周恩澤，黃勇，龔博，魏瑞增，向諄，陳維捷，周游

(1. 廣東電網(wǎng)有限責任公司電力科學研究院，廣州510080；2. 南方電網(wǎng)科學研究院，廣州510663；3. 長沙理工大學電氣與信息工程學院智能電網(wǎng)運行與控制湖南省重點實驗室，長沙410114)

0 引言

我國能源和電力負荷呈逆向分布，為實現(xiàn)電力資源優(yōu)化配置，大量輸電走廊穿越森林，縱橫山野[1-3]。受極端天氣和地表環(huán)境、居民用火習慣等因素的影響，在春節(jié)、清明和秋收等野外山火高發(fā)期，輸電走廊周邊易發(fā)生大范圍山火。山火影響下輸電線路空氣間隙絕緣強度降低，極易引起線路短路擊穿，誘發(fā)輸電線路跳閘，且重合閘成功率低，嚴重危害電網(wǎng)的安全穩(wěn)定運行[4-5]。

為提高輸電線路山火防治水平，國內(nèi)外學者開展了包括山火分布規(guī)律[6-7]、跳閘機理[8-9]、監(jiān)測告警[10-11]和風險評估[12-13]等多個維度的研究。雖然現(xiàn)在利用遙感衛(wèi)星可以實現(xiàn)輸電走廊山火的實時監(jiān)測。但是輸電走廊附近一旦發(fā)生山火，幾分鐘至幾十分鐘內(nèi)就可能引起跳閘。并且在山火高發(fā)期間，多處山火通常是同時或相繼發(fā)生，運維人員難以及時趕赴現(xiàn)場進行處置。因此綜合評估輸電走廊山火風險，根據(jù)風險高低展開差異化的防山火工作，可減少電網(wǎng)因山火引起的跳閘事故。

目前，山火風險評估主要從選取山火影響因子構(gòu)建評估模型出發(fā)。美國、加拿大等國的林業(yè)部門通過歷史山火數(shù)據(jù)分析各種氣象要素對山火產(chǎn)生的影響，基于氣象要素進行山火風險評估[14-15]，但該類方法只能反映大范圍山火爆發(fā)風險，不適用于地域差異性較大的輸電走廊山火風險評估。2016年國家電網(wǎng)公司發(fā)布了《架空輸電線路山火分布圖繪制導則》[16]。該標準采用火點密度和植被燃燒危害等級，分級處理后利用風險評估矩陣來評估輸電線路山火風險。文獻[17]對輸電線路山火進行預測預警時采用了降水、衛(wèi)星監(jiān)測熱點和工農(nóng)業(yè)用火要素，并考慮線路隱患點要素。然而這些評估模型大多采用3～4個山火風險要素，且各要素建模過程中影響權(quán)重的確定依賴主觀經(jīng)驗，難以綜合全面地考慮山火風險。山火的發(fā)生是多類山火因子共同作用的結(jié)果，Sergi Costafreda-Aumedes等枚舉分析了影響山火發(fā)生的氣象、地理、植被、人為等若干個因子和山火風險評估方法[18]。

基于數(shù)理統(tǒng)計和圖論的貝葉斯網(wǎng)絡，能夠有效融合先驗知識和客觀證據(jù)，在多因子風險評估等不確定性領(lǐng)域應用廣泛[19]。本文綜合篩選了影響輸電走廊山火的人為、地表環(huán)境和氣象3大類共14小類影響因子。以南方電網(wǎng)為研究對象，將其劃分為1 km×1 km的網(wǎng)格對各因子進行數(shù)據(jù)收集和預處理，然后按照網(wǎng)格區(qū)域是否發(fā)生過山火對樣本進行分類，利用Relief算法獲得山火影響因子重要性排序；基于樸素貝葉斯網(wǎng)絡構(gòu)建山火風險評估模型。計算研究區(qū)域網(wǎng)格的山火風險概率，最后對山火風險概率進行分級，繪制輸電走廊山火風險分布圖并對其適用性進行了驗證。

