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.目前，电力污秽等级评估主要依靠现场取样测试与污秽在线监测装置测量，该类方法存在以下缺点：1)数据获取周期长、连续性差；2)数据点离散；3)数据不能真实反应污秽成分情况的缺点。同时对于广域范围内采用现场取样和在线监测的方法进行测量，存在获取成本高的不足，同时其评估结果也具有较大的主观性因此，本技术提供了一种基于现行污区图和遥感数据的融合方法及装置，通过以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。下面对本技术技术方案进行详细说明：
31.参见图1，为本技术提供的一种基于现行污区图和遥感数据的融合方法的流程示意图；
32.由图1可知，为本技术提供的一种基于现行污区图和遥感数据的融合方法，所述方法包括：
33.步骤s1：获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
34.通常获取的遥感数据覆盖面积较广，因此需要通过设置程序切分原则，以云南省为例，根据实测数据的时间信息，批量下载遥感数据，选取云量少，信噪比高的遥感数据，获取与实地电网污染区域取样数据匹配的遥感数据。其中具体边界信息可通过shp格式文件定义，数据可通过爬虫方式获取。
35.步骤s2：根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
36.本技术实施例中用到的遥感数据包括：对流层二氧化氮柱浓度、二氧化硫柱浓度、pm2.5、pm10、ndvi和nightlight(band 1-6)夜光等级(1-6)。其次还用到了各类污染物的排放清单，包括oc、co2、co、nh3、nox、so2、voc、pm2.5、ec、和pm10等级(7-17)(band 7-17)。风速降雨等级(18-19)(band 18-19)。
37.由于多波段数据分辨率不同，因此使用三次埃尔米特插值，让所述第一遥感数据重采样至0.01
°
分辨率，如下列公式所示。
38.g(x)＝hkyk(x) h
k 1yk 1
(x) hk(x)y
′k h
k 1
(x)y
′
k 1
[0039][0040]
其中xk、x
k 1
、yk、y
k 1
分别表示插值点前后的数值点的x坐标和y坐标，y
′k和y
′
k 1
分别表示这两点的导数值。
[0041]
步骤s3：根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；
[0042]
依据集合集成学习器方法，是通过将一簇简单的学习器集合在一起实现强学习
器。先从初始训练集训练出一个基学习器，再根据基学习器的表现对样本分布进行调整，使得先前的基学习器做错的训练样本在后续收到更多的关注，然后基于调整后的样本分布来训练下一个基学习器。本发明中通过目标区域测量结果作为数据来源，构建测试集和训练集，测试集可表示为下列公式。
[0043]
t＝{(x1,y1),(x1,y1),...,(xn,yn)}
[0044]
其中xn为测试集中污染点的坐标，yn为其污染的等级。初始化权重之后，获得初始弱分类器。计算所述初始分类器在分类上的错误率，如下列公式，其中p为事件发生概率，gm(xi)为弱分类器，w
mi
为初始化的权重，i(gm(xi)≠yi)表示当前分类结果与预测结果间的差值。
[0045][0046]
根据下列公式更新下一个弱分类器的权重以及计算出当前分类器的权重。
[0047][0048]
其中w
m 1，i
为下一个弱分类器的权重，w
mi
为当前分类器内部的权重，zm为当前分类器的规范化因子，由给出，αm为当前分类器的权重，由给出。
[0049]
通过反复训练，当错误率下降到预期程度后停止集成算法的生成，给出当前分类器下的训练结果，获得基于所述第一遥感数据的电网污染区域等级监测模型。
[0050]
步骤s4：根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
[0051]
根据卡尔曼滤波算法，计算两种数据融合的高精度、高时空电网污染区域等级监测模型，得到所述第一电网污染区域等级监测模型。
[0052]
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。在本技术实施例中，以基于集成器算法生成的电网污染区域等级监测模型为模型产生的预测值，而所述实地电网污染区域取样数据为真实的测量值。
[0053]
通过步骤s3，获得了基于所述第一遥感数据的电网污染区域等级监测模型，获得了该数据背景下的污区等级的概率分布。同时，现在也获得了实际测量的污染等级数据，及其分布概率。
[0054]
可以认为，这两种污染区域的分布概率都符合高斯分布的特点，因此，可以给出在某一区域实际测量的污染等级下，基于所述第一遥感数据的电网污染区域等级监测模型认为的污染等级概率，由下列公式给出。
[0055]
[0056]
