基于BP神经网络输电线路山火隐患点识别

张晔+杨国田+于磊

摘 要：随着全球气候持续升温，山火出现的概率不断上升，导致输电线路跳闸停电事故频繁发生，对电网的稳定运行构成严重威胁。同时，输电线路山火隐患点的影响因素众多，目前的识别方法难以解决山火隐患点状态与各因素之间的复杂非线性关系。为此，文章提出了一种基于BP神经网络输电线路山火隐患点识别方法。首先确定了输电线路山火灾害影响因素，根据山火历史资料分析了影响因素指标与稳定性状态的相关性，然后通过神经网络模型建立起输电线路山火隐患点状态与各项评价因子之间的复杂非线性关系，并进行隐患点识别。以山西省为例，进行实际评估，并验证该方法的正确性和可行性。实验结果表明，所建立的神经网络评价模型具有较好的识别效果和可信度，与历年来该区域的输电线路山火隐患点调查结果相一致。

关键词：输电线路；山火隐患点；BP神经网络

近年来，随着我国电力行业的不断扩大，越来越多的输电线路穿越林区。同时，为了开发我国西南水电资源，使水电厂输出线路跨越森林的概率增加[1]。然而，由于全球气候日益变暖以及林区人类活动的加剧，导致林区输电线路附近山火发生的概率不断增涨。山火不仅烧毁大片林区，还将导致该区域电网中多条输电线路的跳闸停电事故，对电网的稳定运行构成严重威胁，给人民生活带来不便[2]。因此对输电线路山火危险隐患点状态进行判别研究具有很重要的现实意义。

文章针对山西省输电线路山火灾害，分析了山火灾害的影响因素，以山西省近几年发生输电线路山火灾害的历史资料为基础，提出一种基于BP神经网络的识别方法，并对输电线路山火隐患点状态进行实际评估。以山西省为例，验证了所述方法的适用性和正确性。该方法可以比较准确地实现输电线路山火隐患点状态的识别。

1 研究区域概况

研究区地貌多为黄土广泛覆盖的山地高原，地势东北高西南低，高原内部起伏不平，河谷纵横，地貌类型复杂多样，有山地、丘陵、台地、平原，山多川少。由于省境东部山岭阻挡，气候受海洋影响较弱，在气候类型上属于温带大陆性季风气候。同时该区域所处纬度地带性明显，水热条件差异大，受水热配置状况的影响，由东南向西北形成了暖温带和温带两个气候带，相应的形成了暖温带夏绿阔绿林和温带草原两个植被带。

2 输电线路山火灾害影响因素分析

针对输电线路山火灾害的影响因素，研究空间预测方法。输电线路山火灾害的因素及指标如图1所示。以山西省为例，根据输电线路山火的发生条件，将隐患点状态划分为三类：稳定、欠稳定和不稳定。统计分析了山西省输电线路山火灾害隐患点的各类特征参数。

图1 输电线路山火灾害因素及指标

对山火影响因素进行成份分析，得到火山隐患点稳定性变异与各因素之间的相关性，也就是各因素对稳定性变异的贡献率[3]，如表1所示。

表1 稳定性变异分析 %

由表1可知，地貌类型和植被类型的影响较小，气象各因素指标的影响差别不大，而人为因素对稳定性变异的影响比其他指标稍大。

3 输电线路山火隐患点评价方法

由上述分析可知，输电线路山火隐患点状态是由输电线路附近的多种影响因素相互作用而成，它们之间存在着非线性、不确定性以及随机性，因此无法精确描述各因素对山火隐患点的影响程度。为了解决此类问题，文章将神经网络模型应用于输电线路山火隐患点评价中。人工神经网络能够在不知道输出变量与输入变量之间关系的情况下，较好地获得两者间的非线性映射关系。

3.1 BP神经网络模型

BP神经网络是目前应用最广、最完善的人工神经网络模型，它由输入层、隐含层及输出层组成，隐含层一般采用单隐含层网络。其中输入层用以将外部信息输入到神经网络中，输出层根据输入信息做出相应的决策，而隐含层用以存储网络参数。

3.2 山火隐患点评价模型建立

根据上述神经网络理论和算法步骤，建立输电线路山火隐患点评价模型应包括：根据山火灾害特点建立合适的网络结构，然后根据评价指标体系及隐患点状态建立训练样本集及对应的期望输出，并用以训练网络直至收敛，最后用训练好的网络进行预测。

