基于人工智能的海量電網GIS 數據動態調度方法

買合布拜·肖開提，薛高倩，雪拉提·司馬義，呂娜

（國網新疆電力有限公司信息通信公司，新疆烏魯木齊 830002）

在電力系統中，為增強管理和可視化的分析能力，需要根據GIS 地理信息，實現各方面用電項目的應用。在電力地理信息系統中，網絡設備的圖形顯示是其基礎。據統計，目前我國大多數省份的低壓電力系統的數據總量已經達到了幾千萬乃至幾十億字節。如何在大容量的電網地理信息系統中進行數據的調度和顯示，是當前迫切需要解決的問題。

文獻[1]提出了結合GIS 的可視化重建技術，該技術通過使用數據采集與監控系統獲取電網GIS 數據，結合系統空間數據引擎分析能力，向GIS 反饋電網實時狀態信息。使用GIS 和系統圖模數方法，實現電網GIS 數據可視化監控。雖然使用該方法能夠可視化顯示調度結果，但是服務端需要在短時間內立刻完成數據查詢任務，導致其所承受的負載超過正常狀態；文獻[2]提出了基于大數據調度方法，該方法構建了多任務調度隊列，利用優先級調度方法進行GIS 數據調度。雖然使用該方法能夠在規定時間內有效分配節點負載，但是難以實現數據調度的智能交互。針對上述問題，提出了基于人工智能的海量電網GIS 數據動態調度方法。

1 海量電網GIS數據壓縮

海量電網GIS 數據與電網中的節點數目有關，而架空線路的節點數目與桿塔一一對應。電網線路較多，導致在顯示大范圍電網線路時，需要加載的線路數據量十分龐大，這為數據調度帶來較大影響[3]。為此，需要對海量電網GIS 數據進行壓縮。

因為電網GIS 坐標在容差范圍內各點的間距投影到屏幕上的像素點相同，所以針對可視化表達角度，可以將這些點簡化為一個點[4-5]。通過對屏幕上的點進行簡單處理，可以確保屏幕中的任意像素僅被一個地理坐標點所覆蓋，從而節約了數據的傳輸和繪制[6]。詳細壓縮過程如下所示：將每一條曲線首尾相連，求取該曲線起始點到末端的距離，可記為lmax，如式（1）：

式中，vmax表示使用一個節點從曲線起始點到末端的最大運行速度；t0→n表示從起始點到末端的節點運行所耗費的時間。將lmax與理想距離值L對比。如果lmax＜L，則說明該曲線從起始點到末端上的重復節點被舍棄；如果lmax≥L，則說明該曲線從起始點到末端上的節點被全部保留[7-9]。在滿足上述條件情況下，在矢量數據中，通過讀出各節點的幾何坐標，按順序從左向右移動，從而獲得M矩陣。按每一行首位數的尺寸排列矩陣中的元素，將該排列的最后一列取出來，儲存于原來的位置，并將原坐標上的編號記錄下來。對重新排列的坐標值進行編碼壓縮，由此獲取簡化后的GIS 數據。

2 海量電網GIS數據人工智能動態調度

2.1 調度模型構建

根據海量電網GIS 數據壓縮結果，獲取簡化后的GIS 數據。使用人工智能調度的神經網絡方法，根據海量電網GIS 動態調度數據，生成誤差修補函數，對神經網絡進行訓練[10-11]，并將其與理想結果進行對比，修改神經網絡權值，生成人工智能調度模型。

神經網絡結構的第λ個神經元，使用線性加權求和得到的神經元凈輸入為：

式中，ωλ表示連接權值；x0λ表示給定的訓練集；n表示訓練集合個數。將神經元凈輸入和閾值相比較，由于輸出值沒有約束條件，所以使用線性激活函數求解輸出值，公式為：

式中，f表示選擇的激活函數。在訓練數據過程中，神經網絡訓練理想輸出結果為：

由此計算動態調整誤差，可用最小二乘法表示：

式中，?表示輸出向量。利用梯度下降方法進一步訓練動態調整誤差。由于線性函數是隨著自變量因素變化最快的函數，因此，需要設定一個變化的參數，即學習速率v，從而得到的神經網絡權值修改公式為：

式中，ωλ表示動態調整誤差偏導數[12]。結合該導數，構建人工智能調度模型[13]，如圖1 所示。

圖1 人工智能調度模型

由圖1 可知，為了滿足各種電力用戶需求，使用該模型能夠對電網整體進行調度，有效保證了模型內部和外部數據調度的協調性。

2.2 調度實現流程

在人工智能調度模型支持下，設計數據調度的實現流程如下所示：

步驟一：在客戶機中建立兩個緩存容器，分別是請求緩存容器和反饋緩存容器，這兩種容器都采用R 樹數據結構[14]。在R 樹數據結構中，海量電網GIS數據結構的每一個節點都有兩個細節層次級別。