其中ya、yb分别为基于所述第一遥感数据的电网污染区域等级监测模型和基于实测数据电网污染区域等级监测模型上某一位置的污染等级，p(ya|yb)为在yb发生的概率下ya发生的概率，μ、∑分别为高斯分布均值和协方差矩阵，分别由下列公式给出
[0057][0058][0059]
其中μa为基于所述第一遥感数据的污区等级概率分布的平均值，μb为基于实测数据污区等级概率分布的平均值，∑
aa
、∑
ab
、∑
ba
分别为基于遥感数据的污区等级概率分布的协方差矩阵、基于所述第一遥感数据的污区等级概率分布和基于实测数据电网污区模型之间的协方差矩阵，为基于实测数据电网污区等级概率分布协方差矩阵的逆矩阵。
[0060]
通过以上公式推导，可以发现当两个基于高斯分布的信号相乘之后，其概率分布的方差变小了，即数据之间的不确定性减少了，于是最终预测精度便得到了提高。
[0061]
因此，可以用卡尔曼滤波的方式，利用基于所述第一遥感数据的污区等级概率分布信息和基于实测数据的污区等级概率分布的信息，更新基于实测数据的污区等级概率分布的协方差矩阵和均值，获得最终的两种数据融合的高可信、高时空第一电网污染区域等级监测模型。
[0062]
根据观测方程可知，在某一观测值的污区等级下，某一真实污染等级的概率由下列公式给出：
[0063][0064]
其中代表矩阵2πq
t
行列式值的开方值，q
t
为基于实测数据的污区等级概率分布的协方差矩阵，z
t
为某一污染等级，c
t
x
t
代表着观测出的污区等级，由实际观测所用由下列公式给出。
[0065][0066]
其中c
t
为观测值所用的观测矩阵，实际观测值中可以给出，以及∑
t
由基于所述第一遥感数据的污区等级概率分布的协方差举证迭代而来，由下列公式给出，为矩阵c
t
的转置，为矩阵求逆。
[0067][0068][0069]
其中r
t
为基于所述第一遥感数据的污区等级概率分布协方差矩阵，a
t
由基于所述第一遥感数据的污区等级概率分布信息，在本技术实施例中可认为其为单位矩阵。
[0070]
通过卡尔曼增益，可以获得更新的基于实测数据的电网污区等级概率分布均值，由下列公式给出。
[0071]
[0072]
其中为当前基于实测数据的电网污区等级概率分布的均值，μt为更新之后的数值。
[0073]
更新后的基于实测数据的电网污区等级概率分布由下列公式给出
[0074][0075]
综上所述，可以知道当观测精度很高时，基于实测数据的电网污区等级概率分布的方差q
t
很小，此时更新后的信息由实测数据决定，因此在有实测数据的地方，污染等级划分会极大的依靠现行污区图结果；而在无实测数据的地方，主要依赖预测数据，此时更新后的信息由遥感驱动的污区等级划分决定，因而，充分融合两种数据优势是提高融合模型的精度和可信性。
[0076]
参见图2，为本技术提供的一种基于现行污区图和遥感数据的融合装置的结构示意图。
[0077]
由图2可知，为本技术提供的一种基于现行污区图和遥感数据的融合装置，所述装置包括：
[0078]
第一单元11：所述第一单元11被配置为执行获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；
[0079]
采样单元12：所述采样单元12被配置为执行根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；
[0080]
学习单元13：所述学习单元13被配置为执行根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练得到电网污染区域等级监测模型；
[0081]
获取单元14：所述获取单元14被配置为执行根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。
[0082]
本技术的技术方案主要是获取与实地电网污染区域取样数据匹配的遥感数据，得到第一遥感数据；根据所述第一遥感数据，对所述第一遥感数据重采样，得到第一重采样数据；根据集成学习器方法，以所述实地电网污染区域取样数据作为数据来源，对所述第一重采样数据划分训练集和测试集，通过训练，得到电网污染区域等级监测模型；根据所述电网污染区域等级监测模型和所述实地电网污染区域取样数据，通过卡尔曼滤波算法优化后，得到第一电网污染区域等级监测模型。以卡尔曼滤波为基础的算法，根据同一观测对象的时空一致性为物理基础，以最小均方误差为最佳估计准则，融合地面取样数据与遥感数据结果，通过迭代优化过程获得最终的电网污染区域等级划分结果。实现在覆盖性、认可度、更新频次三个维度各自优势互补，使得得到电网污染区域等级划分结果更加可信。
[0083]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。
[0084]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并
且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。