1 研究區(qū)域和山火影響因子收集

1.1 研究區(qū)域

本文目標研究區(qū)域為南方電網(wǎng)，包括廣東、廣西、云南、貴州和海南5個省(區(qū))。研究區(qū)域位于中國華南地區(qū)，介于北緯18 °10′—26°35′，東經(jīng)102°10′—114°30′。地理方面，云貴高原地處云南與貴州，區(qū)域內(nèi)喀斯特地貌分布廣泛；氣候方面，屬亞熱帶和熱帶季風氣候，熱量豐富、雨熱同期，氣候條件適宜。研究區(qū)域為我國重點林區(qū)，多變的氣候、復雜的地形和繁多的植被使其易受山火災害侵襲。

1.2 山火影響因子

1.2.1 人為因子

統(tǒng)計表明，誘發(fā)輸電線路走廊山火的火源90%以上為人為野外用火，以燒荒、煉山等生產(chǎn)性用火和野外吸煙、上墳等非生產(chǎn)性用火為主[20]。本文選擇了距離道路遠近、距離居民點遠近、人口密度、國內(nèi)生產(chǎn)總值(gross domestic product，GDP)和歷史火點密度5類因子來反映人為因素對山火發(fā)生風險的影響。

其中，居民點和道路周圍是人類活動的主要區(qū)域，人為火源較多。人口密度能夠反映區(qū)域人口聚集情況，一定范圍內(nèi)人口密度對火災發(fā)生概率影響較大[21]。GDP雖然直接表征的是該區(qū)域的經(jīng)濟實力，但是影響了該區(qū)域內(nèi)的人為用火習慣。區(qū)域內(nèi)的道路、居民點、人口密度和GDP數(shù)據(jù)從中國科學院資源環(huán)境科學與數(shù)據(jù)中心獲取，分辨率為1 km×1 km。而距離道路和居民點遠近根據(jù)道路和居民點數(shù)據(jù)利用地理信息軟件計算得到。

歷史火點密度為區(qū)域內(nèi)過去幾年內(nèi)的山火發(fā)生分布情況，可以綜合反映包括人為活動在內(nèi)的山火風險影響[22]。本文的歷史火點由國家氣象中心提供，為2010—2019年氣象衛(wèi)星共10年的監(jiān)測火點。其中，2010—2014年期間的火點作為山火影響因子中的歷史火點密度。而2015—2019年期間的火點分布用以構(gòu)建和評估模型。歷史火點密度計算方法如下。

1)首先將目標區(qū)域以2.5 km×2.5 km精度進行的網(wǎng)格劃分。其中單個網(wǎng)格的面積S計算如式(1)—(3)所示。

S=d1×d2=0.617πR0δ2cosα

(1)

d1=111×δ

(2)

(3)

式中：d1和d2分別為網(wǎng)格沿經(jīng)度線和緯度線所跨越的距離，km；δ為網(wǎng)格所占緯度大小，取0.25 °；R0為地球平均半徑，取值6 371 km；α為網(wǎng)格中心點的緯度。

2)然后將收集的歷史火點分布到相應網(wǎng)格，計算歷史火點密度Dx如式(4)所示。

(4)

式中：Fx為網(wǎng)格內(nèi)統(tǒng)計火點個數(shù)，個/(100 km2·a)；Y為火點年限。

3)為了和目標區(qū)域網(wǎng)格精度相保持一致，采用克里金插值算法將歷史火點密度插至分辨率為1 km×1 km。

1.2.2 地表因子

地表因子主要是指地表可燃物和地形地貌，是引發(fā)山火災害的物質(zhì)基礎(chǔ)?？扇嘉锓N類不同，著火的難易程度也不同。山火多發(fā)生在野外植被條件良好的山區(qū)林地、灌木區(qū)和草甸[23]。因此，本文分別選擇了土地利用類型和植被類型來反映下墊面類型對山火風險的影響，并根據(jù)易燃程度對植被類型和土地利用類型分級，分別如表1和表2所示。土地利用類型和植被類型數(shù)據(jù)均從中國科學院資源環(huán)境科學與數(shù)據(jù)中心獲取。

采用可燃物載量和NDVI植被指數(shù)表征地表可燃物分布情況。其中，可燃物載量反映單位面積上可燃物的烘干重量，數(shù)據(jù)由國家氣象中心提供。NDVI植被指數(shù)反映地表植被的覆蓋情況，從中國科學院資源環(huán)境科學與數(shù)據(jù)中心獲取。