步驟二：客戶端可以通過掃描、移動或放大來更改當前的視野；客戶端計算當前窗口的顯示水平及空間查詢距離[15]。

步驟三：客戶端搜索分析請求緩存情況，以決定是否向目前的視點傳送資料要求。如有需要，繼續進行下一步驟；如果沒有需要，返回步驟二。

步驟四：客戶端將信息作為請求，發送給服務端；服務端接受該請求，并根據該請求參數分析該數據查詢的屬性和空間狀況；服務端執行數據查詢任務，對于非線路設備，可直接從空間資料庫中查詢原始編號；對于線路設備，首先需要確定是否對壓縮的數據進行查詢。如果需要，可以詢問相對于壓縮水平的行數[16]；如果不需要，則直接調取數據庫中的資料，并將資料在服務端組成字符串形式，返回給客戶端。

步驟五：海量電網GIS 數據高性能顯示是人工智能調度的關鍵，常規顯示方法只是利用畫布繪制電網設備元素，無法滿足電網運行分析實時動態著色需求。因此，為了提高調度效率，提出了基于人工智能調度的數據動態渲染方法。在電力場景漫游過程中，電網GIS 數據可以被渲染，因此，可以有效縮短數據動態調度響應時間。基于此，設計的電網GIS數據渲染的實現流程包括如下步驟：

啟動圖像瀏覽，通過移動或縮小地圖來改變目前的視野區域。將當前視野范圍內的數據作為待緩存數據，并判定遍歷過程是否完成。根據遍歷確定渲染后的節點數量，自動調節每個節點渲染程度，其中，對于任意節點的橫坐標可表示為：

式中，xmax、xmin分別表示區域橫向坐標最大值和最小值；ki表示在同一級別的索引位置；hi表示i節點在R 樹數據結構中的深度。

任意節點縱坐標范圍計算公式如下：

式中，ymax、ymin分別表示區域縱向坐標最大值和最小值；kj表示索引位置；hj表示j節點在R 樹緩存結構中的高度。

步驟六：通過數據動態渲染，提高GIS 網格清晰度，因此繪制得到的特征數據清晰度較高，這樣能夠滿足GIS 數據使用者對清晰度的高標準要求，有效提高了數據動態調度效率。客戶端利用Web Worker界面分析多線程數據，并將分析結果插入數據緩存，由此完成數據動態調度。

3 實 驗

使用Pentium/1.6G 作為節點機構成Cluster 系統，利用該系統進行實驗驗證分析。

3.1 實驗數據與過程

基于某省電網資源數據進行實驗，在電網GIS中空間數據主要包括基本的地理信息數據和配電設備層。依據GIS 地理信息繪制電網矢量數據的等高線，通過該線能夠分析海量電網GIS 數據之間的距離，方便進行數據調度，該調度內容如表1 所示。

表1 調度內容

調度表1 的內容后，對某地區變電站2021 年11月11 日的電網GIS 數據進行分析，如表2 所示。

表2 電網GIS數據分析

由表2 可知，變電站電網GIS 數據的最大值和最小值之差不能大于20 kB，否則冗余數據過大，影響實驗結果。對于這部分數據，四個變壓器理想狀態下的調度響應總時長在110 s以內，以此為標準展開實驗分析。

3.2 實驗結果與分析

分別使用文獻[1]方法、文獻[2]方法和所提方法，對比分析電網GIS 數據動態調度結果，如表3 所示。

表3 不同方法電網GIS數據調度結果

由表3 可知，文獻[1]方法與實際數據存在最大為50 kB 的誤差；文獻[2]方法與實際數據存在最大為80 kB 的誤差；而該文方法與實際數據存在最大為10 kB 的誤差。通過上述對比結果可知，使用該文方法的電網GIS 數據調度結果更理想。

在此基礎上，分別使用文獻[1]方法、文獻[2]方法和所提方法，對比分析電網GIS 數據調度響應時間，如圖2 所示。

圖2 不同方法調度響應時間

由圖2 可知，使用文獻[1]方法的電網GIS 數據調度響應時間為133 s；使用文獻[2]方法的電網GIS 數據調度響應時間為134 s；而使用該文方法的電網GIS 數據調度響應時間為100 s。由此可知，與文獻[1]方法和文獻[2]方法相比，該文方法的電網GIS數據調度響應時間較短。

4 結束語

為了確保電網GIS 數據調度效果，縮短調度響應時間，文中提出了基于人工智能的海量電網GIS數據動態調度方法。該方法壓縮處理海量電網GIS數據，并結合人工智能調度的神經網絡方法，構建人工智能調度模型。設計動態調度流程，并進行了渲染，由此實現電網GIS 數據動態調度。該方法具有較好的調度效果，能有效縮短調度響應時間。