基于BP神經網絡輸電線路山火隱患點識別

張曄+楊國田+于磊

摘 要：隨著全球氣候持續升溫，山火出現的概率不斷上升，導致輸電線路跳閘停電事故頻繁發生，對電網的穩定運行構成嚴重威脅。同時，輸電線路山火隱患點的影響因素眾多，目前的識別方法難以解決山火隱患點狀態與各因素之間的復雜非線性關系。為此，文章提出了一種基于BP神經網絡輸電線路山火隱患點識別方法。首先確定了輸電線路山火災害影響因素，根據山火歷史資料分析了影響因素指標與穩定性狀態的相關性，然后通過神經網絡模型建立起輸電線路山火隱患點狀態與各項評價因子之間的復雜非線性關系，并進行隱患點識別。以山西省為例，進行實際評估，并驗證該方法的正確性和可行性。實驗結果表明，所建立的神經網絡評價模型具有較好的識別效果和可信度，與歷年來該區域的輸電線路山火隱患點調查結果相一致。

關鍵詞：輸電線路；山火隱患點；BP神經網絡

近年來，隨著我國電力行業的不斷擴大，越來越多的輸電線路穿越林區。同時，為了開發我國西南水電資源，使水電廠輸出線路跨越森林的概率增加[1]。然而，由于全球氣候日益變暖以及林區人類活動的加劇，導致林區輸電線路附近山火發生的概率不斷增漲。山火不僅燒毀大片林區，還將導致該區域電網中多條輸電線路的跳閘停電事故，對電網的穩定運行構成嚴重威脅，給人民生活帶來不便[2]。因此對輸電線路山火危險隱患點狀態進行判別研究具有很重要的現實意義。

文章針對山西省輸電線路山火災害，分析了山火災害的影響因素，以山西省近幾年發生輸電線路山火災害的歷史資料為基礎，提出一種基于BP神經網絡的識別方法，并對輸電線路山火隱患點狀態進行實際評估。以山西省為例，驗證了所述方法的適用性和正確性。該方法可以比較準確地實現輸電線路山火隱患點狀態的識別。

1 研究區域概況

研究區地貌多為黃土廣泛覆蓋的山地高原，地勢東北高西南低，高原內部起伏不平，河谷縱橫，地貌類型復雜多樣，有山地、丘陵、臺地、平原，山多川少。由于省境東部山嶺阻擋，氣候受海洋影響較弱，在氣候類型上屬于溫帶大陸性季風氣候。同時該區域所處緯度地帶性明顯，水熱條件差異大，受水熱配置狀況的影響，由東南向西北形成了暖溫帶和溫帶兩個氣候帶，相應的形成了暖溫帶夏綠闊綠林和溫帶草原兩個植被帶。

2 輸電線路山火災害影響因素分析

針對輸電線路山火災害的影響因素，研究空間預測方法。輸電線路山火災害的因素及指標如圖1所示。以山西省為例，根據輸電線路山火的發生條件，將隱患點狀態劃分為三類：穩定、欠穩定和不穩定。統計分析了山西省輸電線路山火災害隱患點的各類特征參數。

圖1 輸電線路山火災害因素及指標

對山火影響因素進行成份分析，得到火山隱患點穩定性變異與各因素之間的相關性，也就是各因素對穩定性變異的貢獻率[3]，如表1所示。

表1 穩定性變異分析 %

由表1可知，地貌類型和植被類型的影響較小，氣象各因素指標的影響差別不大，而人為因素對穩定性變異的影響比其他指標稍大。

3 輸電線路山火隱患點評價方法

由上述分析可知，輸電線路山火隱患點狀態是由輸電線路附近的多種影響因素相互作用而成，它們之間存在著非線性、不確定性以及隨機性，因此無法精確描述各因素對山火隱患點的影響程度。為了解決此類問題，文章將神經網絡模型應用于輸電線路山火隱患點評價中。人工神經網絡能夠在不知道輸出變量與輸入變量之間關系的情況下，較好地獲得兩者間的非線性映射關系。

