基于大數據和人工智能的省域電網精準規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

（北京洛斯達科技發展有限公司，北京100120）

1 概述

規劃是電網建設的基礎，也是建設的主要依據，通過規劃能夠實現對電網建設方案的優化，對電網建設成本的規劃能夠確保整個電網建設過程順利進行[1]。而隨著電網建設的快速發展，電網架構越來越復雜，對電網規劃的要求也越來越高，現有的電網規劃方式存在的問題也越來越明顯。

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

電網規劃涉及到地理信息數據、電網網架數據、國民經濟數據等各類數據，數量量多，結構復雜，并且沒有有效的管理手段對數據進行統一管理。規劃人員在進行電網規劃時數據獲取困難，數據分析質量難以保證，降低規劃質量。

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

而隨著電網網架復雜程度的增加，傳統的規劃作業模式，越來越不能滿足現代電網建設的要求，借助信息化手段進行電網規劃是一種科學有效的方法[4]。

因此，研究基于大數據和人工智能的省域電網精準規劃平臺，借助大數據技術，通過平臺實現海量規劃數據的分析和信息挖掘，對提高電網規劃工作的合理性和科學性具有重要意義。

2 關鍵技術

2.1 基于深度學習的遙感影像自動分類及居民區提取關鍵技術

2.1.1 卷積神經網絡模型（CNN）

深度學習（Deep Learning，DL）的概念由Hinton 等人提出，其源于人工神經網絡。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，從而發現數據之間或數據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，結構較為簡單，適用性比較強[6]。CNN 采用權值共享的網絡結構，降低了模型的復雜度，減少權值數量，避免了復雜的特征提取和數據重建過程。卷積網絡在圖像處理領域有著先天的優勢，圖像是二維的矩陣，這種網絡結構對縮放、平移等變形具有很好的抑制。

卷積神經網絡輸入層用于特征提取，可直接處理多維數據信息；卷積層由多個卷積單元注冊，通過卷積操作實現特征圖像提?。怀鼗瘜訉斎氲奶卣鲌D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分性的局部信息。

2.1.2 全卷積神經網絡模型（FCN）

FCN[8]將CNN 中最后的全連接層換成了卷積層，因此稱全卷積網絡。FCN 輸入的圖像尺寸不受限制，第一層卷積和池化后變為原來的1/2，第二層卷積和池化后變為原圖的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。

當圖像經過多次卷積和池化后變得越來越小，輸出結果分辨率越來越低，為了恢復到原始圖像大小和分辨率，FCN 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提取技術方案

居民區的提取將采用基于遷移學習和級聯卷積神經網絡的高分辨率光學遙感影像目標檢測方法，具體技術路線如下圖所示。

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調整，解決樣本不足的問題。再建立兩級級聯式CNN 架構，快速刪除無效場景，實現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，進行居民區的自動提取。對于居民區自動提取的結果可以人工進行檢測和修訂。

圖1 居民區提取技術路線

2.2 智能選線關鍵技術

2.2.1 基于成本表面模型的路徑規劃方法

電力選線的理論基礎是連續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方法和距離方向數據來計算源與柵格單元間的最低成本路徑。輸電線路路徑規劃中，影響距離的因素通常有土地的利用現狀、交通便利程度、對環境的影響等，需綜合考慮所有影響因子，確定該單元的通行成本。成本距離加權考慮了事物的復雜性，適用于規劃選線作業。在進行選線時，需要首先獲取成本數據，然后利用成本距離加權來獲取每個柵格單元至源的累積成本數據和成本方向數據，最后根據成本方向數據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，只有使這些相互聯系、相互制約的因素得到最佳的協調，才能得到最優的決策。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，并收集與問題相關的各類數據。

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學方法換算成統一尺度的數值，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：確定準則權重。在確定準則權重時，應盡量避免主觀因素造成的誤差，從而使權重能最大限度反映各準則之間真實的相對關系。

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

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

2.2.3 智能選線技術實施方案

智能選線采用空間多準則決策流程和連續空間的成本距離分析方法實現，其流程如下圖所示。首先要收集待選線區域內的地形、地物等相關數據，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重，然后將連續空間柵格化為相互鄰接的單元格，構建選線區域內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點，將每個節點與其鄰域中的節點看作是有邊相連，以單元格間的移動成本作為邊的權重，將整個成本表面看成為一個網絡加權圖，利用最優路徑算法在其上進行路徑分析，規劃出最優路徑，然后對該路徑進行糾正，剔除多余的轉角點，實現路徑平滑。

