一种架空输电线路山火卫星监测分区方法与流程

本发明属于电力系统防灾减灾技术领域，具体涉及一种架空输电线路山火卫星监测分区方法。

背景技术：

架空输电线路走廊附近山火是电力系统主要灾害之一，利用卫星监测线路山火是一种十分有效的监测手段。但线路山火与森林火灾不同，发生面积小、信号弱，且发生迅速，这对卫星监测的精度要求非常高。现有的监测大面积森林火灾采取的是单一阈值的方法，而实际阈值受植被、气象等因素影响非常大，各地合适的阈值不尽相同，若沿用单一阈值的监测手段进行电网山火监测，势必造成大量火点漏测或误测。为此，需要将监测区域分为不同的分区，对每个分区区赋予不同的阈值，以提高电网山火监测精度。然而，目前对监测区域分区只能依靠经验进行，无有效的算法，缺乏科学依据，导致分区效果不理想。

因此，有必要设计一种分区准确性性高、实用性强的架空输电线路山火卫星监测分区方法。

技术实现要素：

本发明所解决的技术问题是，针对现有技术的不足，提出了一种架空输电线路山火卫星监测分区方法，能将监测区域分为不同的聚类，从而为每个聚类代表地理区域赋予不同的监测阈值，避免对大范围监测区域使用统一阈值，以提高电网山火卫星监测的准确率，减少漏测、误测。

本发明所提供的技术方案为：

一种架空输电线路山火卫星监测分区方法，根据影响监测阈值的四个变量：平均归一化植被指数NDVI、平均气温(白天)T、日均湿度H以及日均降水量P将监测区域分为不同的聚类，得到若干个分区。

设监测区域由n个行政区域组成，对应n个数据点分别为g₁(NDVI₁,T₁,H₁,P₁)，g₂(NDVI₂,T₂,H₂,P₂)，…，g_n(NDVI_n,T_n,H_n,P_n)，n＝1,2,3,…，其中NDVI_n,T_n,H_n,P_n分别表示第n个行政区域的平均归一化植被指数、平均气温、日均湿度以及日均降水量；根据需要，将监测区域分为k个分区，k＝1,2,3,…，k<n；则问题简化为求取g₁～g_n的最优k聚类，即寻找最合适的k个聚类中心，将其余每个点分配至距离最近的聚类中心代表的类中；

求取g₁～g_n的最优k聚类包括以下步骤：

步骤1、随机选取k个数据点，作为k个聚类中心，再将剩余的数据点分配至距离最近的聚类中心，所述距离计算方法为：

$D(g_n,g_k)=\sqrt{{({\mathrm{NDVI}}_n-N_k)}^2+{(T_n-T_k)}^2+{(H_n-H_k)}^2+{(P_n-P_k)}^2}---\left(1\right)$

式中，D(g_n,g_k)为数据点g_n与g_k之间的距离；

步骤2、计算聚类有效性，定义聚类有效值eff如式(2)所示：

式中，k为聚类数目，g_i,g_j为各聚类中的元素，d(Erea_i,Erea_j)为聚类Erea_i与聚类Erea_i(i,j＝1,2,…,k)的最小距离，即聚类Erea_i中元素与聚类Erea_i中元素之间的距离的最小值；为聚类Erea_l(l＝1,2,…,k)的直径，即聚类Erea_l中元素间的最大距离；max、min分别为求最大值、最小值函数；

根据式(2)计算该类聚方法聚类有效值eff；

步骤3、改变聚类中心，重复步骤1和步骤2，直至列出所有种聚类方法，并计算出各个类聚方法对应的聚类有效值eff；

步骤4、选取最优聚类方法。根据步骤3的计算结果，寻找第x种聚类方法，使得式(3)得到满足，则该聚类方法为最佳聚类方法；

${\mathrm{eff}}_x=\underset{m=1,2,...C_n^k}{max}\left({\mathrm{eff}}_m\right)---\left(3\right)$

本发明根据影响监测阈值的四个变量：平均归一化植被指数NDVI、平均气温(白天)T、日均湿度H以及日均降水量P进行聚类分析，将监测区域分为不同的聚类，从而为每个聚类代表地理区域赋予不同的监测阈值，避免对大范围监测区域使用统一阈值，以提高电网山火卫星监测的准确率，减少漏测、误测。

本发明的有益效果是：

监测阈值Th与植被、气象等因素密切相关，可视为平均归一化植被指数NDVI、平均气温(白天)T、日均湿度H以及日均降水量P的函数，即Th＝f(NDVI,T,H,P)。本发明针对输电线路山火卫星监测分区需求，本发明提出了一种监测阈值聚类方法＝，系以上述变量为依据，对监测区域进行聚类分析，将性质相近的子区域划分为一个聚类，如此可将监测区域根据需要分为若干个聚类，得到若干个分区，并通过有效性检验，保证了分区的准确性与实用性，为电网山火卫星分区阈值监测提供了科学依据；各聚类分区使用单独的监测阈值，可大大减小使用统一阈值带来的火点漏判与误判，提高卫星监测电网山火准确率和精度。

附图说明

图1为本发明流程图。

具体实施方式

下面结合附图和具体实施方式对本发明所述方法进行进一步具体说明。

实施例1：

某省有14个地级市，各市平均归一化植被指数NDVI、平均气温(白天)T、日均湿度H以及日均降水量P分别如下表所示：

表1某省各市参数值

现要将该省分为4个聚类，求最优聚类方法，流程如图1所示。

首先，选取4个城市City1、City3、City5、City9作为4个聚类中心，根据式(1)逐一计算City2、City4、City6～City8、City10～City14距离4个聚类中心的距离，计算结果如表2所示。

表2第一次运算结果各数据点与中心点的距离

从表2中可以看出，City2、City4、City6～City8、City10～City14距离最近的中心分别为City1、City5、City1、City1、City9、City3、City1、City1、City1、City1，由此得到第一种聚类：

Erea₁：{City1、City2、City6、City7、City11、City12、City13、City14}；

Erea₂：{City3、City10}；

Erea₃：{City4、City5}；

Erea₄：{City8、City9}。

然后计算第一次聚类运算的有效性。经计算，有：

则

d(Erea₁,Erea₂)＝D(City3,City12)＝3.003，d(Erea₁,Erea₃)＝D(City4,City12)＝1.010，d(Erea₁,Erea₄)＝D(City7,City9)＝2.832，d(Erea₂,Erea₃)＝D(City3,City4)＝3.162，d(Erea₂,Erea₄)＝D(City9,City10)＝8.256，d(Erea₃,Erea₄)＝D(City5,City9)＝5.106，则

$\underset{i=1,2,\mathrm{...4}}{\min }\{\underset{j=i+1,i+2,\mathrm{...4}}{\min }\&lsqb;d({\mathrm{Erea}}_i,{\mathrm{Erea}}_j)\&rsqb;\}=d({\mathrm{Erea}}_1,{\mathrm{Erea}}_3)=D(City4,City12)=1.010$

于是，

最后，改变4个聚类中心，重复上述步骤，直至列出所有种聚类方法，并求得eff₁～eff₁₀₀₁，寻找第x种聚类方法，使得

${\mathrm{eff}}_x=\underset{m=1,2,...1001}{max}\left({\mathrm{eff}}_m\right)$

则该聚类方法得到的为最佳聚类。