復雜的地形地貌在影響植被分布的同時，也會影響火焰燃燒和蔓延的程度，主要包含海拔、坡度和坡向3個因子。海拔不同帶來的溫度和濕度狀況差異影響植被的構(gòu)成，并且人類活動也會隨著海拔的增加而逐漸減少。坡度的增大會導致地表徑流越快，有益于可燃物干燥，直接影響山火產(chǎn)生后的蔓延速度[24]。坡向直接影響地表接受太陽輻射的多寡，從而影響大氣和可燃物濕度，進而影響山火的發(fā)生與蔓延[25]。本文的海拔、坡度和坡向利用從中國科學院資源環(huán)境科學與數(shù)據(jù)中心獲得的數(shù)字高程模型(digital elevation model，DEM)進行計算。以上所有的地表因子數(shù)據(jù)的分辨率均為1 km×1 km。

1.2.3 氣象因子

氣象因子中選擇了對植被生長和燃燒影響較大的年降水量和年均溫度。年降水量高的地區(qū)對應的植被生長茂盛且蒸騰作用小，同時土壤的鎖水能力和空氣濕度也較大。年均溫度較高則對應植被的蒸騰作用大，促進生物質(zhì)的快速干燥，進而影響地表植被可燃性發(fā)生改變。本文所采用的年降水量和年均溫度可從中國科學院資源環(huán)境科學與數(shù)據(jù)中心獲得，分辨率為1 km×1 km。

1.3 樣本收據(jù)和數(shù)據(jù)預處理

1.3.1 樣本收集

將研究區(qū)域以1 km×1 km大小進行網(wǎng)格劃分，基于地理信息軟件提取各網(wǎng)格對應的因子值。將2015—2019年火點區(qū)域網(wǎng)格作為火點樣本。由于山火從發(fā)展、蔓延到熄滅可長達數(shù)小時，因此將相隔4 h以內(nèi)，距離小于3 km的監(jiān)測火點視為同一火點；無火點樣本則通過隨機抽取相同數(shù)量2015—2019年期間未發(fā)生過山火的，且至少距離發(fā)生過火點區(qū)域3 km以上的區(qū)域網(wǎng)格獲得。

1.3.2 數(shù)據(jù)預處理

考慮到貝葉斯模型對于離散型數(shù)據(jù)的處理效率更高，模型穩(wěn)健性更好[26]。根據(jù)研究區(qū)域的因子分布情況，采用等頻率法對各因子進行離散化處理。其中，坡向從物理角度進行手動離散化，結(jié)果如表3所示。

表3 因子離散標準Tab.3 Factor discretization standards

2 基于Relief的因子重要度排序

山火影響因子眾多，不同因子對山火發(fā)生的貢獻程度不同，且會隨著研究區(qū)域的不同表現(xiàn)出一定的差異性[27]。這些因子之間存在相互耦合的同時還引入一些對山火風險分析的噪聲，造成數(shù)據(jù)的冗余并使得模型復雜度上升，評估準確性降低。建模之前采用Relief算法對各影響因子的貢獻度進行排序，選擇適當數(shù)量的影響因子提高模型運算效率，提高評估結(jié)果準確性。

圖1 Relief算法示意圖Fig.1 Diagram ofRelief algorithm

算法的基本步驟如下：

1)首先從樣本集D=(S1,S2,…,Sn)隨機抽取一個樣本Si；

當因子xj為離散型變量時，有：

(5)

當因子xj為連續(xù)型變量時，有：

(6)

4)再重新隨機抽取樣本，循環(huán)更新每個因子的權(quán)重：

(7)

表4 山火影響因子權(quán)重Tab.4 Weights of wildfire-related factors

3 基于樸素貝葉斯網(wǎng)絡的輸電走廊山火風險評估模型

3.1 樸素貝葉斯及獨立性假設

貝葉斯定理是18世紀英國數(shù)學家托馬斯·貝葉斯首先提出用來表示兩個條件概率之間關(guān)系的方法[29]，其基于概率統(tǒng)計的特性使得在災害預測、醫(yī)學診斷、語音識別等不確定性領(lǐng)域受到廣泛使用。貝葉斯定理的表達式如式(8)所示。

(8)

式中：P(Xi)和P(Xj)為先驗概率，根據(jù)以往經(jīng)驗或數(shù)據(jù)分布情況得到；P(Xi|Y)為后驗概率，即已知結(jié)果Y由事件Xi引起的可能性的大??；X對應為一個完備事件組{X1,X2,…,Xn}；P(Y|Xi)與P(Y|Xj)分別為已知事件Xi和Xj發(fā)生的條件下Y發(fā)生的概率?；谠撍枷?，在統(tǒng)計得到山火發(fā)生與否情況下各影響因子的概率分布后，可通過貝葉斯定理反推特定條件下的山火發(fā)生概率，評估輸電走廊山火風險。