3.1 BP神經網絡模型

BP神經網絡是目前應用最廣、最完善的人工神經網絡模型，它由輸入層、隱含層及輸出層組成，隱含層一般采用單隱含層網絡。其中輸入層用以將外部信息輸入到神經網絡中，輸出層根據輸入信息做出相應的決策，而隱含層用以存儲網絡參數。

3.2 山火隱患點評價模型建立

根據上述神經網絡理論和算法步驟，建立輸電線路山火隱患點評價模型應包括：根據山火災害特點建立合適的網絡結構，然后根據評價指標體系及隱患點狀態建立訓練樣本集及對應的期望輸出，并用以訓練網絡直至收斂，最后用訓練好的網絡進行預測。

4 實例分析

文章以山西省近幾年的輸電線路山火災害為例，對上述山火隱患點識別步驟進行說明，并驗證該方法的正確性。

4.1 評價模型輸入

根據已建立的山火隱患點影響因素指標，選取其中的二級指標作為評價因子，并將評價因子的數量作為評價模型輸入層的神經元個數，因此輸入層神經元總數為7。

4.2 評價模型隱含層

文章采用三層BP神經網絡，其隱含層個數為1，神經元個數不少于2m/3個（m為模型輸入層神經元個數），因此評價模型隱含層的神經元個數應不少于5個。

4.3 評價模型輸出

將輸電線路山火隱患點狀態分為三個等級：穩定狀態、欠穩定狀態和不穩定狀態，并用數字1、2、3分別表示作為相應網絡的輸出，其輸出層神經元個數為1。

文章輸電線路山火隱患點BP神經網絡評價模型的結構為7-8-1。

4.4 評價模型學習樣本集

學習樣本集的選取對于評價模型的建立至關重要。文章選取研究區內60個已知隱患點狀態的樣本，隨機選取其中的40個樣本作為訓練樣本，其余20個作為測試樣本。

4.5 評價模型訓練

根據已建立的模型，用Matlab進行編程仿真。訓練誤差取為1e-3，并將歸一化后的訓練樣本輸入網絡進行訓練，其誤差收斂過程如圖2所示。網絡訓練9522次后趨于收斂，達到所需誤差精度。

4.6 評價模型測試

用余下的20個樣本對訓練好的網絡進行實際山火隱患點識別，以驗證該模型的正確性，測試結果如表2所示。

由表2可以看出，該模型的輸出結果與歷年來該區域的調查結果基本相符，因此基于BP神經網絡的山火隱患點識別模型是正確有效的。endprint

5 結束語

文章提出了一種基于BP神經網絡輸電線路山火隱患點識別方法。該方法以山西省為例，分析了山火隱患點的影響因素，并通過神經網絡模型建立起輸電線路山火隱患點狀態與各項評價因子之間的復雜非線性關系，從而實現隱患點識別。實驗結果表明，所建立的神經網絡評價模型具有較好的識別效果和可信度，與歷年來該區域的輸電線路山火隱患點調查結果相一致。

參考文獻

[1]李享.淺議輸電線路防山火故障措施[J].中國電力教育，2009，S1：240.

[2]Yen Kheng Tan， Sanjib Kumar Panda. Self-autonomous wireless sensor nodes with wind energy harvesting for remote sensing of wind-driven wildfire spread[J]. IEEE Transactions on Instrumentation and Measurement，2011，60（4）：1367-1377.

[3]費宇.應用數理統計[M].北京：科學出版社，2007.

[4]禹建穎.淺析中國森林火災影響因素及發生的原因[J].黑龍江科技信息，2011.

[5]Mark A. Finney. Calculation of fire spread rates across random landscapes[J]. International Journal of Wildland Fire，2003，12：167-174.

[6]Chuvieco Emilo. Application of remote sensing and geographic information system to forest fire hazard， mapping， remote sensor[M]. Environ. 1989：147-l59.

