王 倩 陳思遠(yuǎn) 趙晶輝 陳 喆 李遠(yuǎn)非 何中華 耿世英

（北京洛斯達(dá)科技發(fā)展有限公司，北京100120）

1 概述

規(guī)劃是電網(wǎng)建設(shè)的基礎(chǔ)，也是建設(shè)的主要依據(jù)，通過規(guī)劃能夠?qū)崿F(xiàn)對(duì)電網(wǎng)建設(shè)方案的優(yōu)化，對(duì)電網(wǎng)建設(shè)成本的規(guī)劃能夠確保整個(gè)電網(wǎng)建設(shè)過程順利進(jìn)行[1]。而隨著電網(wǎng)建設(shè)的快速發(fā)展，電網(wǎng)架構(gòu)越來越復(fù)雜，對(duì)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(duì)全電壓等級(jí)序列的整體優(yōu)化重視不夠，在經(jīng)濟(jì)分析中對(duì)整個(gè)投資周期中的投資回報(bào)率重視不夠[2]。由于規(guī)劃方案缺乏整體性考慮，導(dǎo)致項(xiàng)目成本過高，影響項(xiàng)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(guó)民經(jīng)濟(jì)數(shù)據(jù)等各類數(shù)據(jù)，數(shù)量量多，結(jié)構(gòu)復(fù)雜，并且沒有有效的管理手段對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一管理。規(guī)劃人員在進(jìn)行電網(wǎng)規(guī)劃時(shí)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(jìn)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(jì)算等基礎(chǔ)功能，無法實(shí)現(xiàn)（轉(zhuǎn)下頁(yè)）深層次的規(guī)劃應(yīng)用。

而隨著電網(wǎng)網(wǎng)架復(fù)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(shè)的要求，借助信息化手段進(jìn)行電網(wǎng)規(guī)劃是一種科學(xué)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(zhǔn)規(guī)劃平臺(tái)，借助大數(shù)據(jù)技術(shù)，通過平臺(tái)實(shí)現(xiàn)海量規(guī)劃數(shù)據(jù)的分析和信息挖掘，對(duì)提高電網(wǎng)規(guī)劃工作的合理性和科學(xué)性具有重要意義。

2 關(guān)鍵技術(shù)

2.1 基于深度學(xué)習(xí)的遙感影像自動(dòng)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(luò)模型（CNN）

深度學(xué)習(xí)（Deep Learning，DL）的概念由Hinton 等人提出，其源于人工神經(jīng)網(wǎng)絡(luò)。通過對(duì)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(xué)習(xí)算法的代表之一，結(jié)構(gòu)較為簡(jiǎn)單，適用性比較強(qiáng)[6]。CNN 采用權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)，降低了模型的復(fù)雜度，減少權(quán)值數(shù)量，避免了復(fù)雜的特征提取和數(shù)據(jù)重建過程。卷積網(wǎng)絡(luò)在圖像處理領(lǐng)域有著先天的優(yōu)勢(shì)，圖像是二維的矩陣，這種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)縮放、平移等變形具有很好的抑制。

卷積神經(jīng)網(wǎng)絡(luò)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(gè)卷積單元注冊(cè)，通過卷積操作實(shí)現(xiàn)特征圖像提??；池化層對(duì)輸入的特征圖進(jìn)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(luò)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(luò)。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(shí)形成熱力特征圖。

當(dāng)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(fù)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(duì)上一次上采樣的圖像進(jìn)行反卷積補(bǔ)充細(xì)節(jié)特征，再將第三層的卷積核對(duì)上一步中上采樣的圖像進(jìn)行再次反卷積補(bǔ)充細(xì)節(jié)特征，最終完成整個(gè)圖像的還原。

2.1.3 遙感影像自動(dòng)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(xué)習(xí)和級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的高分辨率光學(xué)遙感影像目標(biāo)檢測(cè)方法，具體技術(shù)路線如下圖所示。

首先，采用遷移學(xué)習(xí)方法，使用少量樣本對(duì)預(yù)訓(xùn)練模型進(jìn)行參數(shù)調(diào)整，解決樣本不足的問題。再建立兩級(jí)級(jí)聯(lián)式CNN 架構(gòu)，快速刪除無效場(chǎng)景，實(shí)現(xiàn)大面積遙感影像高校和高精度的目標(biāo)檢測(cè)及定位。其次，逐步開展遙感影像分類算法的設(shè)計(jì)和改進(jìn)，針對(duì)光學(xué)遙感影像提出基于FCN 的語(yǔ)義級(jí)影像分類方法。通過對(duì)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(jìn)行居民區(qū)的自動(dòng)提取。對(duì)于居民區(qū)自動(dòng)提取的結(jié)果可以人工進(jìn)行檢測(cè)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(chǔ)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(jì)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(duì)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(fù)雜性，適用于規(guī)劃選線作業(yè)。在進(jìn)行選線時(shí)，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(gè)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(gè)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(zhǔn)則決策過程