利用貝葉斯定理時最大的困難在于從有限的訓練樣本直接估計所有因子條件下的聯(lián)合概率P(Y|Xi)。 因此對已知樣本類別下，假設每個因子獨立地對結(jié)果產(chǎn)生影響，即條件獨立假設。該假設可極大地簡化貝葉斯方法的復雜性。這種簡化的貝葉斯稱為樸素貝葉斯算法，在一般實際的應用場景中，同樣也能取得比較可信的結(jié)果。

3.2 評估模型構(gòu)建

樸素貝葉斯網(wǎng)絡的構(gòu)建包括結(jié)構(gòu)學習和參數(shù)學習2個步驟。由于條件獨立性假設，樸素貝葉斯網(wǎng)絡中各個結(jié)點相互獨立，結(jié)構(gòu)相對簡單，即父節(jié)點為山火風險，子節(jié)點為各影響因子。參數(shù)學習過程如下。

1)選取2015—2019年的火點樣本，并隨機抽取相同數(shù)量的無火點樣本。根據(jù)離散化結(jié)果對各因子進行分級處理。然后隨機抽取70%的火點和無火點樣本組成訓練集，其余30%的樣本作為測試集用以評估模型效果。

2)學習參數(shù)，根據(jù)訓練集的樣本分布，基于極大似然估計分別獲得各個因子在有火與無火下的條件概率如式(9)所示。

(9)

式中：xij為落在第j類中的因子xi；nij為樣本中xij的數(shù)量；P(xij|Y=0)和P(xij|Y=1)分別為無火和有火條件下xij的概率分布。求得有火與無火條件下各因子的概率分布如表5所示。

表5 山火影響因子條件概率Tab.5 Conditional probabilities of wildfire-related factors%

3)計算測試集樣本山火發(fā)生后驗概率如式(10)—(11) 所示。

除此之外，報紙對于編輯來說，還可以以新媒體為基礎(chǔ)背景構(gòu)建出一個全新的信息集合平臺，改變傳統(tǒng)紙媒信息生產(chǎn)模式，使新聞內(nèi)容生產(chǎn)模式從過去基本由傳媒機構(gòu)改變?yōu)榕c廣大讀者共同生產(chǎn)。比如《溫州廣播電視報》有一個“微話題”專欄，就是利用微博、微信等平臺實時檢測人們感興趣的話題，并且對人們感興趣的話題進行相應的深度解剖，分析此熱點，滿足了讀者哪方面的需求，并且依照此需求的需要具體安排信息的采集，然后組織編寫報道此熱點話題，雖然在內(nèi)容上短小但十分精悍，并不會缺乏新聞性。人們對于某篇新聞的報道，如果有著個人不同的見解以及意見還可以直接通過平臺進行實時反饋，這樣做，可以極大提升傳統(tǒng)紙媒更加親民的的形象。

P(Y=0|x1,x2,…,xn)=∏P(xi|Y=0)

(10)

P(Y=1|x1,x2,…,xn)=∏P(xi|Y=1)

(11)

式中：P(Y=0|x1,x2,…,xn)和P(Y=1|x1,x2,…,xn)分別對應推算后的山火不發(fā)生概率和發(fā)生概率；x1,x2,…,xn為各山火影響因子。

按照式(12)將概率進行歸一化后得到最終山火發(fā)生概率P(Y)。

(12)

選取50%作為概率閾值將結(jié)果劃分易發(fā)生山火與不易發(fā)生山火兩種情況，并分別計算驗證集的樣本發(fā)生山火的概率?；赗elief的因子重要度排序結(jié)果，逐一刪減最不重要因子，循環(huán)計算山火的發(fā)生概率，研究不同影響因子構(gòu)成對模型評估性能的影響。

