一种自动化火点判识方法及系统与流程

本发明涉及电气工程技术领域，尤其涉及一种自动化火点判识方法及系统。

背景技术：

为积极应对电网山火威胁，电力企业采取了多种监测措施，其中，卫星监测技术因其监测范围广、运行维护成本低等优点而被应用于电网山火监测工作中。卫星山火监测主要依赖山火热点红外信号的判别，但是，卫星传输的红外数据通常包含多个通道、不同类别，数据量大，且受人工经验因素影响，技术人员往往不能全面有效的利用红外数据的各项特征值。近年来，同步卫星火点监测技术的出现在一定程度弥补了极轨卫星过境时间短的问题，但受到监测高度等因素的影响，同步卫星判识软件对火点的粗判结果极易出现误判等情况，仍需要人工订正，且同步卫星每隔10分钟传输一次数据，进一步增加了技术人员的工作量，降低了判火效率，人为影响因素较强、经验依赖性较高、卫星数据信息挖掘不完善、不全面。

因此，如何实现自动化火点判识，且有效缩短判火工作周期成为一个急需解决的问题。

技术实现要素：

本发明目的在于提供一种自动化火点判识方法及系统，以实现对电网山火的火点判断，且有效缩短判火工作周期。

为实现上述目的，本发明提供了一种自动化火点判识方法，包括以下步骤：

s1：选取同步卫星的历史热点监测数据得到初始数据集，将所述初始数据集划分为训练数据集和验证数据集；

s2：根据所述训练数据集建立二叉树计算模型，并采用所述验证数据集验证所述二叉树计算模型是否有效，若无效则调整所述历史热点监测数据重新建立二叉树计算模型，直至所述二叉树计算模型有效；

s3：获取卫星实时监测到的新的热点监测数据输入所述二叉树计算模型，若所述二叉树计算模型的输出值属于第一阈值范围，则将该热点判识为真火点；若二叉树计算模型的输出值属于第二阈值范围，则将该热点判识为伪火点。

优选地，所述s2具体包括以下步骤：

s21：收集所述历史热点监测数据对应的火点真伪结果；

s22：假设x为输入变量，y为输出变量，且y是连续变量，则训练数据集d表示为：

d＝{(x1,y1),(x2,y2),......,(xn,yn)}；

s23：将一个输入变量视为一个区域，以x的特征j的取值s作为切分点将训练数据集中的每一个输入空间都划分为两个区域r1、r2，并决定每个区域上的输出值，构建二叉决策树为：

r1(j,s)＝{x|x^(j)≤s},r2(j,s)＝{x|x^(j)＞s}；

s24：根据所述二叉决策树建立第一二叉树公式为：

式中，c1为r1区间内的输出平均值，c2为r2区间内的输出平均值，其计算方法为：

式中，x∈rm，m＝1,2；

以使所述第一二叉树公式中的平方误差最小为目的，依次遍历每个特征j的每个取值s，计算出当前每一个可能的切分点的误差，最后选择使误差最小的切分点将输入空间划分为两个区域，然后对该两个区域进行进一步划分并以此递归上述划分步骤，直到划分结束；

s25：综合二叉划分得到的所有区域，生成符合决策要求的优化后的二叉树计算模型为：

式中，i为权重系数，m为m的可取值范围。

优选地，所述s25中，所述决策要求为：二叉树计算模型中的每一个决策末端的输出值都属于所述第一阈值范围或所述第二阈值范围内。

优选地，所述第一阈值范围为0～0.3；所述第二阈值范围为0.7～1。

优选地，所述s3具体包括以下步骤：

将验证数据集输入二叉树计算模型，将二叉树计算模型的判断结果与实际火点真伪结果进行比对，若超过95％的判断结果与实际结果一致，则认为二叉树计算模型有效。

优选地，所述s3之后还包括步骤：将卫星实时监测到的新的热点监测数据和实际结果归入历史数据，更新二叉树计算模型。

优选地，所述卫星为葵花8号卫星，所述历史热点监测数据包括：监测时间、热点所处经纬度、卫星观测角、卫星方位角、7通道亮温、以及14通道亮温中的一种或者任意几种的组合。

作为一个总的技术构思，本发明还提供一种自动化火点判识系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

本发明具有以下有益效果：

本发明提供一种自动化火点判识方法及系统，对同步卫星的历史热点监测数据进行计算分析，建立二叉树计算模型，再将需要判识的卫星监测的新的热点数据输入该二叉树计算模型，可以快速且准确的得到判识结果；该火点自动化判识方法从数学统计角度充分挖掘了卫星监测的热点数据特征，并根据数据特征判断火点的真伪，避免了人工判断的错误，提高了判断的准确性，且有效地缩短了判火工作周期。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的自动化火点判识方法流程图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而仅仅是为了便于对相应零部件进行区别。同样，“一个”或者“一”等类似词语不表示数量限制，而是表示存在至少一个。

实施例1

参见图1，本实施例提供一种自动化火点判识方法，包括以下步骤：

s1：选取同步卫星的历史热点监测数据得到初始数据集，将初始数据集划分为训练数据集和验证数据集；

s2：根据训练数据集建立二叉树计算模型，并采用验证数据集验证二叉树计算模型是否有效，若无效则调整历史热点监测数据重新建立二叉树计算模型，直至二叉树计算模型有效；

s3：获取卫星实时监测到的新的热点监测数据输入二叉树计算模型，若二叉树计算模型的输出值属于第一阈值范围，则将该热点判识为真火点；若二叉树计算模型的输出值属于第二阈值范围，则将该热点判识为伪火点。

