王開正，付一桐，錢國超，周仿榮，文 剛，李露露， 單節(jié)杉，王飛鵬，李 劍

基于時空上下文的輸電線路山火自動識別算法

王開正1，付一桐1，錢國超2，周仿榮2，文 剛2，李露露1， 單節(jié)杉1，王飛鵬3，李 劍3

(1.昆明理工大學(xué)電力工程學(xué)院，云南 昆明 605504；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南 昆明 650217；3.輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室，重慶 430074)

傳統(tǒng)極軌衛(wèi)星觀測頻次低和觀測時間固定，難以對一個區(qū)域進(jìn)行實時監(jiān)測。因此，基于Himawari-8 (H-8)靜止衛(wèi)星提出了一種能持續(xù)監(jiān)測輸電線路山火的時空上下文火點自動識別算法。該算法首先根據(jù)中紅外和熱紅外波段對火點的敏感度差異，采用固定閾值法快速實現(xiàn)絕對火點識別和潛在火點提取，然后在空間上利用中紅外和熱紅外的通道值、平均值和標(biāo)準(zhǔn)差之間的比值關(guān)系對潛在火點進(jìn)行細(xì)判。在時間上利用H-8的高觀測頻次并融合火點發(fā)生概率進(jìn)行持續(xù)性火點識別。所提技術(shù)已應(yīng)用于南方某省級電網(wǎng)輸電線路山火監(jiān)測，并且準(zhǔn)確率達(dá)72.5%，漏報率為43.9%。監(jiān)測結(jié)果明顯優(yōu)于固定閾值法與傳統(tǒng)的上下文法。

Himawari-8；輸電線路山火；時空上下文；閾值；潛在火點

0 引言

我國能源資源與負(fù)荷需求呈逆向分布，2/3的水電資源集中在西南地區(qū)，80%以上的陸地風(fēng)能資源集中在西部和北部地區(qū)。而75%的電力消費集中在中東部地區(qū)，因此迫切需要建設(shè)特高壓電網(wǎng)，以實現(xiàn)電能的大規(guī)模、遠(yuǎn)距離輸送[1-4]。然而隨著我國七大新基建之一“特高壓電網(wǎng)”的建設(shè)，越來越多的高壓輸電線路需要跨越地形寬闊的農(nóng)田、地勢陡峭的山脊、氣候寒冷的高原以及植被繁茂的山區(qū)，因此，雷擊[5]、超強(qiáng)降雨[6]、極端低溫冰雪、山火等災(zāi)害均對我國電網(wǎng)安全構(gòu)成嚴(yán)重的威脅。在眾多自然災(zāi)害中，因山火引起的輸電線路跳閘事故頻繁發(fā)生，其中云南省2020年由于山火導(dǎo)致的線路跳閘事故就高達(dá)60余次，嚴(yán)重威脅到電力系統(tǒng)的安全穩(wěn)定性。因此，研究山火火點初期的監(jiān)測告警技術(shù)，對大電網(wǎng)安全可靠運行具有重要意義。

迄今為止，國內(nèi)外就山火對電網(wǎng)的影響開展了諸多探索，主要包括三類：火點的監(jiān)測預(yù)警技術(shù)[7-8]、山火的蔓延過程模擬[9]以及山火引起的輸電線路間隙擊穿機(jī)理的研究[10-11]。其中火點監(jiān)測預(yù)警技術(shù)研究的突破能夠有效地預(yù)防和避免輸電線路跳閘事故的發(fā)生。目前已采用多種手段進(jìn)行輸電線路山火監(jiān)測，包括氣象衛(wèi)星遙感技術(shù)、固定地點安裝煙火探測裝置以及氣象雷達(dá)監(jiān)視等[12]。但是，由于輸電線路桿塔分布呈現(xiàn)點多面廣的特點，定點監(jiān)測難以對電網(wǎng)山火實現(xiàn)大范圍的實時監(jiān)測，并且成本高；由于受天氣霧、霾等因素干擾，采用氣象雷達(dá)難以監(jiān)測輸電線路走廊附近的小面積山火。如果采用氣象衛(wèi)星進(jìn)行山火監(jiān)測，則具有監(jiān)測范圍廣、發(fā)現(xiàn)及時、成本低等特點，因此該技術(shù)一直是研究熱點[13]。由于極軌衛(wèi)星過境時間比較固定且間隔長(過境時間主要集中在09：30—11：00和13：00—14：30)，即使采用多顆極軌衛(wèi)星協(xié)同的方法提高衛(wèi)星山火監(jiān)測的時間分辨率[14]，也容易造成火點漏報現(xiàn)象。靜止氣象衛(wèi)星的運行與地球自轉(zhuǎn)同步，對目標(biāo)區(qū)域可以實現(xiàn)24 h不間斷的山火監(jiān)測，因此，采用靜止氣象衛(wèi)星進(jìn)行山火監(jiān)測具有極高的應(yīng)用前景。

