基于XGBoost的输电线路火灾风险等级评估方法

山林火灾是威胁输电线路安全运行的威胁之一。首先,回顾湖南省2018—2020年的历史山火事件发生规律,在此基础上构建山火事件样本库,引入独热编码技术对线路植被类型等文本类特征进行数值化处理;然后,利用XGBoost技术构建输电线路山火风险评估模型,针对山火样本和正常运行样本的不平衡问题,基于代价敏感机制提出加权目标函数,减小样本不平衡导致的山火漏判问题;最后,通过湖南省永州市2020—2021年的山火事件进行测试,验证本文所提出的输电线路山火风险评估模型的有效性。

基于山火时空特性的深度学习火点识别模型

山火风险评估对火灾管理有着重要的作用。本文将NASA-FIRM网站上获取的2018~2019年的山火火点以及电网巡检发现的火点作为实验数据集,通过调研山火的影响因子,最终从天气数据、遥感数据、地形因素、人为因子四个方面选取了降雨量、平均相对湿度、最高气温、最大阵风风速、最大阵风风向、植被归一化指数、植被含水率、海拔、坡度、坡向、距离道路的距离、距离河流的距离、距离村庄的距离15个因素作为山火的影响因子。我们将数据集输入到ConvLSTM模型分类器进行训练验证。基于不同山火影响因子对山火的影响程度不同的思想,我们提出在ConvLSTM上添加通道注意力机制,让模型在训练的过程中学习各个通道对山火影响的权重,对ConvLSTM添加通道注意力机制(Attention ConvLSTM, Att-ConvLSTM),对模型重新进行训练,实验结果显示,改进后的通道注意力ConvLSTM模型在验证集对山火的识别准确率提升了5.7%,改进后的模型预测和真实情况更加吻合。这使得模型能够更准确地根据山火影响因子对输电走廊附近区域进行山火风险评估预测,使电网单位能够及时发布预警消息。