上述的自动化火点判识方法，从数学统计角度充分挖掘了卫星监测的热点数据特征，并根据数据特征判断火点的真伪，避免了人工判断的错误，提高了判断的准确性，且有效地缩短了判火工作周期。

作为本实施例优选的实施方式，s2具体包括以下步骤：

s21：收集历史热点监测数据对应的火点真伪结果；

s22：假设x为输入变量，y为输出变量，且y是连续变量，则训练数据集d表示为：

d＝{(x1,y1),(x2,y2),......,(xn,yn)}；

s23：将一个输入变量视为一个区域，以x的特征j的取值s作为切分点将训练数据集中的每一个输入空间都划分为两个区域r1、r2，并决定每个区域上的输出值，构建二叉决策树为：

r1(j,s)＝{x|x^(j)≤s},r2(j,s)＝{x|x^(j)＞s}；

s24：根据二叉决策树建立第一二叉树公式为：

式中，c1为r1区间内的输出平均值，c2为r2区间内的输出平均值，其计算方法为：

式中，x∈rm，m＝1，2，rm为划分的第m个区域，cm为第m个区域内的输出平均值；以使第一二叉树公式中的平方误差最小为目的，依次遍历每个特征j的每个取值s，计算出当前每一个可能的切分点的误差，最后选择使误差最小的切分点将输入空间划分为两个区域，然后对该两个区域进行进一步划分并以此递归上述划分步骤，直到划分结束。需要说明的是，使第一二叉树公式中的平方误差达到最小可以使训练得到的计算结果更准确。切分点将输入空间划分为两个区域之后，进一步对划分得到的两个区域进行划分，由于每组环境监测数据之间存在一定的关联性，因此随着区域的递归划分，可以从环境监测数据中的某类环境数据导向环境监测数据中的另一类环境数据，进一步挖掘出环境监测数据的各类数据特征及彼此之间的关联，基于该数据特征和关联性进行结果分析，可以使分析结果更为准确。

s25：综合二叉划分得到的所有区域，生成符合决策要求的优化后的二叉树计算模型：

式中，i为权重系数，m为m的可取值范围。

通过上述机器学习的方法，从数学统计角度挖掘环境监测数据的数据特征，并根据环境监测数据的数据特征判断是否需要停机，实现了判断过程的自动化，且避免了人工判断的人为因素带来的错误。

作为本实施例优选的实施方式，s25中，决策要求为：二叉树计算模型中的每一个决策末端的输出值都属于第一阈值范围或第二阈值范围内，本实施例中，第一阈值范围为0～0.3；第二阈值范围为0.7～1；其中，数值范围0～0.3表示伪火点，数值范围0.7～1表示真火点。

作为本实施例优选的实施方式，s3具体包括以下步骤：

将验证数据集输入二叉树计算模型，将二叉树计算模型的判断结果与实际火点真伪结果进行比对，若超过95％的判断结果与实际结果一致，则认为二叉树计算模型有效。

进一步地，s3之后还包括步骤：将卫星实时监测到的新的热点监测数据和实际结果归入历史数据，更新二叉树计算模型。通过数据的不断扩充与公式的不断更新，可以持续完善公式，保证计算结果的正确性。

具体地，收集葵花8号同步卫星升空以来已经监测到并得到验证的电网山火火点和伪火点的相关数据(以下简称热点相关数据)作为初始数据集，其中，火点数据530条，伪火点数据471条，在收集热点相关数据时，要求热点相关数据包括的信息有：监测时间、热点所处经纬度、卫星观测角、卫星方位角、7通道亮温、14通道亮温、7/14通道亮温差、7通道平均亮温、14通道平均亮温、7/14通道平均亮温差、7通道亮温标准差、14通道亮温标准差、7/14通道亮温差的标准差、3通道反射率、4通道反射率、山火指数等。应当明确的是，本发明所指的热点相关数据并不限定为这几种，而应当是卫星监测到的所有能体现山火特征的数据，此处给出的相关数据供示例说明。

进一步地，选取上述初始数据集中70％的数据作为训练数据集，按照上述训练步骤得到二叉树计算模型，并将剩余的30％的数据作为验证数据集验证该二叉树计算模型有效性，本实施例中，1条热点数据的输出结果为0.25，被判识为伪火点，而实际为真火点，判识错误；而其他的判识均正确。因此本实施例中二叉树计算模型的判识成功率为99.7％。则二叉树计算模型有效，符合计算要求。

进一步地，将葵花8号卫星监测到的最新的未参与训练与验证的热点数据整理为符合上述相关数据的要求，并将其输入本实施例中的二叉树计算模型进行判识，其判识结果如下表1所示：

表1同步卫星监测火点数据和判识结果

经事实验证，上述5个热点均是伪火点，本方法判别结论准确。将上述5个伪火点信息归入卫星监测的历史信息更新二叉树计算模型，以保证二叉树计算模型可以维持有效性，和准确性，避免选取的历史数据久远而导致的不准确的结果，提高山火判识的自动化和有效性。

实施例2

与上述方法实施例相对应地，本实施例提供一种自动化火点判识系统，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，处理器执行程序时实现上述方法的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。