森林山火監(jiān)測方面，林業(yè)部門采用氣象衛(wèi)星數(shù)據(jù)來監(jiān)測林火，并且取得了成功[15-16]，但這些方法并不適用于輸電線路山火監(jiān)測，原因主要有兩點：一方面，與輸電線路山火監(jiān)測不同，林火監(jiān)測識別的是一些規(guī)模較大的火點，然而小型山火就可能導(dǎo)致輸電線路跳閘[17]。另一方面，輸電線路山火監(jiān)測除了需要識別出火點，還需要對火點與桿塔間的距離進(jìn)行計算，從而確定是否要發(fā)出告警信號。因此，林業(yè)部門提出的林火監(jiān)測方法的精度難以滿足輸電線路山火監(jiān)測的要求，并且林火監(jiān)測沒有結(jié)合輸電線路來進(jìn)行研究。綜上，這些方法并不能直接應(yīng)用于輸電線路山火監(jiān)測。

目前采用衛(wèi)星遙感技術(shù)的火點識別算法主要有固定閾值法[18-19]和傳統(tǒng)的上下文法[20]。許多學(xué)者[21-22]依據(jù)歷史數(shù)據(jù)進(jìn)行閾值的選擇，雖然該方法對絕對火點的監(jiān)測精度高，計算速度快，但是受地理位置、氣象條件等因素的影響，仍有許多山火漏檢，尤其是小型山火。與固定閾值法相比，傳統(tǒng)的上下文法在火點的識別方面更加具有優(yōu)勢(可以利用目標(biāo)像元與相鄰像元的亮溫差異進(jìn)行閾值調(diào)整)。然而傳統(tǒng)的上下文法未能充分考慮衛(wèi)星數(shù)據(jù)的時間特性。文獻(xiàn)[23]采用的是中等分辨率成像光譜儀(MODIS)數(shù)據(jù)，這一系列的衛(wèi)星數(shù)據(jù)空間分辨率高，但重訪周期較長(1天4次)，難以對輸電線路進(jìn)行持續(xù)監(jiān)測。文獻(xiàn)[24]中使用的衛(wèi)星數(shù)據(jù)來源于H-8這一類具有高觀測頻次(10 min 1次)的靜止衛(wèi)星，但僅僅只進(jìn)行空間特性分析，不能最大限度地發(fā)揮衛(wèi)星數(shù)據(jù)的優(yōu)勢，因此，對于提高算法的準(zhǔn)確率仍有不足。

衛(wèi)星監(jiān)測受地理位置、地貌特點、氣候類型等因素的影響較大，監(jiān)測效能隨地區(qū)、植被、季節(jié)等環(huán)境的改變在一定范圍內(nèi)不斷地變化。若能同時考慮衛(wèi)星數(shù)據(jù)的時空特性將有效地降低山火監(jiān)測的誤報率和漏報率。因此本文綜合了衛(wèi)星數(shù)據(jù)的時間與空間特性的優(yōu)勢，通過不同背景系數(shù)的選取引入了火點發(fā)生概率，并根據(jù)火點發(fā)生概率對持續(xù)性火點進(jìn)行分析，提出了時空上下文輸電線路山火識別算法。實例分析驗證了所提方法在輸電線路山火監(jiān)測方面的有效性與優(yōu)越性。

1 ?算法原理及實現(xiàn)方法

雖然已經(jīng)有部分學(xué)者開展了靜止衛(wèi)星山火監(jiān)測技術(shù)方面的研究，但僅限于通過單張衛(wèi)星圖像進(jìn)行分析，并采用固定閾值法或傳統(tǒng)的上下文法進(jìn)行火點識別[25]。然而，由于靜止衛(wèi)星空間分辨率相對較低，單個S-VISSR圖像只能提供非常有限的信息，因此對時間序列的分析就顯得尤為重要。其他的一些研究是基于時間序列分析進(jìn)行的，沒有考慮圖像特征。但是為了更好地挖掘時間序列分析的潛力并充分利用圖像中包含的信息，進(jìn)行空間分析是必要的。同時，在山火識別算法中引入空間分析可以剔除大量具有非火災(zāi)特征的像元，有助于縮短計算時間。

本文提出的輸電線路火點識別流程如圖1所示。首先，對輸入的遙感影像進(jìn)行數(shù)據(jù)預(yù)處理，并根據(jù)土地利用數(shù)據(jù)以及可見光云圖合成像元標(biāo)記圖，用以剔除云掩膜以及固定熱源。其次，采用固定閾值法快速實現(xiàn)絕對火點識別和潛在火點提取。最后，結(jié)合衛(wèi)星數(shù)據(jù)的時空特性對火點像元進(jìn)行更精細(xì)的識別。