4 实例分析

文章以山西省近几年的输电线路山火灾害为例，对上述山火隐患点识别步骤进行说明，并验证该方法的正确性。

4.1 评价模型输入

根据已建立的山火隐患点影响因素指标，选取其中的二级指标作为评价因子，并将评价因子的数量作为评价模型输入层的神经元个数，因此输入层神经元总数为7。

4.2 评价模型隐含层

文章采用三层BP神经网络，其隐含层个数为1，神经元个数不少于2m/3个（m为模型输入层神经元个数），因此评价模型隐含层的神经元个数应不少于5个。

4.3 评价模型输出

将输电线路山火隐患点状态分为三个等级：稳定状态、欠稳定状态和不稳定状态，并用数字1、2、3分别表示作为相应网络的输出，其输出层神经元个数为1。

文章输电线路山火隐患点BP神经网络评价模型的结构为7-8-1。

4.4 评价模型学习样本集

学习样本集的选取对于评价模型的建立至关重要。文章选取研究区内60个已知隐患点状态的样本，随机选取其中的40个样本作为训练样本，其余20个作为测试样本。

4.5 评价模型训练

根据已建立的模型，用Matlab进行编程仿真。训练误差取为1e-3，并将归一化后的训练样本输入网络进行训练，其误差收敛过程如图2所示。网络训练9522次后趋于收敛，达到所需误差精度。

4.6 评价模型测试

用余下的20个样本对训练好的网络进行实际山火隐患点识别，以验证该模型的正确性，测试结果如表2所示。

由表2可以看出，该模型的输出结果与历年来该区域的调查结果基本相符，因此基于BP神经网络的山火隐患点识别模型是正确有效的。endprint

5 结束语

文章提出了一种基于BP神经网络输电线路山火隐患点识别方法。该方法以山西省为例，分析了山火隐患点的影响因素，并通过神经网络模型建立起输电线路山火隐患点状态与各项评价因子之间的复杂非线性关系，从而实现隐患点识别。实验结果表明，所建立的神经网络评价模型具有较好的识别效果和可信度，与历年来该区域的输电线路山火隐患点调查结果相一致。

参考文献

[1]李享.浅议输电线路防山火故障措施[J].中国电力教育，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]费宇.应用数理统计[M].北京：科学出版社，2007.

[4]禹建颖.浅析中国森林火灾影响因素及发生的原因[J].黑龙江科技信息，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]张融民.浅析森林火灾的气象与人为因素及预防措施[J].黑龙江气象，2011，29（1）.

作者简介：张晔（1989-），福建人，在读硕士研究生，研究方向为模式识别与智能系统。endprint

5 结束语

文章提出了一种基于BP神经网络输电线路山火隐患点识别方法。该方法以山西省为例，分析了山火隐患点的影响因素，并通过神经网络模型建立起输电线路山火隐患点状态与各项评价因子之间的复杂非线性关系，从而实现隐患点识别。实验结果表明，所建立的神经网络评价模型具有较好的识别效果和可信度，与历年来该区域的输电线路山火隐患点调查结果相一致。

参考文献

[1]李享.浅议输电线路防山火故障措施[J].中国电力教育，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]费宇.应用数理统计[M].北京：科学出版社，2007.

[4]禹建颖.浅析中国森林火灾影响因素及发生的原因[J].黑龙江科技信息，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]张融民.浅析森林火灾的气象与人为因素及预防措施[J].黑龙江气象，2011，29（1）.

作者简介：张晔（1989-），福建人，在读硕士研究生，研究方向为模式识别与智能系统。endprint

5 结束语

文章提出了一种基于BP神经网络输电线路山火隐患点识别方法。该方法以山西省为例，分析了山火隐患点的影响因素，并通过神经网络模型建立起输电线路山火隐患点状态与各项评价因子之间的复杂非线性关系，从而实现隐患点识别。实验结果表明，所建立的神经网络评价模型具有较好的识别效果和可信度，与历年来该区域的输电线路山火隐患点调查结果相一致。

参考文献

[1]李享.浅议输电线路防山火故障措施[J].中国电力教育，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]费宇.应用数理统计[M].北京：科学出版社，2007.

[4]禹建颖.浅析中国森林火灾影响因素及发生的原因[J].黑龙江科技信息，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]张融民.浅析森林火灾的气象与人为因素及预防措施[J].黑龙江气象，2011，29（1）.

作者简介：张晔（1989-），福建人，在读硕士研究生，研究方向为模式识别与智能系统。endprint