基于大數(shù)據(jù)和人工智能的省域電網(wǎng)精準規(guī)劃支持平臺研究與實踐

王 倩 陳思遠 趙晶輝 陳 喆 李遠非 何中華 耿世英

（北京洛斯達科技發(fā)展有限公司，北京100120）

1 概述

規(guī)劃是電網(wǎng)建設的基礎，也是建設的主要依據(jù)，通過規(guī)劃能夠?qū)崿F(xiàn)對電網(wǎng)建設方案的優(yōu)化，對電網(wǎng)建設成本的規(guī)劃能夠確保整個電網(wǎng)建設過程順利進行[1]。而隨著電網(wǎng)建設的快速發(fā)展，電網(wǎng)架構(gòu)越來越復雜，對電網(wǎng)規(guī)劃的要求也越來越高，現(xiàn)有的電網(wǎng)規(guī)劃方式存在的問題也越來越明顯。

目前，大部分規(guī)劃人員缺乏系統(tǒng)性的優(yōu)化理念，在技術(shù)方案中對全電壓等級序列的整體優(yōu)化重視不夠，在經(jīng)濟分析中對整個投資周期中的投資回報率重視不夠[2]。由于規(guī)劃方案缺乏整體性考慮，導致項目成本過高，影響項目質(zhì)量。

電網(wǎng)規(guī)劃涉及到地理信息數(shù)據(jù)、電網(wǎng)網(wǎng)架數(shù)據(jù)、國民經(jīng)濟數(shù)據(jù)等各類數(shù)據(jù)，數(shù)量量多，結(jié)構(gòu)復雜，并且沒有有效的管理手段對數(shù)據(jù)進行統(tǒng)一管理。規(guī)劃人員在進行電網(wǎng)規(guī)劃時數(shù)據(jù)獲取困難，數(shù)據(jù)分析質(zhì)量難以保證，降低規(guī)劃質(zhì)量。

雖然已有專業(yè)人員提出，借助信息化、可視化，進行電網(wǎng)網(wǎng)架分析，使電網(wǎng)規(guī)劃具有交互性和智能化[3]。但總的來說，電網(wǎng)規(guī)劃信息化程度還不高。目前已有的信息系統(tǒng)，僅能提供電網(wǎng)網(wǎng)架的可視化展示、潮流計算等基礎功能，無法實現(xiàn)（轉(zhuǎn)下頁）深層次的規(guī)劃應用。

而隨著電網(wǎng)網(wǎng)架復雜程度的增加，傳統(tǒng)的規(guī)劃作業(yè)模式，越來越不能滿足現(xiàn)代電網(wǎng)建設的要求，借助信息化手段進行電網(wǎng)規(guī)劃是一種科學有效的方法[4]。

因此，研究基于大數(shù)據(jù)和人工智能的省域電網(wǎng)精準規(guī)劃平臺，借助大數(shù)據(jù)技術(shù)，通過平臺實現(xiàn)海量規(guī)劃數(shù)據(jù)的分析和信息挖掘，對提高電網(wǎng)規(guī)劃工作的合理性和科學性具有重要意義。

2 關(guān)鍵技術(shù)

2.1 基于深度學習的遙感影像自動分類及居民區(qū)提取關(guān)鍵技術(shù)

2.1.1 卷積神經(jīng)網(wǎng)絡模型（CNN）

深度學習（Deep Learning，DL）的概念由Hinton 等人提出，其源于人工神經(jīng)網(wǎng)絡。通過對低層特征的抽取和組合形成抽象的高層特征，從更深層次表示屬性類別或特征，從而發(fā)現(xiàn)數(shù)據(jù)之間或數(shù)據(jù)自身的分布式特征表示方法[5]。

CNN 作為深度學習算法的代表之一，結(jié)構(gòu)較為簡單，適用性比較強[6]。CNN 采用權(quán)值共享的網(wǎng)絡結(jié)構(gòu)，降低了模型的復雜度，減少權(quán)值數(shù)量，避免了復雜的特征提取和數(shù)據(jù)重建過程。卷積網(wǎng)絡在圖像處理領域有著先天的優(yōu)勢，圖像是二維的矩陣，這種網(wǎng)絡結(jié)構(gòu)對縮放、平移等變形具有很好的抑制。

卷積神經(jīng)網(wǎng)絡輸入層用于特征提取，可直接處理多維數(shù)據(jù)信息；卷積層由多個卷積單元注冊，通過卷積操作實現(xiàn)特征圖像提取；池化層對輸入的特征圖進行壓縮，便于提取主要特征；全連接層連接所有特征，將輸出值送給分類器[7]。該層可以整合卷積層或者池化層具有類別區(qū)分性的局部信息。

