可扩展的地理空间机器学习用于电力线路资产风险：集成遥感进行闪电和植被风险建模

# 面向电力线路资产风险的可扩展地理空间机器学习：整合雷电与植被风险建模的遥感技术
来源：https://arxiv.org/html/2608.18611
Artur Sokolovsky、Bhavik Merai、Moe Jafari、Muen Chen  
所属单位：SA Power Networks, 1 Anzac Highway, Keswick SA, Adelaide, 5035, Australia

###### 摘要

电力网络日益面临对天气敏感的故障机制，这要求进行资产级、空间显式的风险建模以制定有效的干预计划。本研究提出了一个模块化、稳健且可解释的故障概率（PoF）建模框架，用于公用事业资产管理。其核心贡献在于构建了一种资产级架构，该架构无需修改底层流程即可扩展至新的环境数据源和更多PoF类型。这在工业环境中尤为重要，因为风险模型必须在适应数据可用性变化、资产管理优先事项和气候驱动的危险条件的同时，保持可操作性和可维护性。

我们利用统一的地理空间机器学习流程，展示了针对植被相关和雷电相关故障模式的框架应用。该实施集成了多源预测变量，包括地形（SRTM）、植被状况（MODIS归一化植被指数-NDVI）、雷电气候学（LIS VHRMC）、基于OpenStreetMap的邻近特征以及公用事业运营记录。最终架构计算效率高、具有操作可扩展性，适用于公用事业规模部署。它为检查优先级排序、植被管理、资产加固和韧性规划提供了可操作的资产级风险分层，支持更早的干预和更具气候韧性的网络运营。

###### 关键词：

能源网络，资产管理，电力系统，气候韧性，基础设施韧性

## 1 引言

### 1.1 背景

电力网络日益暴露于空间异质、操作成本高昂的对天气敏感的故障机制。本研究聚焦于两种特定灾害的故障概率（PoF）：*雷电PoF*，定义为资产因雷电相关暴露而发生故障的概率；*植被PoF*，定义为资产因植被相关相互作用（例如机械影响或闪络事件）而发生故障的概率。先前的证据表明，恶劣天气的影响在网络中分布不均，这促使我们采用资产级建模，而非聚合的系统平均值（参考文献10）。

从环境过程角度看，这两种危险都是动态的。在气候变暖条件下，雷电模式可能会发生变化（参考文献13），而植被干燥度也受气候变率和变化的影响（参考文献1）。因此，地理空间地球观测产品为可扩展的风险建模提供了重要基础：来自SRTM的地形信息（参考文献6）、来自MODIS指数的植被状况信号（参考文献5），以及来自LIS的长期雷电气候学数据（参考文献2）。NDVI及相关指数作为植被状态的可解释代理指标，在面向扰动的应用中尤为重要（参考文献12）。

### 1.2 研究空白

尽管停电和灾害建模取得了进展，但在文献和许多实际操作中仍然存在三个局限。首先，研究通常分别处理雷电和植被风险，这限制了当两种机制都可能影响同一基础设施时的综合资产优先级决策。其次，许多模型在空间上过于粗糙，无法支持资产级的干预措施（例如针对性检查、修剪、加固或浪涌保护规划）。第三，灾害代理指标通常未与公用事业故障记录紧密耦合，降低了实际预测价值并限制了现场部署的可解释性（参考文献10）。

因此，仍然需要一个可扩展、可扩展的PoF建模设计，该设计使用统一的地理空间预测变量和观测到的公用事业故障结果，同时支持针对植被、雷电及其他故障模式（例如动物相关故障）的特定灾害模型实例。

### 1.3 研究问题

本研究探究：一个基于统一地理空间预测变量和公用事业故障记录构建的、可扩展且可扩展的资产级PoF框架，能否产生操作上有用的风险排名和可解释的、针对特定灾害的输出，以支持公用事业决策？在此问题下，主要目标是在可用网络背景下进行方法论和操作验证，而非严格的前瞻性预测或地理领域迁移测试。