1.1 研究區(qū)域

云南省2020年的裝機(jī)容量超越1億kW，其中以水電為主的清潔能源發(fā)電量占比達(dá)90.94%，在我國“碳達(dá)峰，碳中和”的目標(biāo)中發(fā)揮了積極的作用。為促進(jìn)云南清潔能源消納，南方電網(wǎng)加大各級電網(wǎng)建設(shè)改造力度，現(xiàn)已成為世界上技術(shù)最先進(jìn)、特性最復(fù)雜的送端大電網(wǎng)之一。先后建成投產(chǎn)“十直兩交”西電東送電力外送大通道，相當(dāng)于打通12條云南清潔能源送往東部省區(qū)的“電力高速”。

隨著輸電線路長度的快速增長，輸電線路走廊穿越的地理環(huán)境變得更加復(fù)雜，要經(jīng)過大面積的高海拔地區(qū)、水域或叢山峻嶺，尤其是整個云南省植被覆蓋度超過70%[26](如圖2所示)，當(dāng)遭遇持續(xù)干燥天氣時，易爆發(fā)大面積山火(僅2019年云南省山火熱點就有5151個，如圖3所示)，導(dǎo)致多年來輸電線路罕見的山火跳閘事故開始急劇攀升，云南電網(wǎng)因山火引起的跳閘事故尤為突出。

圖1 輸電線路火點識別流程

圖2 云南省植被覆蓋分布圖

1.2 數(shù)據(jù)預(yù)處理

堪稱世界上最先進(jìn)的靜止衛(wèi)星H-8于2015年7月正式投入使用[27]。與上一代衛(wèi)星(例如MTSAT)相比，H-8提供了更高的空間和時間(10 min)分辨率。H-8還是世界上第一個具有捕獲彩色圖像功能的靜止氣象衛(wèi)星[28]。它在可見光(VIS)、近紅外和熱紅外(TIR)范圍內(nèi)布置了16個觀察通道，其中7(3.9mm)和14(11.2mm)通道最適合用于探測活躍的火災(zāi)和燃燒區(qū)域。H-8數(shù)據(jù)可從JAXA的網(wǎng)站(https://www.eorc.jaxa.jp/ptree/)下載。

從H-8衛(wèi)星獲取的數(shù)據(jù)格式為NetCDF，在使用之前需要進(jìn)行數(shù)據(jù)預(yù)處理。這包括轉(zhuǎn)換格式、編寫地理信息、剪切和重新投影到地心基準(zhǔn)面(GDA)。此外，獲取的原始數(shù)據(jù)，還需根據(jù)圖像的等級分別進(jìn)行輻射校正、大氣校正和圖像裁剪等預(yù)處理工作，最終得到研究區(qū)域的遙感影像。

圖3 云南省2019年山火熱點分布圖

Fig. 3Heat map of wildfires in Yunnan province in 2019

1.3 火點識別原理及算法

物體燃燒時的熱輻射與未發(fā)生燃燒時的背景輻射差異是火點識別算法的主要識別依據(jù)，常溫地表的輻射峰值波長與成像儀中通道14的中心波長(11.2mm)接近，而物質(zhì)燃燒時的輻射峰值波長與通道7的中心波長(3.9mm)接近。因此，上下文火點識別算法選取AHI成像儀中第7通道的中紅外亮溫數(shù)據(jù)(3.9)和14通道的熱紅外亮溫數(shù)據(jù)(11.2)識別火點像元。

根據(jù)玻爾茲曼定律：一個黑體表面，單位面積在單位時間內(nèi)輻射出的總功率(稱為物體的輻射度或能量通量密度)與黑體本身的熱力學(xué)溫度(又稱絕對溫度)的4次方成正比。這表明輻射程度對溫度變化高度敏感。使用此功能，可以根據(jù)衛(wèi)星監(jiān)視的表面輻射率識別高溫?zé)嵩础?/p>

1.3.1水體、冰雪和云掩膜的去除

首先，在火點檢測過程中，光學(xué)圖像無法穿透云層，所以首先要去除的是云像元。云識別采用文獻(xiàn)[29]中所描述的方法，通過對比云掩膜剔除前后的效果發(fā)現(xiàn)，該方法能有效消除云層的影響(如圖4所示)。此外，由于水體和冰雪覆蓋地區(qū)不可能發(fā)生火災(zāi)，并且水體以及冰雪具有的較高反射率會增強(qiáng)通道7的輻射亮溫，易造成火點誤判，所以水體和冰雪像元也需要剔除。不僅如此，剔除大量的水和冰雪像元可以減少計算量。本文采用文獻(xiàn)[30]所述方法去除水體以及冰雪的影響，如式(3)、式(4)所示，將歸一化植被指數(shù)NDVI ＜ 0的像元判定為水像元，將冰雪指數(shù)NDSI ＞ 0.13的像元判定為冰雪像元。