圖2 智能選線流程

3 基于大數據和人工智能的省域電網精準規劃支持平臺的設計與實現

圖3 技術架構圖

3.1 系統體系結構

系統采用C/S、B/S 混合的架構模式，物理實現上采用分層的設計思想，分為表現層、業務服務層、通用組件層、基礎組件層、數據層等。系統技術架構圖如圖3 所示。

表現層：表現層采用C/S 客戶端和瀏覽器兩種展示方式，為高端用戶及規劃相關人員提供業務功能，并輔助領導決策。

業務服務層：實現智能選線、敏感區信息自動提取統計、可視化規劃設計等功能，深化規劃數字化應用。

通用組件層：包括數據庫訪問組件、系統日志組件等，為系統的實現提供常用的操作接口，避免代碼重復開發，提高代碼復用率。

基礎組件層：根據項目需要，引入DevExpress、.Net Framework 等基礎組件，提高開發效率。

數據層：構建規劃大數據庫，為系統提供數據支持，包括：三維模型數據庫、規劃業務數據、影像數據、專題數據等。

3.2 規劃大數據庫構建

系統以規劃業務為依據，整合基礎地理信息數據、專題數據、遙感影像數據、規劃業務數據等各類數據，構建規劃大數據庫，為規劃業務開展提供數據支撐，為領導層決策提供參考依據。

3.2.1 高清影像及地形數據

搜集省域范圍內2.5 米衛星影像數據，重點區域采用亞米級衛星影像數據。對于有改擴建需求的重點變電站進行航飛，獲取精度優于0.2 米的高精度地形和影像數據。

3.2.2 專題數據

在已有省域范圍內行政區劃、各級路網、河流等基礎地理信息數據的基礎上，收集并矢量化冰區、污區、風區、礦產分布區、土地利用、地質、地災、生態敏感區、文物保護區、路網、水文、地形特殊設施區域、110kV 及以上現狀電網路徑圖及規劃電網路徑圖等各類專題數據，擴充規劃大數據庫，支撐規劃選線等業務開展。

3.2.3 三維模型數據

為了全面掌握省域范圍內所有變電站情況，方便省域電網規劃工作業務開展，系統需收集省域范圍內所有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1:1 建模，在規劃大數據庫中進行存儲。后期將根據新工程建設情況，不斷的擴充和更新三維模型庫數據。

3.2.4 規劃業務數據

主要指除空間數據外，輔助開展規劃業務需要收集的相關業務數據，包括國民經濟數據、人口信息、能源資源信息、全社會用電量、電源規劃信息、電力電量平衡輸入數據、歷史工程造價庫、電網典型工程造價庫、客戶滿意度評價指標、電網風險分析指標及相關的電子資料等結構化或非結構化數據。

3.3 系統功能實現

3.3.1 敏感區信息自動提取統計

居民區和環境敏感區作為重要的基礎數據，在電力規劃選線過程中，起著非常重要的作用。系統利用航空影像、高分衛星影像、無人機影像等多源影像數據，基于深度學習、神經網絡等人工智能算法，開展居民區、村莊、河流、水庫、坑等多種地物的識別及自動提取，提供數據獲取效率，輔助規劃選線工作。

3.3.2 可視化規劃設計

系統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果

圖5 接入方案設計

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

3.3.3 智能選線

根據電力選線策略，對基于深度學習智能生成的省域范圍的海量數據和收集到的多數據源選線影響因子，進行高性能的自動化批量處理，為智能選線提供數據基礎?；诙嗑S度多源的海量數據，系統利用人工智能領域的啟發式搜索方法，統籌考慮多重影響因子和選線策略，自動生產一條或多條規劃路徑。

系統自動進行路徑規劃后，還可以基于深度學習方法，對選線策略進行建模，并根據不同的區域條件自適應匹配不同的選線策略對線路進行優化。在優化線路時，采用顧及空間關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

系統基于可視化地圖和海量運行數據，構建集中統一的工程三維檔案庫。并通過對現狀電網的立體仿真，建設省域范圍內智能電網三維地圖，實現對省域范圍內主網運營、規劃電網情況全景再現。同時，支持規劃成果評審要點的數字化和三維可視化，直觀展示工程情況，輔助規劃成果和項目評審匯報，為規劃決策提供三維的一體化支撐平臺。

圖7 規劃成果二三維展示

4 結論

該平臺實現了規劃各環節信息的廣泛收集和精準匹配，打造了圖數一體、人工智能、在線交互、高效創新的規劃可視化應用平臺和規劃大數據庫。該平臺的實踐及推廣，將有利于提高電網規劃質量和效率，并且對電網規劃由傳統模式向三維可視化和智能化轉變、實現規劃- 設計- 技經專業融通發展，加快推進泛在電力物聯網建設具有重要意義。