電力選線是一種空間多準(zhǔn)則決策問題。由于多準(zhǔn)則決策問題的多個(gè)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?？臻g多準(zhǔn)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(zhǔn)則體系。對(duì)影響決策的各個(gè)準(zhǔn)則進(jìn)行篩選，確定準(zhǔn)則體系。

步驟三：準(zhǔn)則標(biāo)準(zhǔn)化。將所有準(zhǔn)則的實(shí)際值按照一定的數(shù)學(xué)方法換算成統(tǒng)一尺度的數(shù)值，進(jìn)行標(biāo)準(zhǔn)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(zhǔn)則權(quán)重。在確定準(zhǔn)則權(quán)重時(shí)，應(yīng)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(zhǔn)則之間真實(shí)的相對(duì)關(guān)系。

步驟五：多準(zhǔn)則合并。采用一定的數(shù)學(xué)模型將所有準(zhǔn)則包含的信息合并為一個(gè)綜合準(zhǔn)則，然后根據(jù)綜合準(zhǔn)則對(duì)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(yàn)決策過程中誤差對(duì)結(jié)果的影響，以確定決策結(jié)果是否可以接受。若認(rèn)為結(jié)果不可靠，則需要重新返回到第（2）階段，進(jìn)行準(zhǔn)則篩選和決策。

2.2.3 智能選線技術(shù)實(shí)施方案

智能選線采用空間多準(zhǔn)則決策流程和連續(xù)空間的成本距離分析方法實(shí)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(shí)考慮的影響因子，建立評(píng)價(jià)指標(biāo)體系，再次標(biāo)準(zhǔn)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(shè)計(jì)單元格的鄰域模式和單元格到鄰域單元格的成本值計(jì)算方法，最后根據(jù)設(shè)計(jì)的鄰域模式，把成本表面中單元格上的中心點(diǎn)或邊界上的點(diǎn)看作是節(jié)點(diǎn)，將每個(gè)節(jié)點(diǎn)與其鄰域中的節(jié)點(diǎn)看作是有邊相連，以單元格間的移動(dòng)成本作為邊的權(quán)重，將整個(gè)成本表面看成為一個(gè)網(wǎng)絡(luò)加權(quán)圖，利用最優(yōu)路徑算法在其上進(jìn)行路徑分析，規(guī)劃出最優(yōu)路徑，然后對(duì)該路徑進(jìn)行糾正，剔除多余的轉(zhuǎn)角點(diǎn)，實(shí)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(zhǔn)規(guī)劃支持平臺(tái)的設(shè)計(jì)與實(shí)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(shí)現(xiàn)上采用分層的設(shè)計(jì)思想，分為表現(xiàn)層、業(yè)務(wù)服務(wù)層、通用組件層、基礎(chǔ)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(wù)功能，并輔助領(lǐng)導(dǎo)決策。

業(yè)務(wù)服務(wù)層：實(shí)現(xiàn)智能選線、敏感區(qū)信息自動(dòng)提取統(tǒng)計(jì)、可視化規(guī)劃設(shè)計(jì)等功能，深化規(guī)劃數(shù)字化應(yīng)用。

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

基礎(chǔ)組件層：根據(jù)項(xiàng)目需要，引入DevExpress、.Net Framework 等基礎(chǔ)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(kù)，為系統(tǒng)提供數(shù)據(jù)支持，包括：三維模型數(shù)據(jù)庫(kù)、規(guī)劃業(yè)務(wù)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(kù)構(gòu)建