2.1.2 全卷積神經(jīng)網(wǎng)絡模型（FCN）

FCN[8]將CNN 中最后的全連接層換成了卷積層，因此稱全卷積網(wǎng)絡。FCN 輸入的圖像尺寸不受限制，第一層卷積和池化后變?yōu)樵瓉淼?/2，第二層卷積和池化后變?yōu)樵瓐D的1/4，以此類推，第五層卷積和池化后變成原圖的1/32。最后將CNN 中全連接層變成卷積操作，圖像的特征圖數(shù)量改變，但大小依然為原圖的1/32，此時形成熱力特征圖。

當圖像經(jīng)過多次卷積和池化后變得越來越小，輸出結(jié)果分辨率越來越低，為了恢復到原始圖像大小和分辨率，F(xiàn)CN 使用上采樣方式還原圖像。第五層1/32 尺寸的熱力圖上采樣后，由于精度問題無法很好的還原圖像特征，需將第四層的卷積核對上一次上采樣的圖像進行反卷積補充細節(jié)特征，再將第三層的卷積核對上一步中上采樣的圖像進行再次反卷積補充細節(jié)特征，最終完成整個圖像的還原。

2.1.3 遙感影像自動分類及居民區(qū)提取技術(shù)方案

居民區(qū)的提取將采用基于遷移學習和級聯(lián)卷積神經(jīng)網(wǎng)絡的高分辨率光學遙感影像目標檢測方法，具體技術(shù)路線如下圖所示。

首先，采用遷移學習方法，使用少量樣本對預訓練模型進行參數(shù)調(diào)整，解決樣本不足的問題。再建立兩級級聯(lián)式CNN 架構(gòu)，快速刪除無效場景，實現(xiàn)大面積遙感影像高校和高精度的目標檢測及定位。其次，逐步開展遙感影像分類算法的設計和改進，針對光學遙感影像提出基于FCN 的語義級影像分類方法。通過對影像深層特征的提取，獲取更具有代表性的特征，從而提高分類精度和算法的適用性。最后，進行居民區(qū)的自動提取。對于居民區(qū)自動提取的結(jié)果可以人工進行檢測和修訂。

圖1 居民區(qū)提取技術(shù)路線

2.2 智能選線關(guān)鍵技術(shù)

2.2.1 基于成本表面模型的路徑規(guī)劃方法

電力選線的理論基礎是連續(xù)空間的成本距離分析。成本距離分析主要是通過成本距離加權(quán)方法和距離方向數(shù)據(jù)來計算源與柵格單元間的最低成本路徑。輸電線路路徑規(guī)劃中，影響距離的因素通常有土地的利用現(xiàn)狀、交通便利程度、對環(huán)境的影響等，需綜合考慮所有影響因子，確定該單元的通行成本。成本距離加權(quán)考慮了事物的復雜性，適用于規(guī)劃選線作業(yè)。在進行選線時，需要首先獲取成本數(shù)據(jù)，然后利用成本距離加權(quán)來獲取每個柵格單元至源的累積成本數(shù)據(jù)和成本方向數(shù)據(jù)，最后根據(jù)成本方向數(shù)據(jù)即可得到每個柵格單元至源的最低累積成本路徑。

2.2.2 電力選線的多準則決策過程

電力選線是一種空間多準則決策問題。由于多準則決策問題的多個影響因素之間的矛盾性和不可公度性，只有使這些相互聯(lián)系、相互制約的因素得到最佳的協(xié)調(diào)，才能得到最優(yōu)的決策。空間多準則決策流程如下：

步驟一：定義決策問題。明確要解決的問題，并收集與問題相關(guān)的各類數(shù)據(jù)。

步驟二：建立準則體系。對影響決策的各個準則進行篩選，確定準則體系。

步驟三：準則標準化。將所有準則的實際值按照一定的數(shù)學方法換算成統(tǒng)一尺度的數(shù)值，進行標準化處理，從而消除不同的量綱差異帶來的不可比性。

步驟四：確定準則權(quán)重。在確定準則權(quán)重時，應盡量避免主觀因素造成的誤差，從而使權(quán)重能最大限度反映各準則之間真實的相對關(guān)系。

步驟五：多準則合并。采用一定的數(shù)學模型將所有準則包含的信息合并為一個綜合準則，然后根據(jù)綜合準則對多方案排序，選出最優(yōu)方案。

步驟六：決策結(jié)果分析。采用敏感性分析等手段檢驗決策過程中誤差對結(jié)果的影響，以確定決策結(jié)果是否可以接受。若認為結(jié)果不可靠，則需要重新返回到第（2）階段，進行準則篩選和決策。