圖4 云掩膜剔除的效果(云層全部渲染成白色，未被云層遮擋的部分渲染為黑色)

Fig. 4Effect of the cloud masks being eliminated (All clouds are rendered white, and the parts not obscured by clouds are rendered black)

式中：為波段的反射率；右下角的數(shù)字代表AHI通道的中心波長。表1給出了各通道對應(yīng)的中心波長和檢測對象。

表1 AHI通道特性

1.3.2固定閾值識別絕對火點

采用固定閾值法快速判定絕對火點像元，此過程不僅減少了算法的計算時間，而且降低火點識別的復(fù)雜度，提高了算法的魯棒性。如式(5)所示，利用火點在中紅外波段(3.9mm)的敏感度比熱紅外波段(11.2mm)更高的特點，對絕對火點進(jìn)行識別，以快速篩選明顯的火點。

式中：T表示通道的亮溫值；下標(biāo)中的數(shù)字代表通道的中心波長。H-8衛(wèi)星的中紅外熱圖如圖5所示，對統(tǒng)計中紅外波段像元的亮溫值從高到低排列，可得到像元數(shù)量占前0.01%所對應(yīng)的亮溫值，將此值設(shè)為，如果小于320 K則將其設(shè)為320 K，否則保留原始值。同樣依據(jù)統(tǒng)計獲得前0.01%的值，如果小于25 K則將其設(shè)為25 K，否則保留原始值。

1.3.3時空上下文火點檢測

潛在火點的提取過程與基于閾值的火點檢測方法相似，但降低了中紅外通道的檢測閾值。目的是檢測到更多的疑似火點，從而降低漏檢率。潛在火點的提取公式為

當(dāng)目標(biāo)像元不滿足式(5)，但滿足式(6)時，就需要利用背景區(qū)像元的亮溫對潛在火點進(jìn)行識別，當(dāng)目標(biāo)像元滿足式(7)時就可判定為火點像元。

根據(jù)H-8衛(wèi)星數(shù)據(jù)的時間特性，并結(jié)合火點發(fā)生概率，對檢測出來的火點進(jìn)行結(jié)果校正。在白晝時段，遵循的準(zhǔn)則如下列公式所示。

1.3.4誤判火點的去除

1) 濾除太陽耀斑。對圖像上所有像元歸類后，仍會存在一定誤差，其中一些誤差是由陸地表面對太陽光的高反射率引起的，因此還需消除由太陽耀斑引起的高反射率像元錯分誤差。

如果像元滿足式(15)，就可以標(biāo)記為非火點像元。

2) 去除固定熱源。某些陸地像元具有與火點像元相似的光譜特征，因此易被錯歸為火點，導(dǎo)致出現(xiàn)誤報。為了消除此類錯誤，需將標(biāo)記為火點的所有像元進(jìn)行誤報消除處理。

1.3.5火點聚合

識別出火點像元后，為了便于計算火點與線路桿塔間的距離，需要將相鄰的火點像元進(jìn)行聚合。

1.3.6火點與線路桿塔間的距離

對于衛(wèi)星監(jiān)測到的火點，應(yīng)第一時間通過計算獲得火點與桿塔的距離。運行經(jīng)驗表明，3 km以外的火點不會對輸電桿塔構(gòu)成威脅，即只需對火點3 km范圍以內(nèi)的桿塔進(jìn)行告警計算[17]。本文采用文獻(xiàn)[17]所述算法計算火點與桿塔的距離。

2 ?算法性能分析

本文利用python實現(xiàn)了固定閾值法[24]、傳統(tǒng)的上下文法[25]以及時空上下文算法，分別對南方某省2021年1月1日至3月20日的衛(wèi)星數(shù)據(jù)進(jìn)行分析。其中固定閾值法準(zhǔn)確率達(dá)54.5%，漏報率達(dá)78%；傳統(tǒng)的上下文法準(zhǔn)確率達(dá)60%，漏報率達(dá)46.1%；本文所提出的時空上下文算法準(zhǔn)確率達(dá)72.5%，漏報率達(dá)43.9%。

圖6 火點聚合過程示意圖

準(zhǔn)確率和漏報率是檢驗算法性能的重要指標(biāo)，單一分析算法的準(zhǔn)確率難以體現(xiàn)算法的優(yōu)越性。然而受云掩膜遮擋、地表植被復(fù)雜等因素影響，火點識別算法的漏報率往往較高[32]。

