（云南电网有限责任公司昆明供电局 昆明市官渡区 650011）
摘要：自然灾害和人为灾害往往是造成灾害事件的主要原因损坏的物理基础设施，可能导致受影响地点的电力损失。来自Suomi国家极地轨道合作伙伴的遥感夜间卫星图像（Suomi-NPP）可见红外成像辐射计套件（VIIRS）日/夜带（DNB）可监控通过识别失踪的城市灯光，在受灾地区停电。什么时候结合当地相关的地理空间信息，这些观测结果可用于估算停电，定义为需要人工干预以恢复供电的地理位置。在这项研究中，我们基于Suomi-NPP VIIRS DNB观测产生了停电产品估计2012年飓风桑迪之后停电。此产品与已知产品相结合停电数据和环境人口估计，然后用于预测停电中的停电分层，前馈神经网络模型。我们相信这是协同作用的第一次尝试将这些数据源结合起来，定量估算停电情况。VIIRS DNB停电产品能够确定飓风桑迪之后的初始光损失，以及渐进式恢复电力。神经网络模型合理预测停电空间精度，在所有折叠中实现0.48和0.58之间的Pearson系数（r）。我们的结果显示生产美国大陆（CONUS）的承诺 - 或全球范围的停电使用卫星图像和本地相关的地理空间数据监测网络。
关键词：大数据；电力基础设施；停电负荷
1 引入
人造夜间照明（NTL）排放是令人感兴趣的因为它们提供了人类活动模式的指示。横跨景观，这些排放来自住宅单户或多户住宅，当地企业，机场，工厂和炼油厂，体育场馆，政府大楼和其他设施 - 实质上是广泛的不同城市土地用途。可以在DNB中观察和监测对这些发光特征的破坏在预期城市基础设施（即点亮像素）的位置处的数据为暗化或不亮像素在正常情况下。协助响应工作，半自动，近实时检测在发生灾难事件后，可以生成VIIRS DNB的轻微减少或中断中断电力输送。此数据集每天可用于无云整个地球的一部分，可以与当地相关的地理空间信息结合起来进行预测停电。这种检索策略对于具有的多日灾难事件特别有用在多个Suomi-NPP天桥期间可以映射的广泛中断。在这些场景中，基于DNB的断电估计有助于深入了解初始时间和持续时间除了响应努力恢复电力的光恢复率之外，还有光发射损失受停电影响的地区的电力。在这种情况下，本研究的目的是产生停电基于Suomi-NPP VIIRS DNB的检测产品。然后将该产品用作a的输入分层，前馈神经网络模型，采用日常协同组合，纠正夜间观测，电气基础设施和环境人口估计值停电预测。
2 数据和方法
以前的研究使用来自DMSP-OLS和Suomi-NPP VIIRS DNB的数据进行观察人类活动模式在晚上。这些努力后处理图像以省略云污染和使用其他近红外（NIR）/红外（IR）卫星波段和月相的月光观测信息[9]。曹等人。试图考虑观察到的DNB辐射亮度的月球照明通过使用顶部大气（TOA）光谱月球辐照度模型[27]。在本研究中，我们通过使用月球双向反射分布函数扩展了这种定量方法的使用Román和Stokes介绍的（BRDF）关于VIIRS DNB数据[28]。该方法量化了月球辐射贡献，然后我们用它来估计其中的真实NTL模式变化和城市地区。
实验性NASA DNB产品是由主要和辅助科学数据集（SDS）字段组成。
期刊文章分类查询,尽在期刊图书馆第一层包含：（1）aTOA DNB辐射度，以及（2）月球BRDF校正的DNB辐射，校正了贡献陆地上的月光，均以nW·cm-2为单位·SR-1。辅助层包含所有质量保证（QA）标志对应的DNB辐射值。这些辅助数据集允许TOA和BRDF校正的辐射值在基于云层覆盖，雪的分析中进行质量控制覆盖，并校正月光对观察到的辐射的贡献，隔离最高质量DNB数据。
分析事件前和事件后的DNB检索以确定NTL的短期减少随着公用事业工作人员恢复供电，排放量逐渐恢复到正常水平。完整记录本案例研究中使用的数据跨越2012年7月30日至11月6日。此外，7月30日至10月28日（90晚）提供了“普通灯光”的事件前基线，定义为基于像素的最小值光辉，10月30日 - 11月6日（8晚）作为活动后的单张图片进行比较在无事件的观察结果允许比较的情况下，基于来自VIIRS云面罩的检测。此外，11月5日因分析而被排除在外完成受影响区域的云层覆盖，共有七个事后图像用于分析。使用DNB月球r BRDF校正的检索和辅助准备每个图像质量标志，用于消除质量差的观测资料。
3 停电估算的评估
我们根据中断预测模型的大小和空间来评估结果准确性，因为这些指标与公用事业的应急准备行动相对应以确保安全并在正确的地理位置预备互助小组。每次折叠的结果总结并在框图中呈现，结果总体上是一致的20倍。。所有折叠的平均绝对误差（MAE）为0.59次中断每个网格单元，平均均方根误差（RMSE）为每网格单元1.24次中断，其中平均归一化均方根误差（nRMSE）为86％。尽管每格的nRMSE很高单元，表示局部点估计中的误差，中断的整体空间精度如NSE值在0.23和0.33之间以及Pearson相关（r）值所解释的那样是温和的在所有折叠中，介于0.48和0.58之间。可能影响模型准确性的因素是地理定位停电（例如，停电记录在最近的上游隔离装置，可以进行地理定位在相邻的网格单元格中）。可能影响我们研究结果的另一个因素是由于云影响，每天的观测数量不均匀。此外，可能还有其他来自不同数据源组合的数据质量考虑因素时间分辨率，正如我们对我们的解释数据所做的那样（例如，人口，DNB辐射，和公用事业基础设施资产分析多个风暴的未来研究将有助于减轻风暴这些影响。
4 结论
使用改进的DNB检索在观察到的辐射值中考虑月球BRDF伪影的策略，我们能够合并夜间图像独立于月相条件，以估计飓风后的停电情况Sandy在2012年。将DNB辐射值与人口估计和当地相关效用相结合信息允许创建神经网络模型来预测密集的断电，中断估计和预测最多在近实时操作中很有价值。
云层覆盖，输入数据集之间的时间差异以及停电的地理位置是我们研究设计的主要局限性。虽然云覆盖影响任何依赖的分析昼/夜可见卫星图像，地理上广泛和时间上广泛的性质来自飓风桑迪的停电可以进行足够数量的晴空观测。VIIRS立交桥时间之间的时间不一致，Landscan 2014人口估计，而Eversource报告的断电限制了我们对模型结果的信心。但是，这个通过对相互1 km网格上的所有输入数据集建模来解决差异。最后，潜力报告的停电源自相邻的网格单元，可能会导致停电省略。在这些情况下，我们基于网格的模型无法解释类似网络的行为，我们当前设计的局限性和未来研究的关键改进点。
参考文献：
[1]余向前，闫瑞珍，杨波.大数据背景下电力信息网络智能风险预警[J].电子技术与软件工程，2019（12）：195.
[2]陈非，蔡嘉荣.试论电力信息系统大数据的高性能处理方法[J].通讯世界，2019，26（06）：218-219.
论文作者:龙玉英,魏靖,许湍
论文发表刊物:《河南电力》2019年2期
论文发表时间:2019/10/11
标签：数据论文; 月球论文; 模型论文; 网格论文; 电力论文; 图像论文; 神经网络论文; 《河南电力》2019年2期论文;