基于電力大數據的空心村分布智能規劃模型研究

孫磊， 卓俊宇， 李杏麗， 石秀程， 袁業

(1. 隴南市大數據管理局， 甘肅， 隴南 746000；2. 國網思極飛天(蘭州)云數科技有限公司， 甘肅， 蘭州 730050；3. 國網甘肅省電力公司張掖供電公司， 甘肅， 張掖 734000；4. 國網甘肅省電力公司檢修公司， 甘肅， 蘭州 730050)

0 引言

隨著社會城市化和工業化進程的不斷加快，農村大量青壯年勞動力涌入城市打工，造成村莊出現“內空外延”的用地現狀，不合理的農村用地方式形成了空心村，較低的土地利用率深度影響農村建設。目前大量省份中均存在空心村，這是由于農村基層政府沒有規劃意識、農民傳統的宅基地私有觀念濃厚、農民缺乏土地法制意識、城市化進程加快以及其他自然環境原因造成的，為了解決空心村帶來的危害，空心村分布智能規劃模型的構建十分必要[1]。

文獻[2]針對狀態空間特征，定義輪系基本單元的概念，利用狀態變換方程獲取單元之間的鄰接關系，建立智能規劃模型，但將模型應用到空心村分布規劃任務中時，發現空心村的土地利用率不夠理想。文獻[3]結合空心村周邊地區的人才集聚、區域創新與區域經濟增長模式，采用面板空間計量模型創新建筑分布的規劃視角，構建經濟文化一體的建筑格局，但土地利用率的問題沒有得到解決。文獻[4]根據空心村實際空間環境變化，構建一個三維的仿真模型，采用改進的尺度不變特征變換算法匹配各項數據，盡管土地利用率得到較大程度的改善，但還沒有達到理想效果電力大數據來源于用電、發電、輸電、變電、配電等環節，包含三大類不同的電力數據，這些數據體量大、類型多、價值密度較低[5]。

針對電力大數據的特點以及傳統模型存在的弊端，構建新的空心村分布智能規劃模型。

1 基于電力大數據的空心村分布智能規劃模型

1.1 預處理空心村空間數據

空心村空間數據信息具有多維性特征，包含了大量的地理位置信息。由于建筑物到供電中心距離較遠，且空心村居民分布不均勻，電量消耗波動性明顯，因此，規劃區域范圍內所有建筑物與區域中心的平均距離計算的數據以及所有線路每個月的線損和線損率是最容易存在噪聲的數據，嚴重時直接影響數據挖掘結果，面對該問題需要對此類數據預處理，挖掘更加精準的空間特征。預處理階段的第一步，需要計算規劃空間的有效供電半徑，根據空心村區域的經緯度數據，獲得各個建筑物的坐標信息，計算區域中心到建筑物的供電距離，計算結果通過下列公式得到：

(1)

式中，α、β分別表示不同數據節點之間的角度差異，w0表示區域中心的緯度坐標，wi表示建筑物的緯度坐標，r表示地球半徑[6]。計算規劃區域范圍內所有建筑物與區域中心的平均距離，結果為

(2)

式中，n表示線路數量[7]。根據當地的供售電量信息，計算所有線路每個月的線損和線損率，公式為

(3)

式中，S1和S2分別為供電量和售電量。利用Tableau軟件可視化處理上述數據，利用Excel函數計算規劃空間特征值。當得到的結果中存在缺失值和異常值時，采用補插法剔除計算結果中的冗余數據，并對存在缺失的位置處填補缺失數據，建立完整的規劃空間特征集合，實現對空心村空間數據的預處理[8]。

1.2 基于峰值密度算法的電力大數據特征提取

電力大數據能夠反映真實的空心村分布特征，采用峰值密度算法提取空心村電力大數據，實現空間與建筑物的智能匹配。針對空心村整體結構，建立空心村特征屬性圖，如圖1所示。

圖1 空間村空間位置特征

根據圖1空間中的節點位置可知，空心村四周建筑較多，中間位置的建筑越來越少，峰值密度算法[9-10]針對這一特點，提取電力大數據。峰值密度算法利用測地距離代替歐氏距離，根據數據集包含的簇情形，得到電力大數據。峰值密度算法的動態鄰域思想，依據空心村建筑的稀疏程度，動態調整K的值。將稀疏類簇中的樣本數據擴大，控制密集類簇中的樣本鄰域范圍。已知稀疏程度是相對的，假設空心村建筑物數量為i，采用建筑物周邊鄰居的數量，分析電力大數據的稀疏程度，公式為

(4)

式中，de(i,j)表示歐式距離，dmin(i)表示式(2)得到的最近距離，m(i)表示近鄰取值。根據得到的稀疏程度f(i)，提取線損和線損率影響下的電力大數據特征，公式為

(5)