固定閾值法所設(shè)定的閾值較為單一，在某些地形分布較為復(fù)雜或者緯度跨越較大的地區(qū)，就會導(dǎo)致算法的適用性大幅降低。選取南方某省2021年4月25日13：00的真實火點數(shù)據(jù)進(jìn)行分析，當(dāng)背景像元亮溫的平均值較高時(如圖7所示)，此時上下文法的閾值會自適應(yīng)為330 K，而固定閾值則保持不變(320 K)，這會導(dǎo)致火點的誤報。根據(jù)最終人工核實后的結(jié)果表明，固定閾值法會將大部分的疑似火點像元判定為真。假如所選取的窗口內(nèi)亮溫平均值更高，固定閾值法的誤報率將會更加明顯。當(dāng)背景像元的亮溫平均值較低時，例如夜間或高緯度地區(qū)，此時，固定閾值法的效能依然不能滿足山火監(jiān)測的要求。選取4月25日20：00真實火點數(shù)據(jù)進(jìn)行分析(如圖8所示)，此時上下文法的閾值動態(tài)調(diào)整到了317 K，固定閾值仍是320 K，在實際應(yīng)用中，固定閾值法會將一些火災(zāi)特征并不明顯的真實火點排除在外。綜上，固定閾值法難以準(zhǔn)確識別不同地理位置、不同季節(jié)和不同時段的火點。因此，上下文法較固定閾值法更具優(yōu)勢。

圖7 13：00高于固定和動態(tài)閾值的像素百分比

Fig. 7Percentage of pixels above fixed and dynamic

thresholds at 13：00

圖8 20：00高于固定和動態(tài)閾值的像素百分比

Fig. 8Percentage of pixels above fixed and dynamic thresholds at 20：00

傳統(tǒng)的上下文法未考慮時間特性，本文利用H-8衛(wèi)星的高觀測頻次對火點識別結(jié)果進(jìn)行校正。在式(8)—式(10)中，某一時刻像元被判定為火點，且發(fā)生概率為80%，但是在上一個時刻和下一個時刻沒有被判定為火點，則該火點像元為假火點。如果某一時刻像元未被判定為火點，但上一個和下一個時刻該像元均被判定為火點，且發(fā)生概率為80%，那么像元便為真火點。同理，在式(11)—式(13)中，某一時刻像元被判定為火點，且發(fā)生概率為70%，但是在上一個、下一個以及最后一個時刻都未被判定為火點，那么該火點像元識別為假。如果某一時刻該像元未被判定為火點，但是在上一個、下一個以及最后一個時刻均被判定為火點，且發(fā)生概率為70%，那么該火點像元為真火點。以南方某省2021年3月8日的火點監(jiān)測結(jié)果為例(如圖9所示)，在進(jìn)行時間序列分析時，系統(tǒng)在10：20和10：40兩個時間點均監(jiān)測到經(jīng)緯度坐標(biāo)(104.3, 24.24)有火情發(fā)生，雖然10：30未能監(jiān)測到，但根據(jù)10 min前以及10 min后的火點發(fā)生概率為80%，可以判定10：30處也存在火情。經(jīng)人工核實后，該處實為持續(xù)性火點。如果未進(jìn)行時序分析，則在10：30這一時刻將會出現(xiàn)火點的漏報，時間序列分析能有效地解決這一問題。

圖9 10：30未考慮時間特性時的火點發(fā)生概率

Fig. 9Probability of fire occurrence at adjacent times at 10：30

本文提出的時空上下文算法可以全天24 h不間斷進(jìn)行山火監(jiān)測，因此引入時間特征并結(jié)合火點發(fā)生的概率，將有效地降低火點識別的誤報率和漏報率。其次，依據(jù)時序分析獲取到的火情動態(tài)變化和持續(xù)時間，對輸電線路附近的火情發(fā)展及快速評估具有重要意義。

3 ?實例分析

目前靜止氣象衛(wèi)星H-8已應(yīng)用于南方某省的山火監(jiān)測。如表2所示，時空上下文火點識別算法在2021年1月1日至5月31日共監(jiān)測到山火583起，經(jīng)現(xiàn)場及視頻核實后423起屬實，準(zhǔn)確率達(dá)到了72.5%。因此，本文提出的時空上下文火點算法能實現(xiàn)全天24 h輸電線路山火監(jiān)測，且準(zhǔn)確率較高。

表2 電網(wǎng)線路山火告警桿塔列表

圖10 15：30火點位置

圖11 20：30火點位置

此處實例分析表明，該系統(tǒng)可以較好地適應(yīng)不同季節(jié)氣候所帶來的背景亮溫波動。

4 ?結(jié)論

本文利用H-8衛(wèi)星監(jiān)測數(shù)據(jù)以及南方某省2019至2021年間的火點統(tǒng)計數(shù)據(jù)，對比分析了時空上下文火點識別算法、固定閾值法和傳統(tǒng)的上下文算法的準(zhǔn)確率和漏報率，得到如下結(jié)論。