### 1.4 贡献

本研究对公用事业网络的资产风险建模做出了四项主要贡献。

- 1. **模块化的多PoF公式**：我们开发了一个资产级框架，具有共享的地理空间-机器学习流程和针对特定灾害的模型实例，为植被PoF和雷电PoF进行了演示，实现了无需强制单一组合模型即可进行一致的跨灾害风险评估。
- 2. **高效且可扩展的建模流程**：我们实施了一种适合公用事业规模部署的高效计算方法，结合了多尺度空间特征工程和可在数百万资产规模的资产群中操作化的建模架构。
- 3. **可扩展的数据和目标设计**：该框架设计为模块化，允许公用事业引入新的目标变量（例如动物相关PoF），整合额外数据源，并随着新的运营和环境数据集的可用性扩展特征空间。
- 4. **具有操作意义的资产级粒度**：结果表明，资产级PoF建模能够以有用的保真度捕捉历史故障模式，支持更有针对性和更有效的维护优先级排序和韧性规划干预措施。

### 1.5 研究概述

本文的其余部分组织如下：第2节描述了数据源、预处理流程、空间特征工程，以及用于模块化多PoF估计的、基于特定灾害模型的机器学习架构。第3节报告了模型验证、空间风险模式、可解释性分析和操作风险分层输出。第4节解释了发现，讨论了局限性和实际意义，并概述了向近实时风险建模发展的未来方向。附录A提供了缩略语词汇表。

## 2 材料与方法

### 2.1 数据来源

建模框架整合了多源地球观测、志愿地理信息和公用事业运营数据，以表征资产级的环境暴露。地形背景使用NASA航天飞机雷达地形测量任务（SRTM）全球3弧秒（V003）数字高程模型表示（参考文献6）。建成环境和陆地-水体背景源自OpenStreetMap（OSM）XML数据（参考文献3），包括海岸线、内陆水体和建筑物图层，这些被重建为可用于分析的矢量几何图形。概念性数据流如图1所示。

*图1：数据处理流程架构，展示了对栅格环境数据的差异化处理以及重建矢量几何图形以组装最终特征空间的过程。*植被状况使用MODIS/Terra植被指数产品（MOD13Q1，Collection 6.1；16天合成，250米，正弦投影网格）表示（参考文献5）。从此产品中，我们推导出基于NDVI的预测变量，作为植被状况和空间生物量动态的代理，符合既定的生态遥感实践（参考文献12）。为了适应工业交付约束，NDVI特征是从最近一年可用的观测数据中精确计算得出的。雷电暴露使用LIS 0.1°超高分辨率网格雷电月度气候学数据（VHRMC; V1）表征（参考文献2），该数据提供了雷电发生的长期空间模式。监督标签来自公用事业的历史故障通知存档（按资产和故障模式划分的二进制故障/无故障）。

综合来看，这些来源定义了更广泛的建模特征空间，涵盖地形属性、邻近性度量、植被和雷电指标、先验故障信息以及资产/网络上下文变量。完整的模型特征列表在表1中总结，这些变量的推导过程如下所述。

### 2.2 数据预处理

在特征提取之前，所有数据集都被统一到以资产为中心的通用地理空间表示中。资产坐标用作分析锚点，并构建了多尺度兴趣区域（200米至50公里），以捕捉近场效应（例如局部地形起伏、建筑物邻近性、短距离植被背景）和更广泛的中尺度暴露（例如区域雷电气候学）。

栅格数据流（SRTM、MODIS NDVI和LIS VHRMC）在每个分析窗口内进行空间查询，并通过适当尺度的描述性统计进行汇总。从OSM导出的矢量图层与相同窗口进行空间相交，以计算邻近性和密度导向的预测变量（例如到最近水体、海岸线或建筑物的距离）。这种统一处理确保了来自异构来源的预测变量在资产级具有可比性，并适合下游机器学习模型使用。

故障通知记录经过质量控制、标准化，并链接到相应的资产标识符，为每种PoF类型生成二进制目标变量。最终得到的分析表将工程化的地理空间预测变量、运营历史指标和资产/网络上下文变量结合在一个监督学习矩阵中。表1在概念层面总结了特征空间。