3.3 模型評價與結(jié)果分析

模型的性能采用混淆矩陣來度量，如圖2所示。對于是否容易發(fā)生山火這種二分類問題，可直觀地采用相關(guān)指標對模型性能進行評價。

圖2 混淆矩陣Fig.2 confusion matrix

圖2中，TP(Ture Positive)為真實火點被正確評估為“易發(fā)生山火”的樣本數(shù)；TN(Ture Negative)為真實非火點正確被評估為“不易發(fā)生山火”的樣本數(shù)；FP(False Positive)為真實非火點被錯誤評估為“易發(fā)生山火”的樣本數(shù)；FN(False Negative)為真實火點被錯誤評估為“不易發(fā)生山火”的樣本數(shù)。根據(jù)指標的定義可知，在同樣的情況下TP和TN越大越好。因此在混淆矩陣的基礎(chǔ)上，引入了準確率Pa、召回率Pr和精確率Pp來衡量模型效果。

(13)

(14)

(15)

式中：準確率Pa， 反映的是總體評估結(jié)果正確的比例；召回率Pr， 又稱查全率，反映了被正確評估為“易發(fā)生山火”的樣本占真實火點的比例；精確率Pp反映的是評估為“易發(fā)生山火”的樣本中真實火點所占比例，所以又被稱之為查準率。

考慮到召回率和精確率的提升在一定程度上是矛盾的，而不同的場合對召回率和精確率的重視程度不同，因此采用F值來平衡模型對召回率和精確率的需求。

(16)

式中β為平衡系數(shù)，表示對召回率的重視程度。

由于輸電走廊發(fā)生山火時將會引起線路跳閘停電事故，嚴重時甚至會導致大范圍的停電事故，因此電力系統(tǒng)運維管理人員寧可付出更大的運維成本也要防止線路跳閘。所以在綜合衡量“查準”和“查全”的過程中，更加傾向于“查全”，以防輸電線路因山火跳閘，在F值中賦予召回率更高的權(quán)重，本文取β=3。

根據(jù)Relief算法的影響因子重要性排序，從14個因子逐一刪減排序最靠后的影響因子后分別建立樸素貝葉斯模型，得到各模型性能評估結(jié)果如圖3所示。

圖3 模型評估結(jié)果Fig.3 Model evaluation results

隨著影響因子數(shù)的減少，噪音對模型的影響逐漸降低，模型的精確率不斷提高。采用全部14個影響因子時，樸素貝葉斯模型的精確率僅為70.14%，當影響因子刪減到6個時，精確率達到最大，為75.93%。而影響因子從14個減至8個的范圍內(nèi)，召回率基本保持在81%附近。F值隨影響因子的減少基本與召回率保持一致。但是當影響因子進一步減少，特別是從6個減少至5個時，模型各評價指標急劇降低，其中精確率從75.93%降低到59.64%，召回率從80.17%降低到68.8%，F(xiàn)值從79.72%降低到67.74%。這意味著從第6個影響因子土地利用類型起，各因子帶有較多的山火誘發(fā)信息。

當只采取前8重要的影響因子建模時，模型的F值最高，可達81.23%。測試集上81.92%的火點被成功判識，模型的效果良好。求得火點樣本的山火發(fā)生概率如圖4所示。根據(jù)表4選擇的前8個因子分別為距離居民點遠近、植被類型、距離道路遠近、年降水量、火點密度、土地利用類型、海拔和NDVI植被指數(shù)。其中距離居民點遠近、距離道路遠近和火點密度是人為因子，主要為山火的發(fā)生提供火源。植被類型、土地利用類型和NDVI植被指數(shù)為地表因子，為山火的發(fā)生和蔓延提供可燃物基礎(chǔ)。海拔屬于地表因子，但是它可以間接地反應了人類活動和植被生長的程度。前8個重要的影響因子中，氣象因子只有年降水量較大程度地影響植被生長程度。由此可見，在對氣候差別不大的省級電網(wǎng)進行輸電走廊風險評估的過程中，主要的影響因素是人為因子和地表因子。

圖4 測試集火點樣本山火發(fā)生概率Fig.4 Wildfire occurrence probability of the fire sample in test set

4 山火風險評估可視化與結(jié)果驗證

為指導輸電線路山火防治工作，根據(jù)收集的研究區(qū)域1 km×1 km網(wǎng)格化數(shù)據(jù)，對網(wǎng)格逐一求取山火發(fā)生概率，以概率值25%、50%、75%劃分4級風險水平，分別為低風險(1級)、中等風險(2級)、較高風險(3級)和高風險(4級)。利用地理信息軟件分別基于本文所提方法和文獻[16]繪制廣東省山火風險分布圖。為驗證分布圖的合理性，篩選了該省2020年第1季度共計262個火點與山火風險分布圖疊加，并提取火點所在位置的風險等級，經(jīng)平滑處理獲得的分布圖如圖5所示。