1) 基于H-8靜止衛(wèi)星的多通道和高時效性等優(yōu)勢，首先采用固定閾值法，快速篩選出絕對火點，然后根據(jù)H-8的中紅外和熱紅外波段的亮溫差異進(jìn)行火點細(xì)判。在時間上利用H-8的高觀測頻次并融合火點發(fā)生概率進(jìn)行持續(xù)性火點識別。本文提出的時空上文算法能有效地應(yīng)用到輸電線路山火監(jiān)測過程中，并能快速獲取火點亮溫、位置及火點與桿塔距離等火情信息。

2) 一方面，根據(jù)選取不同的背景系數(shù)引入了火點發(fā)生概率。另一方面，H-8衛(wèi)星在火情監(jiān)測中能充分發(fā)揮衛(wèi)星遙感高時效、高觀測頻次的優(yōu)點。將兩者融合后對連續(xù)火情監(jiān)測信息進(jìn)行分析，可有效減小系統(tǒng)的誤報率和漏報率，火情持續(xù)時間的獲取也有利于對火情發(fā)展的評估。本文提出的時空上下文算法與固定閾值法和傳統(tǒng)上下文法相比，在空間和時間上更具優(yōu)勢。

3) 時空上下文算法的準(zhǔn)確率高達(dá)72.5%，并且僅有43.9%的漏報率，成效較好(固定閾值法準(zhǔn)確率為54.5%，漏報率為78%，傳統(tǒng)的上下文法準(zhǔn)確率為60%，漏報率為46.1%)。實例分析表明，應(yīng)用該算法的火點監(jiān)測系統(tǒng)可以快速準(zhǔn)確地發(fā)現(xiàn)輸電線路3 km以內(nèi)的火情，并在較短時間內(nèi)發(fā)出預(yù)警。

[1] 何立夫, 陸佳政, 劉毓, 等. 輸電線路山火可見光-紅外多光源精準(zhǔn)定位技術(shù)[J]. 高電壓技術(shù), 2018, 44(8): 2548-2555.

HE Lifu, LU Jiazheng, LIU Yu, et al. Precise positioning technology of wild fire nearby transmission lines by visible and infrared vision[J]. High Voltage Engineering, 2018, 44(8): 2548-2555.

[2] 祝佳佩, 趙文彬. 考慮線路潮流波動對母線電壓影響的特高壓交流電網(wǎng)電壓控制策略[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(6): 76-82.

ZHU Jiapei, ZHAO Wenbin. Voltage control strategy of a UHV AC power grid considering the influence of line power flow fluctuation on bus voltage[J]. Power System Protection and Control, 2021, 49(6): 76-82.

[3] ZHANG B, HAO Z, BO Z. New development in relay protection for smart grid[J]. Protection and Control of Modern Power Systems, 2016, 1(2): 121-127.

[4] 張偉晨, 熊永新, 李程昊, 等. 基于改進(jìn)VDCOL的多饋入直流系統(tǒng)連續(xù)換相失敗抑制及協(xié)調(diào)恢復(fù)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(13): 63-72.

ZHANG Weichen, XIONG Yongxin, LI Chenghao, et al. Continuous commutation failure suppression and coordinated recovery of multi-infeed DC system based on improved VDCOL[J]. Power System Protection and Control, 2020, 48(13): 63-72.

[5] 陳強(qiáng), 王建, 熊小伏, 等. 一種降雨誘發(fā)滑坡災(zāi)害下輸電桿塔的監(jiān)測與預(yù)警方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(3): 147-155.

CHEN Qiang, WANG Jian, XIONG Xiaofu, et al. Monitoring and early warning method for transmission tower under rainfall-induced landslide disaster[J]. Power System Protection and Control, 2020, 48(3): 147-155.

[6] 王增平, 呂哲, 許琬昱. 基于暫態(tài)波形特征的輸電線路雷擊干擾與故障識別方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(6): 18-26.

WANG Zengping, Lü Zhe, XU Wanyu. Identification of lightning strike disturbance and faults for transmission line based on transient waveform characteristics[J]. Power System Protection and Control, 2020, 48(6): 18-26.

[7] 翟永賽. 基于航拍圖像的電網(wǎng)災(zāi)情勘測方法研究及應(yīng)用[D]. 北京: 華北電力大學(xué), 2018.

ZHAI Yongsai. Research and application of power grid disaster survey method based on aerial images[D]. Beijing: North China Electric Power University, 2018.

[8] 周志宇. 山火災(zāi)害下電網(wǎng)輸電線路跳閘風(fēng)險評估研究[D]. 北京: 華北電力大學(xué), 2019.

ZHOU Zhiyu. Study on risk assessment of transmission line trip under mountain fire disaster[D]. Beijing: North China Electric Power University, 2019.

