一种输电线路山火跳闸预测方法、装置、设备和存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115906668A(43)申请公布日2023.04.04(21)申请号202211717404.3(22)申请日2022.12.29(71)申请人南方电网数字电网研究院有限公司地址510000广东省广州市黄埔区中新广州知识城亿创街1号406房之86(72)发明人张可颖吴新桥刘岚赵继光覃平王昊詹谭博驰(74)专利代理机构北京品源专利代理有限公司11332专利代理师马迪(51)Int.Cl.G06F30/27(2020.01)G06Q10/04(2023.01)权利要求书2页说明书11页附图4页(54)发明名称一种输电线路山火跳闸预测方法、装置、设备和存储介质(57)摘要本发明公开了一种输电线路山火跳闸预测方法，包括：提取样本地点的火点特征数据，并对火点特征数据进行标准化处理，确定标准特征数据；确定标准特征数据的特征权重，并根据特征权重和预设的权重条件，从标准特征数据中确定本轮迭代过程中的本轮特征数据，且将除本轮特征数据之外的其他特征数据作为候选特征数据，用于在后续轮迭代过程中选作新轮特征数据；采用本轮特征数据对机器学习模型进行本轮模型迭代训练，并在本轮模型迭代训练完成后，采用新轮特征数据对机器学习模型进行新轮模型迭代训练，且将迭代训练后的机器学习模型作为输电线路山火跳闸预测模型。可以有效辅助工作人员开展山火防治工作，保障了输电线路的安全。CN115906668ACN115906668A权利要求书1/2页1.一种输电线路山火跳闸预测方法，其特征在于，包括：提取样本地点的火点特征数据，并对所述火点特征数据进行标准化处理，确定标准特征数据；所述火点特征数据包括样本地点对应的人类活动数据、地理信息数据和气象信息数据；确定标准特征数据的特征权重，并根据所述特征权重和预设的权重条件，从所述标准特征数据中确定本轮迭代过程中的本轮特征数据，且将除本轮特征数据之外的其他特征数据作为候选特征数据，用于在后续轮迭代过程中选作新轮特征数据；采用所述本轮特征数据对机器学习模型进行本轮模型迭代训练，并在本轮模型迭代训练完成后，采用所述新轮特征数据对所述机器学习模型进行新轮模型迭代训练，且将迭代训练后的机器学习模型作为输电线路山火跳闸预测模型；所述输电线路山火跳闸预测模型用于对输电线路的山火跳闸风险进行预测。2.根据权利要求1所述的方法，其特征在于，采用所述本轮特征数据对机器学习模型进行本轮模型迭代训练，并在本轮模型迭代训练完成后，采用所述新轮特征数据对所述机器学习模型进行新轮模型迭代训练，且将迭代训练后的机器学习模型作为输电线路山火跳闸预测模型，包括：采用所述本轮特征数据对机器学习模型进行本轮模型迭代训练，并在本轮模型迭代训练完成后，根据所述特征权重，从所述候选特征数据中确定目标特征数据；将所述目标特征数据添加至所述本轮特征数据中，确定新轮特征数据，并采用所述新轮特征数据对所述机器学习模型进行新轮模型迭代训练；当模型准确度达到准确度峰值时，停止模型迭代训练，并将迭代训练后的机器学习模型作为输电线路山火跳闸预测模型。3.根据权利要求1所述的方法，其特征在于，还包括：采用测试样本和所述输电线路山火跳闸预测模型对所述输电线路山火跳闸预测模型进行测试，并根据所述测试样本和测试结果，确定混淆矩阵；根据混淆矩阵，确定所述输电线路山火跳闸预测模型的预测准确率、模型准确率和模型召回率；根据所述预测准确率、所述模型准确率和所述模型召回率对所述输电线路山火跳闸预测模型进行模型评估。4.根据权利要求1所述的方法，其特征在于，提取样本地点的火点特征数据，并对所述火点特征数据进行标准化处理，确定标准特征数据，包括：提取样本地点的火点特征数据，并根据所述火点特征数据，构建待处理特征集；对所述待处理特征集中的异常值和缺失值进行处理，确定目标特征集；对目标特征集中的待处理特征数据进行标准化处理，确定标准特征数据。5.根据权利要求4所述的方法，其特征在于，对所述待处理特征集中的异常值和缺失值进行处理，确定目标特征集，包括：根据所述待处理特征集绘制箱型图，根据所述箱型图确定所述待处理特征集中火点特征数据的异常值，并对所述异常值进行删除处理；定位所述待处理特征集中的缺失值，并计算所述待处理特征集中缺失值所对应的列族的数据均值，采用所述数据均值对所述缺失值进行补充。2CN115906668A权利要求书2/2页6.一种输电线路山火跳闸预测装置，其特征在于，包括：标准特征数据确定模块，用于提取样本地点的火点特征数据，并对所述火点特征数据进行标准化处理，确定标准特征数据；所述火点特征数据包括样本地点对应的人类活动数据、地理信息数据和气象信息数据；本轮特征数据确定模块，用于确定标准特征数据的特征权重，并根据所述特征权重和预设的权重条件，从