圖5 廣東省山火風險分布圖Fig.5 Wildfire risk distribution in Guangdong Province

為實現(xiàn)差異化的山火防治，盡可能高效地調(diào)配救援資源并緩解運維人員的壓力，風險等級從低到高所對應的山火救援與運維成本逐漸上升。因此，一方面既要控制高風險區(qū)域的面積，降低運維成本；另一方面也要確保盡可能多的監(jiān)測火點落在高風險區(qū)域，嚴防火勢增大造成山火跳閘事故。據(jù)此，本文定義代價函數(shù)R來評估山火風險分布圖的適用性，如式(17)所示。

(17)

式中：ki為i級風險下的運維成本，隨風險等級逐漸增加，本文取k1=1，k2=2，k3=4，k4=8；Si為i級風險下所對應的面積比例；fi為火點落在i級風險所對應的誤判成本，當火點落在1、2級區(qū)域即認為火點未評估成功而需承擔相應的災害代價，取f1=8，f2=8，f3=2，f4=0；Ni為落在i級風險下的火點比例。其中，ki和fi根據(jù)電網(wǎng)運行和專家經(jīng)驗得到；基于該代價函數(shù)得到的山火分布圖適用性評估結(jié)果對比如表6所示。

表6 山火風險分布圖適用性對比Tab.6 Applicability comparison of wildfire risk distribution map

由結(jié)果對比分析可知，基于樸素貝葉斯方法繪制分布圖評估火點的代價函數(shù)值為6.80，低于導則的7.30，成本得到了有效降低。其中，有80.9%的火點落在3級和4級的高風險區(qū)域，且落在4級風險的火點數(shù)高達44.27%；而依據(jù)導則繪制的分布圖中，僅78.6%的火點落在高風險區(qū)域。并且本文方法中高風險區(qū)域相較導則降低了12.40%，有效提高了山火分布圖的適用性。且從分布圖可以看出，廣東省高火險區(qū)域主要集中在北部和東部。相較于中部發(fā)達地區(qū)，高火險區(qū)域植被茂盛、地形復雜，且一定的人口密度帶來的野外區(qū)域和道路附近較多的人為火源，山火風險等級較高。

對廣東省2020年1月1日—10日監(jiān)測到的輸電走廊山火進行風險評估，如表7所示。結(jié)果表明，有4處火點落在了高風險區(qū)域并報運維單位及時對受災地進行了處置，未影響電力系統(tǒng)的正常運行。對該電網(wǎng)35 kV雙長線輸電走廊山火發(fā)生風險進行可視化，如圖6所示?；瘘c落在4級山火風險區(qū)段。本文所提模型適用性和準確性良好，可用于指導開展差異化山火防治工作。

表7 2020年1月1日—10日廣東省輸電線路山火告警明細Tab.7 Wildfire alarming details of transmission lines in Guangdong Province from January 1 to 10, 2020

圖6 35 kV雙長線山火風險區(qū)段分布Fig.6 Wildfire risk distribution of 35 kV Shuangchang line

5 結(jié)論

本文研究了不同因子對山火發(fā)生的影響程度，并基于重要山火影響因子，利用樸素貝葉斯網(wǎng)絡構(gòu)建了最優(yōu)山火風險評估模型，并繪制了廣東省山火風險分布圖。主要結(jié)論如下。

1)基于Relief算法得到了研究區(qū)域內(nèi)影響山火發(fā)生的因子重要度排序。其中，人為因子包括距離居民點、道路遠近和歷史火點密度對山火的影響較大。受年降水量影響較大的地表植被狀況，也直接影響山火的分布；

2)基于樸素貝葉斯網(wǎng)絡構(gòu)建了山火風險評估模型，測試集上81.92%的火點被評估成功。模型的評估精度良好，可用于指導運維人員開展差異化的防山火工作。應急救援高火險區(qū)域，有利于減輕山火災害對電力系統(tǒng)運行造成的影響；

3)繪制了廣東省山火風險分布圖。其中，山火高風險區(qū)域集中分布在廣東的東部和北部區(qū)域。代價函數(shù)結(jié)果表明，對比基于導則方法繪制的山火風險分布圖，成本得到了有效降低，適用性良好。