[9] 周志宇, 艾欣, 陸佳政, 等. 山火災(zāi)害引發(fā)的輸電線路跳閘風(fēng)險實時分析方法及應(yīng)用[J]. 中國電機(jī)工程學(xué)報, 2017, 37(18): 5321-5330.

ZHOU Zhiyu, AI Xin, LU Jiazheng, et al. A real-time analysis approach and its application for transmission-line trip risk due to wildfire disaster[J]. Proceedings of the CSEE, 2017, 37(18): 5321-5330.

[10] 普子恒, 阮江軍, 黃道春, 等. 火焰條件下間隙的直流電壓擊穿特性研究[J]. 中國電機(jī)工程學(xué)報, 2014, 34(3): 453-459.

PU Ziheng, RUAN Jiangjun, HUANG Daochun, et al. Study on DC voltage breakdown characteristics of gap under fire conditions[J]. Proceedings of the CSEE, 2014, 34(3): 453-459.

[11] ZHANG J, ZHANG B, XIE H, et al. On data analysis in forest fire induced breakdown of the transmission line[C] // International Conference on Intelligent and Interactive Systems and Applications, November 11-13, Beijing, China: 524-529.

[12] AL-DHIEF F T, SABRI N, FOUAD S, et al. A review of forest fire surveillance technologies: mobile AD-HOC network routing protocols perspective[J]. Journal of King Saud University-Computer and Information Sciences, 2019, 31(2): 135-146.

[13] LIU Y, LI B, WU C, et al. Risk warning technology for the whole process of overhead transmission line trip caused by wildfire[J]. Natural Hazards, 2021, 107(1): 195-212.

[14] 鄭偉, 邵佳麗, 王萌, 等. 多源衛(wèi)星遙感草原火災(zāi)動態(tài)監(jiān)測分析[J]. 自然災(zāi)害學(xué)報, 2013, 22(3): 54-61.

ZHENG Wei, SHAO Jiali, WANG Meng, et al. Dynamic monitoring and analysis of grassland fire by multi-source satellite remote sensing[J]. Journal of Natural Disasters, 2013, 22(3): 54-61.

[15] 周小成, 汪小欽. EOS-MODIS數(shù)據(jù)林火識別算法的驗證和改進(jìn)[J]. 遙感技術(shù)與應(yīng)用, 2006, 21(3): 39-44.

ZHOU Xiaocheng, WANG Xiaoqin. Validate and improvement on arithmetic of identifying forest fire based on EOS-MODIS data[J]. Remote Sensing Technology and Application, 2006, 21(3): 39-44.

[16] 周永寶, 韓惠. 基于遙感數(shù)據(jù)的森林火災(zāi)監(jiān)測研究概述[J]. 測繪與空間地理信息, 2014, 37(3): 134-136.

ZHOU Yongbao, HAN Hui. Research overview of forest fire monitoring based on remote sensing data[J]. Geomatics & Spatial Information Technology, 2014, 37(3): 134-136.

[17] LU J, LIU Y, ZHANG G, et al. Partition dynamic threshold monitoring technology of wildfires near overhead transmission lines by satellite[J]. Natural Hazards, 2018, 94(3): 1327-1340.

[18] HE L, LI Z. Enhancement of a fire detection algorithm by eliminating solar reflection in the mid-IR band: application to AVHRR data[J]. International Journal of Remote Sensing, 2012, 33(22): 7047-7059.

[19] FILIZZOLA C, CORRADO R, MARCHESE F, et al. RST-FIRES, an exportable algorithm for early-fire detection and monitoring: description, implementation, and field validation in the case of the MSG-SEVIRI sensor[J]. Remote Sensing of Environment, 2016, 186: 196-216.

[20] HUH Y, LEE J. Enhanced contextual forest fire detection with prediction interval analysis of surface temperature using vegetation amount[J]. International Journal of Remote Sensing, 2017, 38(11): 3375-3393.

[21] KOLTUNOV A, USTIN S L. Early fire detection using non-linear multitemporal prediction of thermal imagery[J]. Remote Sensing of Environment, 2007, 110(1): 18-28.

[22] 李建, 陳曉玲, 陸建忠, 等. 森林火災(zāi)遙感監(jiān)測方法適用性研究[J]. 華中師范大學(xué)學(xué)報(自然科學(xué)版), 2011, 45(3): 485-489.

LI Jian, CHEN Xiaoling, LU Jianzhong, et al. Study on applicability of forest fire detecting algorithms by remote sensing[J]. Journal of Central China Normal University (Natural Sciences), 2011, 45(3): 485-489.

[23] 江全元, 晏鳴宇. 基于概率統(tǒng)計的輸電線路山火監(jiān)測方法[J]. 高電壓技術(shù), 2015, 41(7): 2302-2307.