當K值為0時，說明空心村的電力大數據特征提取結果不佳，需要進一步調整；當K值為1時，則表明電力大數據特征提取結果符合要求[11]。

1.3 設計空間融合方式

針對電力大數據的特征，設計空心村空間融合方式。在空間邊界上，采用迂回曲折的方式確定空心村的結構形態和建筑邏輯秩序，圖2是為空心村不同建筑物之間，設計的邊界融合方式。

(a) 邊界虛化

智能規劃空心村分布的主要目的為加強空間利用率，實現空間共享，因此設計模型的空間融合方式時，不能采取簡單的聚集和擴張方式，需要根據現階段電力大數據的分布特征，調整空心村空間邊界，以虛化的方式代替絕對化的邊界劃分[12]。“柔性邊界”是丹麥揚·蓋爾在《交往與空間》中提出的，此次研究在空間融合方式上引入此概念，根據電力大數據的峰值特征、周期性特征，感知不同建筑在空間中的位置特征，為不同的建筑提供柔和的融合過渡區域，而不是直接性地在空心村的空地上單純地增加建筑物，忽略建筑之間的排他性。電力大數據特征提取結果中，存在部分特殊數據極大或極小數據，所以說明一些建筑用電特殊，針對這一分析設計異化邊界條件，針對特殊建筑設計異化邊界，滿足其自身的真實需求，設計多樣化的空間融合方式[13]。

1.4 構建多維超立方智能規劃模型

針對上述設計成果，構建多維超立方智能規劃模型。采用多維數組控制全局數據，但數組中的數據具有不同的數值關系，因此假設該關系為λ，數組的排列方式用q表示，則三維數組形狀為一個1×2×3的形式。利用F(n)表示c維上數組的表現特征，則值域用[0,F(n))表示。利用W(x)表示形狀在數組中的坐標，則其中的標志為G的數組可通過下列公式描述：

(6)

上述公式通過獲取一個映射關系，得到標志為G的數組，G代表邊界條件[14]。利用Dim(G)表示形狀向量中不為0的形狀數量，則存在：

Dim(G)=Count(F(n)·Gx)

(7)

此時數組大小反映空間占用的大小，因此將形狀向量作為維度上的乘積，得到：

(8)

已知數據維度為c維，通過刪除其中的一個維度降維數組，則假設被刪除的維度為m，得到c-1 維數組，設置降維之后的數組為Gm↓，則其屬性為

(9)

根據上述得到的屬性值，結合設計的空間融合方式建立連接元h，公式為

h=Select(Gm↓,μ)

(10)

式中，μ表示篩選參數。依據上述結果得到規劃模型[15]，如圖3所示。

圖3 多維超立方智能規劃模型

利用構建的模型規劃空心村分布，至此基于電力大數據的空心村分布智能規劃模型構建完畢。

2 仿真實驗與結果分析

2.1 實驗準備

根據目前M省中的空心村，建立三維實景仿真測試環境，根據空心村實際分布狀態，仿真建筑分布和用電信息，參與實驗的空心村規劃節點為100個。圖4為仿真環境下，針對實際用電大數據獲得的電力負荷曲線。

(a) 夏季

根據圖4中的曲線變化趨勢可知，夏季和冬季時，空心村的用電數據變化幅度較大，因此基于電力大數據的模型，根據圖4信息智能規劃空心村的分布。將研究構建的模型作為實驗組，將三組常規智能規劃模型作為對照組，對仿真空心村進行智能規劃，比較測試條件相同時，四組模型的智能規劃效果。

2.2 空間分布規劃效果測試

已知選擇的空心村中有52戶，將文獻[2]、文獻[3]以及文獻[4]提出的三組常規模型作為對照組，構建的模型作為實驗組，圖5為四組模型的智能化規劃效果圖。

(a) 所設計模型

根據圖5可知，實驗組模型的三種邊界條件被充分利用，改善了空心村的建筑用地位置，將原先集中在村莊外圍的用戶調整到空閑的中心區域，加強用地的合理性。而三組常規模型獲得的數據過于理論化，降低了空心村的位置特征真實性，因此規劃后的仿真位置并不理想。利用式(11)計算三組模型應用下，空心村的土地利用率：

(11)

式中，U0表示空心村的占地總使用面積，U1表示模型規劃后的空心村占地面積。針對測試背景設置15輪空心村分布規劃任務，根據式(11)得出的計算結果，如表1所示。

表1 土地利用率統計結果

綜合15次測試結果可知，實驗組的土地利用率統計結果，均要高出3組常規模型應用下的統計結果。為了便于比較，計算四組測試結果的平均值，分別為84.89%、62.5%、61.84%以及65.52%，實驗組的土地利用率平均值，分別比3個對照組高出了22.39%、23.05%以及19.37%。綜合實驗測試數據來看，基于電力大數據的模型規劃效果更好。

3 總結

常規空心村分布智能規劃模型盡管在土地利用率上存在不足，通過電力大數據特征分析，構建了全新的智能規劃模型，對于模型的規劃效率來說，研究過程中沒有明確指出，模型對于處理數據的速度還是未知的，今后可針對這一項問題展開說明，進一步優化模型的整體性能。