*表1：完整的模型特征列表、描述和空间搜索约束。*
| 类别 | 特征 | 描述 | 搜索半径 |
|------|------|------|----------|
| 地形 | 海拔标准差 | 从SRTM DEM得出的局部地形粗糙度度量。 | 400米 |
| 地形 | 相对海拔 | 资产海拔与局部邻域平均值的差异。 | 400米 |
| 地形 | 绝对海拔 | 从SRTM DEM获取的资产位置绝对海拔。 | 400米 |
| 地形 | 海拔梯度 | 从附近DEM单元计算的局部地形坡度。 | 400米 |
| 邻近性 | 到海岸线的距离 | 到最近海岸线的最小大地线距离。 | 15公里 |
| 邻近性 | 到水体的距离 | 到最近内陆水体的最小大地线距离。 | 7公里 |
| 邻近性 | 到建筑物的距离 | 到最近建筑物的最小大地线距离。 | 200米 |
| 环境 | 平均NDVI | 作为植被状况代理的局部平均NDVI。 | 400米 |
| 环境 | 最大NDVI变化 | 代表近期生物量增长的最大正向NDVI变化。 | 400米 |
| 环境 | 雷电强度 | 区域雷电气候学强度摘要。 | 50公里 |
| 资产/网络 | 聚合电压 | 聚合资产电压等级。 | 精确匹配 |
| 资产/网络 | SCONRR | 网络上下文分类（例如农村、大都市、中央商务区）。 | 精确匹配 |
| 资产/网络 | 树木悬垂标志 | 资产附近观测到树木悬垂的指示符。 | 精确匹配 |

### 2.3 数据处理与空间优化

将高分辨率遥感网格与大规模矢量数据库（如OSM）整合到区域级公用事业网络中，带来了显著的计算挑战。此数据整合的主要目标是为每个公用事业资产构建一个全面的特征空间，捕捉其在关键领域的特定环境暴露：关键特征领域和代表性工程变量在表1中总结。

为了高效地大规模计算这些特征，数据预处理在Snowflake云数据平台中端到端执行。在Snowflake中开发了一个高度优化的地理空间流程，用于相对于每个公用事业资产的离散点坐标，投影、连接和聚合这些不同的空间图层。

所有地理空间转换、特征工程、中间表物化和质量控制检查都在Snowflake内执行。这种统一的云原生实现确保了可扩展的分布式执行、流程各阶段间的一致可重复性以及公用事业规模部署的操作就绪性。

#### 2.3.1 优化的地理空间修剪

核心方法论挑战在于计算精确的邻近性指标（例如到最近海岸线或植被区的精确距离），同时避免在整个区域数据集上执行计算上不可行的笛卡尔积。为了解决这个问题，我们实施了如图2所示的两步地理空间修剪算法。

*图2：两步地理空间修剪算法示意图。动态的纬度/经度边界框（面板A）在应用精确大地线距离计算（面板B）之前，高效地过滤候选点。*

首先，根据目标搜索半径（R）为每个资产计算动态数值边界框（BBox）。为了考虑地球曲率，经度增量（Δλ）根据资产点的纬度（φ）动态缩放，有效地使用简单数值不等式预过滤候选几何图形：

Δλ = R / (c · max(|cos(φ)|, ε))  (1)

其中 c ≈ 111,320米 表示每度纬度的标称距离，ε 是一个保护常数，用于防止在极点附近出现除以零的情况。

经过这种快速数值连接后，仅对筛选后的候选子集应用Snowflake地理空间SQL函数。具体而言，使用ST_DWITHIN作为空间过滤器，仅保留在每个资产目标搜索距离内的候选对象，然后使用ST_DISTANCE计算到剩余候选对象的精确最终距离。这种方法将计算开销降低了数个数量级，同时保持了地理精度。

#### 2.3.2 矢量几何重建

来自OpenStreetMap XML提取的人造和水文边界在进行距离计算之前需要进行形态学重建。解析原始地理节点并将其链接到相应的空间实体（例如自然海岸线和建筑物图层）。使用顺序节点索引，将离散的坐标对展平并连接成连续的 Well-Known Text (WKT) 字符串，以便进行后续的空间操作和距离计算。