JIANG Quanyuan, YAN Mingyu. Improved method for forest fire spot detection near transmission line based on probability statistic[J]. High Voltage Engineering, 2015, 41(7): 2302-2307.

[24] 陳潔, 鄭偉, 劉誠. Himawari-8靜止氣象衛(wèi)星草原火監(jiān)測分析[J]. 自然災(zāi)害學(xué)報, 2017, 26(4): 197-204.

CHEN Jie, ZHENG Wei, LIU Cheng. Application of grassland fire monitoring based on Himawari-8 geostationary meteorological satellite data[J]. Journal of Natural Disasters, 2017, 26(4): 197-204.

[25] WOOSTER M J, ROBERTS G, FREEBORN P H, et al. LSA SAF meteosat FRP products-part 1: algorithms, product contents, and analysis[J]. Atmospheric Chemistry and Physics, 2015, 15(22): 13217-13239.

[26] 熊俊楠, 彭超, 程維明, 等. 基于MODIS-NDVI的云南省植被覆蓋度變化分析[J]. 地球信息科學(xué)學(xué)報, 2018, 20(12): 1830-1840.

XIONG Junnan, PENG Chao, CHENG Weiming, et al. Analysis of vegetation coverage change in Yunnan province based on MODIS-NDVI[J]. Geo-Information Science, 2018, 20(12): 1830-1840.

[27] LIU X, HE B, QUAN X, et al. Near real-time extracting wildfire spread rate from himawari-8 satellite data[J]. Remote Sensing, 2018, 10(10): 1654-1668.

[28] BESSHO K, DATE K, HAYASHI M, et al. An introduction to Himawari-8/9 Japan’s new-generation geostationary meteorological satellites[J]. Journal of the Meteorological Society of Japanese Series II, 2016, 94(2): 151-183.

[29] GIGLIO L, SCHROEDER W, JUSTICE C O. The collection 6 MODIS active fire detection algorithm and fire products[J]. Remote Sensing of Environment, 2016, 178: 31-41.

[30] REMER L A, KAUFINAN Y J, TAME D, et al. The MODIS aerosol algorithm, products and validation[J]. Journal of Atmospheric Sciences, 2005, 62(4): 947-973.

[31] LIN Z, CHEN F, LI B, et al. FengYun-3C VIRR active fire monitoring: algorithm description and initial assessment using MODIS and landsat data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(11): 6420-6430.

[32] LIN Z, CHEN F, LI B, et al. A contextual and multitemporal active-fire detection algorithm based on FengYun-2G S-VISSR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(11): 8840-8852.

An automatic identification algorithm for wildfire occurrences near transmission line corridors based on spatio-temporal context

WANG Kaizheng1, FU Yitong1, QIAN Guochao2, ZHOU Fangrong2, WEN Gang2, LI Lulu1, SHAN Jieshan1, WANG Feipeng3, LI Jian3

(1. Faculty of Electric Power Engineering, Kunming University of Science and Technology, Kunming 605504, China;2. Electric Power Research Institute of Yunnan Electric Power Company, Kunming 650217, China; 3. State Key Laboratory of Power Transmission Equipment & System Security and New Technology, Chongqing 430074, China)

The traditional polar-orbit satellite with low-frequency observations and a fixed observation time is intractable to real-time monitoring for a specific region. Accordingly, a spatio-temporal contextual algorithm for continuous monitoring of wildfires near transmission lines is provided by the Himawari-8 (H-8) geostationary satellite. First, based on the difference in sensitivity of the mid-infrared and thermal infrared bands to the fire spots, the absolute and potential fire spots are determined by a fixed-threshold algorithm. Then, the flame pixels are identified by comparing the ratios between the channel value, mean, and standard deviation of the mid-infrared and thermal infrared from space. Also, persistent fire spots can be located by taking advantage of the high-frequency observation capability of H-8 in conjunction with the fire occurrence probability in terms of time. The proposed technique has been applied to the wildfire monitoring of transmission lines in a provincial power grid in southern China, boosting the accuracy rate to 72.5% and lowering the missing alarm rate to 43.9%, respectively. The current study results are significantly superior to the conventional contextual fire detection algorithm and fixed threshold algorithm.

Himawari-8; wildfire near transmission lines; spatio-temporal contextual; threshold; potential fire spot

10.19783/j.cnki.pspc.211593

2021-11-25；

2022-02-10

王開正(1988—)，男，博士，講師，碩導(dǎo)，研究方向為電網(wǎng)防災(zāi)減災(zāi)、電力裝備絕緣失效機(jī)制與防御技術(shù)。E-mail: kz.wang@foxmail.com

This work is supported by the National Natural Science Foundation of China (No. 52107017, No. 52177016, and No. 52130707).

國家自然科學(xué)基金項目資助(52107017，52177016，52130707)

(編輯 許 威)