系統(tǒng)以規(guī)劃業(yè)務(wù)為依據(jù)，整合基礎(chǔ)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(wù)數(shù)據(jù)等各類數(shù)據(jù)，構(gòu)建規(guī)劃大數(shù)據(jù)庫(kù)，為規(guī)劃業(yè)務(wù)開展提供數(shù)據(jù)支撐，為領(lǐng)導(dǎo)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(diǎn)區(qū)域采用亞米級(jí)衛(wèi)星影像數(shù)據(jù)。對(duì)于有改擴(kuò)建需求的重點(diǎn)變電站進(jìn)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(jí)路網(wǎng)、河流等基礎(chǔ)地理信息數(shù)據(jù)的基礎(chǔ)上，收集并矢量化冰區(qū)、污區(qū)、風(fēng)區(qū)、礦產(chǎn)分布區(qū)、土地利用、地質(zhì)、地災(zāi)、生態(tài)敏感區(qū)、文物保護(hù)區(qū)、路網(wǎng)、水文、地形特殊設(shè)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(kuò)充規(guī)劃大數(shù)據(jù)庫(kù)，支撐規(guī)劃選線等業(yè)務(wù)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(wù)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(jí)的輸變電工程，并對(duì)所有工程變電站、線路等實(shí)現(xiàn)1:1 建模，在規(guī)劃大數(shù)據(jù)庫(kù)中進(jìn)行存儲(chǔ)。后期將根據(jù)新工程建設(shè)情況，不斷的擴(kuò)充和更新三維模型庫(kù)數(shù)據(jù)。

3.2.4 規(guī)劃業(yè)務(wù)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(wù)需要收集的相關(guān)業(yè)務(wù)數(shù)據(jù)，包括國(guó)民經(jīng)濟(jì)數(shù)據(jù)、人口信息、能源資源信息、全社會(huì)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(jià)庫(kù)、電網(wǎng)典型工程造價(jià)庫(kù)、客戶滿意度評(píng)價(jià)指標(biāo)、電網(wǎng)風(fēng)險(xiǎn)分析指標(biāo)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(shí)現(xiàn)

3.3.1 敏感區(qū)信息自動(dòng)提取統(tǒng)計(jì)

居民區(qū)和環(huán)境敏感區(qū)作為重要的基礎(chǔ)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(jī)影像等多源影像數(shù)據(jù)，基于深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等人工智能算法，開展居民區(qū)、村莊、河流、水庫(kù)、坑等多種地物的識(shí)別及自動(dòng)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(shè)計(jì)

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(shè)計(jì)，并利用典型造價(jià)庫(kù)進(jìn)行工程造價(jià)估算，形成接入系統(tǒng)方案，設(shè)計(jì)成果可以直接生成地理接線圖。

圖4 基于深度學(xué)習(xí)的自動(dòng)識(shí)別結(jié)果

圖5 接入方案設(shè)計(jì)

存在多方案的情況時(shí)，系統(tǒng)可以自動(dòng)從項(xiàng)目規(guī)劃、交叉跨越等方面進(jìn)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(bào)告。

3.3.3 智能選線

根據(jù)電力選線策略，對(duì)基于深度學(xué)習(xí)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(jìn)行高性能的自動(dòng)化批量處理，為智能選線提供數(shù)據(jù)基礎(chǔ)?；诙嗑S度多源的海量數(shù)據(jù)，系統(tǒng)利用人工智能領(lǐng)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(dòng)生產(chǎn)一條或多條規(guī)劃路徑。

系統(tǒng)自動(dòng)進(jìn)行路徑規(guī)劃后，還可以基于深度學(xué)習(xí)方法，對(duì)選線策略進(jìn)行建模，并根據(jù)不同的區(qū)域條件自適應(yīng)匹配不同的選線策略對(duì)線路進(jìn)行優(yōu)化。在優(yōu)化線路時(shí)，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(yùn)行數(shù)據(jù)，構(gòu)建集中統(tǒng)一的工程三維檔案庫(kù)。并通過對(duì)現(xiàn)狀電網(wǎng)的立體仿真，建設(shè)省域范圍內(nèi)智能電網(wǎng)三維地圖，實(shí)現(xiàn)對(duì)省域范圍內(nèi)主網(wǎng)運(yùn)營(yíng)、規(guī)劃電網(wǎng)情況全景再現(xiàn)。同時(shí)，支持規(guī)劃成果評(píng)審要點(diǎn)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(xiàng)目評(píng)審匯報(bào)，為規(guī)劃決策提供三維的一體化支撐平臺(tái)。

圖7 規(guī)劃成果二三維展示

4 結(jié)論

該平臺(tái)實(shí)現(xiàn)了規(guī)劃各環(huán)節(jié)信息的廣泛收集和精準(zhǔn)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(yīng)用平臺(tái)和規(guī)劃大數(shù)據(jù)庫(kù)。該平臺(tái)的實(shí)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(duì)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(shí)現(xiàn)規(guī)劃- 設(shè)計(jì)- 技經(jīng)專業(yè)融通發(fā)展，加快推進(jìn)泛在電力物聯(lián)網(wǎng)建設(shè)具有重要意義。