2.2.3 智能選線技術(shù)實施方案

智能選線采用空間多準則決策流程和連續(xù)空間的成本距離分析方法實現(xiàn)，其流程如下圖所示。首先要收集待選線區(qū)域內(nèi)的地形、地物等相關(guān)數(shù)據(jù)，其次篩選選線時考慮的影響因子，建立評價指標體系，再次標準化各影響因子并確定它們的權(quán)重，然后將連續(xù)空間柵格化為相互鄰接的單元格，構(gòu)建選線區(qū)域內(nèi)的單一分辨率成本表面模型，設計單元格的鄰域模式和單元格到鄰域單元格的成本值計算方法，最后根據(jù)設計的鄰域模式，把成本表面中單元格上的中心點或邊界上的點看作是節(jié)點，將每個節(jié)點與其鄰域中的節(jié)點看作是有邊相連，以單元格間的移動成本作為邊的權(quán)重，將整個成本表面看成為一個網(wǎng)絡加權(quán)圖，利用最優(yōu)路徑算法在其上進行路徑分析，規(guī)劃出最優(yōu)路徑，然后對該路徑進行糾正，剔除多余的轉(zhuǎn)角點，實現(xiàn)路徑平滑。

圖2 智能選線流程

3 基于大數(shù)據(jù)和人工智能的省域電網(wǎng)精準規(guī)劃支持平臺的設計與實現(xiàn)

圖3 技術(shù)架構(gòu)圖

3.1 系統(tǒng)體系結(jié)構(gòu)

系統(tǒng)采用C/S、B/S 混合的架構(gòu)模式，物理實現(xiàn)上采用分層的設計思想，分為表現(xiàn)層、業(yè)務服務層、通用組件層、基礎組件層、數(shù)據(jù)層等。系統(tǒng)技術(shù)架構(gòu)圖如圖3 所示。

表現(xiàn)層：表現(xiàn)層采用C/S 客戶端和瀏覽器兩種展示方式，為高端用戶及規(guī)劃相關(guān)人員提供業(yè)務功能，并輔助領導決策。

業(yè)務服務層：實現(xiàn)智能選線、敏感區(qū)信息自動提取統(tǒng)計、可視化規(guī)劃設計等功能，深化規(guī)劃數(shù)字化應用。

通用組件層：包括數(shù)據(jù)庫訪問組件、系統(tǒng)日志組件等，為系統(tǒng)的實現(xiàn)提供常用的操作接口，避免代碼重復開發(fā)，提高代碼復用率。

基礎組件層：根據(jù)項目需要，引入DevExpress、.Net Framework 等基礎組件，提高開發(fā)效率。

數(shù)據(jù)層：構(gòu)建規(guī)劃大數(shù)據(jù)庫，為系統(tǒng)提供數(shù)據(jù)支持，包括：三維模型數(shù)據(jù)庫、規(guī)劃業(yè)務數(shù)據(jù)、影像數(shù)據(jù)、專題數(shù)據(jù)等。

3.2 規(guī)劃大數(shù)據(jù)庫構(gòu)建

系統(tǒng)以規(guī)劃業(yè)務為依據(jù)，整合基礎地理信息數(shù)據(jù)、專題數(shù)據(jù)、遙感影像數(shù)據(jù)、規(guī)劃業(yè)務數(shù)據(jù)等各類數(shù)據(jù)，構(gòu)建規(guī)劃大數(shù)據(jù)庫，為規(guī)劃業(yè)務開展提供數(shù)據(jù)支撐，為領導層決策提供參考依據(jù)。

3.2.1 高清影像及地形數(shù)據(jù)

搜集省域范圍內(nèi)2.5 米衛(wèi)星影像數(shù)據(jù)，重點區(qū)域采用亞米級衛(wèi)星影像數(shù)據(jù)。對于有改擴建需求的重點變電站進行航飛，獲取精度優(yōu)于0.2 米的高精度地形和影像數(shù)據(jù)。

3.2.2 專題數(shù)據(jù)

在已有省域范圍內(nèi)行政區(qū)劃、各級路網(wǎng)、河流等基礎地理信息數(shù)據(jù)的基礎上，收集并矢量化冰區(qū)、污區(qū)、風區(qū)、礦產(chǎn)分布區(qū)、土地利用、地質(zhì)、地災、生態(tài)敏感區(qū)、文物保護區(qū)、路網(wǎng)、水文、地形特殊設施區(qū)域、110kV 及以上現(xiàn)狀電網(wǎng)路徑圖及規(guī)劃電網(wǎng)路徑圖等各類專題數(shù)據(jù)，擴充規(guī)劃大數(shù)據(jù)庫，支撐規(guī)劃選線等業(yè)務開展。

3.2.3 三維模型數(shù)據(jù)