[7]Hefeeda， M.， Bagheri， M. Wireless sensor network for early detection of forest fires[C]. IEEE International Conference on Mobile Adhoc and Sensor Systems at Pisa，2007，10：1-6.

[8]張融民.淺析森林火災的氣象與人為因素及預防措施[J].黑龍江氣象，2011，29（1）.

作者簡介：張曄（1989-），福建人，在讀碩士研究生，研究方向為模式識別與智能系統。endprint

5 結束語

文章提出了一種基于BP神經網絡輸電線路山火隱患點識別方法。該方法以山西省為例，分析了山火隱患點的影響因素，并通過神經網絡模型建立起輸電線路山火隱患點狀態與各項評價因子之間的復雜非線性關系，從而實現隱患點識別。實驗結果表明，所建立的神經網絡評價模型具有較好的識別效果和可信度，與歷年來該區域的輸電線路山火隱患點調查結果相一致。

參考文獻

[1]李享.淺議輸電線路防山火故障措施[J].中國電力教育，2009，S1：240.

[2]Yen Kheng Tan， Sanjib Kumar Panda. Self-autonomous wireless sensor nodes with wind energy harvesting for remote sensing of wind-driven wildfire spread[J]. IEEE Transactions on Instrumentation and Measurement，2011，60（4）：1367-1377.

[3]費宇.應用數理統計[M].北京：科學出版社，2007.

[4]禹建穎.淺析中國森林火災影響因素及發生的原因[J].黑龍江科技信息，2011.

[5]Mark A. Finney. Calculation of fire spread rates across random landscapes[J]. International Journal of Wildland Fire，2003，12：167-174.

[6]Chuvieco Emilo. Application of remote sensing and geographic information system to forest fire hazard， mapping， remote sensor[M]. Environ. 1989：147-l59.

[7]Hefeeda， M.， Bagheri， M. Wireless sensor network for early detection of forest fires[C]. IEEE International Conference on Mobile Adhoc and Sensor Systems at Pisa，2007，10：1-6.

[8]張融民.淺析森林火災的氣象與人為因素及預防措施[J].黑龍江氣象，2011，29（1）.

作者簡介：張曄（1989-），福建人，在讀碩士研究生，研究方向為模式識別與智能系統。endprint

5 結束語

文章提出了一種基于BP神經網絡輸電線路山火隱患點識別方法。該方法以山西省為例，分析了山火隱患點的影響因素，并通過神經網絡模型建立起輸電線路山火隱患點狀態與各項評價因子之間的復雜非線性關系，從而實現隱患點識別。實驗結果表明，所建立的神經網絡評價模型具有較好的識別效果和可信度，與歷年來該區域的輸電線路山火隱患點調查結果相一致。

參考文獻

[1]李享.淺議輸電線路防山火故障措施[J].中國電力教育，2009，S1：240.

[2]Yen Kheng Tan， Sanjib Kumar Panda. Self-autonomous wireless sensor nodes with wind energy harvesting for remote sensing of wind-driven wildfire spread[J]. IEEE Transactions on Instrumentation and Measurement，2011，60（4）：1367-1377.

[3]費宇.應用數理統計[M].北京：科學出版社，2007.

[4]禹建穎.淺析中國森林火災影響因素及發生的原因[J].黑龍江科技信息，2011.

[5]Mark A. Finney. Calculation of fire spread rates across random landscapes[J]. International Journal of Wildland Fire，2003，12：167-174.

[6]Chuvieco Emilo. Application of remote sensing and geographic information system to forest fire hazard， mapping， remote sensor[M]. Environ. 1989：147-l59.

[7]Hefeeda， M.， Bagheri， M. Wireless sensor network for early detection of forest fires[C]. IEEE International Conference on Mobile Adhoc and Sensor Systems at Pisa，2007，10：1-6.

[8]張融民.淺析森林火災的氣象與人為因素及預防措施[J].黑龍江氣象，2011，29（1）.

作者簡介：張曄（1989-），福建人，在讀碩士研究生，研究方向為模式識別與智能系統。endprint