為了全面掌握省域范圍內(nèi)所有變電站情況，方便省域電網(wǎng)規(guī)劃工作業(yè)務開展，系統(tǒng)需收集省域范圍內(nèi)所有330 千伏及以上電壓等級的輸變電工程，并對所有工程變電站、線路等實現(xiàn)1:1 建模，在規(guī)劃大數(shù)據(jù)庫中進行存儲。后期將根據(jù)新工程建設情況，不斷的擴充和更新三維模型庫數(shù)據(jù)。

3.2.4 規(guī)劃業(yè)務數(shù)據(jù)

主要指除空間數(shù)據(jù)外，輔助開展規(guī)劃業(yè)務需要收集的相關(guān)業(yè)務數(shù)據(jù)，包括國民經(jīng)濟數(shù)據(jù)、人口信息、能源資源信息、全社會用電量、電源規(guī)劃信息、電力電量平衡輸入數(shù)據(jù)、歷史工程造價庫、電網(wǎng)典型工程造價庫、客戶滿意度評價指標、電網(wǎng)風險分析指標及相關(guān)的電子資料等結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)。

3.3 系統(tǒng)功能實現(xiàn)

3.3.1 敏感區(qū)信息自動提取統(tǒng)計

居民區(qū)和環(huán)境敏感區(qū)作為重要的基礎數(shù)據(jù)，在電力規(guī)劃選線過程中，起著非常重要的作用。系統(tǒng)利用航空影像、高分衛(wèi)星影像、無人機影像等多源影像數(shù)據(jù)，基于深度學習、神經(jīng)網(wǎng)絡等人工智能算法，開展居民區(qū)、村莊、河流、水庫、坑等多種地物的識別及自動提取，提供數(shù)據(jù)獲取效率，輔助規(guī)劃選線工作。

3.3.2 可視化規(guī)劃設計

系統(tǒng)提供供電斷面查詢分析、圖形編輯等工具，支持同步考慮地理因素和電氣因素的接入方案設計，并利用典型造價庫進行工程造價估算，形成接入系統(tǒng)方案，設計成果可以直接生成地理接線圖。

圖4 基于深度學習的自動識別結(jié)果

圖5 接入方案設計

存在多方案的情況時，系統(tǒng)可以自動從項目規(guī)劃、交叉跨越等方面進行多層次方案比選分析，輔助推薦最優(yōu)方案，并且生成分析報告。

3.3.3 智能選線

根據(jù)電力選線策略，對基于深度學習智能生成的省域范圍的海量數(shù)據(jù)和收集到的多數(shù)據(jù)源選線影響因子，進行高性能的自動化批量處理，為智能選線提供數(shù)據(jù)基礎。基于多維度多源的海量數(shù)據(jù)，系統(tǒng)利用人工智能領域的啟發(fā)式搜索方法，統(tǒng)籌考慮多重影響因子和選線策略，自動生產(chǎn)一條或多條規(guī)劃路徑。

系統(tǒng)自動進行路徑規(guī)劃后，還可以基于深度學習方法，對選線策略進行建模，并根據(jù)不同的區(qū)域條件自適應匹配不同的選線策略對線路進行優(yōu)化。在優(yōu)化線路時，采用顧及空間關(guān)系的矢量壓縮算法和交叉跨越糾正算法，提升路徑的合理性。

圖6 智能選線

3.3.4 三維可視化展示

系統(tǒng)基于可視化地圖和海量運行數(shù)據(jù)，構(gòu)建集中統(tǒng)一的工程三維檔案庫。并通過對現(xiàn)狀電網(wǎng)的立體仿真，建設省域范圍內(nèi)智能電網(wǎng)三維地圖，實現(xiàn)對省域范圍內(nèi)主網(wǎng)運營、規(guī)劃電網(wǎng)情況全景再現(xiàn)。同時，支持規(guī)劃成果評審要點的數(shù)字化和三維可視化，直觀展示工程情況，輔助規(guī)劃成果和項目評審匯報，為規(guī)劃決策提供三維的一體化支撐平臺。

圖7 規(guī)劃成果二三維展示

4 結(jié)論

該平臺實現(xiàn)了規(guī)劃各環(huán)節(jié)信息的廣泛收集和精準匹配，打造了圖數(shù)一體、人工智能、在線交互、高效創(chuàng)新的規(guī)劃可視化應用平臺和規(guī)劃大數(shù)據(jù)庫。該平臺的實踐及推廣，將有利于提高電網(wǎng)規(guī)劃質(zhì)量和效率，并且對電網(wǎng)規(guī)劃由傳統(tǒng)模式向三維可視化和智能化轉(zhuǎn)變、實現(xiàn)規(guī)劃- 設計- 技經(jīng)專業(yè)融通發(fā)展，加快推進泛在電力物聯(lián)網(wǎng)建設具有重要意義。