基于大数据和人工智能的省域电网精准规划支持平台研究与实践

王 倩 陈思远 赵晶辉 陈 喆 李远非 何中华 耿世英

（北京洛斯达科技发展有限公司，北京100120）

1 概述

规划是电网建设的基础，也是建设的主要依据，通过规划能够实现对电网建设方案的优化，对电网建设成本的规划能够确保整个电网建设过程顺利进行[1]。而随着电网建设的快速发展，电网架构越来越复杂，对电网规划的要求也越来越高，现有的电网规划方式存在的问题也越来越明显。

目前，大部分规划人员缺乏系统性的优化理念，在技术方案中对全电压等级序列的整体优化重视不够，在经济分析中对整个投资周期中的投资回报率重视不够[2]。由于规划方案缺乏整体性考虑，导致项目成本过高，影响项目质量。

电网规划涉及到地理信息数据、电网网架数据、国民经济数据等各类数据，数量量多，结构复杂，并且没有有效的管理手段对数据进行统一管理。规划人员在进行电网规划时数据获取困难，数据分析质量难以保证，降低规划质量。

虽然已有专业人员提出，借助信息化、可视化，进行电网网架分析，使电网规划具有交互性和智能化[3]。但总的来说，电网规划信息化程度还不高。目前已有的信息系统，仅能提供电网网架的可视化展示、潮流计算等基础功能，无法实现（转下页）深层次的规划应用。

而随着电网网架复杂程度的增加，传统的规划作业模式，越来越不能满足现代电网建设的要求，借助信息化手段进行电网规划是一种科学有效的方法[4]。

因此，研究基于大数据和人工智能的省域电网精准规划平台，借助大数据技术，通过平台实现海量规划数据的分析和信息挖掘，对提高电网规划工作的合理性和科学性具有重要意义。

2 关键技术

2.1 基于深度学习的遥感影像自动分类及居民区提取关键技术

2.1.1 卷积神经网络模型（CNN）

深度学习（Deep Learning，DL）的概念由Hinton 等人提出，其源于人工神经网络。通过对低层特征的抽取和组合形成抽象的高层特征，从更深层次表示属性类别或特征，从而发现数据之间或数据自身的分布式特征表示方法[5]。

CNN 作为深度学习算法的代表之一，结构较为简单，适用性比较强[6]。CNN 采用权值共享的网络结构，降低了模型的复杂度，减少权值数量，避免了复杂的特征提取和数据重建过程。卷积网络在图像处理领域有着先天的优势，图像是二维的矩阵，这种网络结构对缩放、平移等变形具有很好的抑制。

卷积神经网络输入层用于特征提取，可直接处理多维数据信息；卷积层由多个卷积单元注册，通过卷积操作实现特征图像提取；池化层对输入的特征图进行压缩，便于提取主要特征；全连接层连接所有特征，将输出值送给分类器[7]。该层可以整合卷积层或者池化层具有类别区分性的局部信息。

2.1.2 全卷积神经网络模型（FCN）

FCN[8]将CNN 中最后的全连接层换成了卷积层，因此称全卷积网络。FCN 输入的图像尺寸不受限制，第一层卷积和池化后变为原来的1/2，第二层卷积和池化后变为原图的1/4，以此类推，第五层卷积和池化后变成原图的1/32。最后将CNN 中全连接层变成卷积操作，图像的特征图数量改变，但大小依然为原图的1/32，此时形成热力特征图。

当图像经过多次卷积和池化后变得越来越小，输出结果分辨率越来越低，为了恢复到原始图像大小和分辨率，FCN 使用上采样方式还原图像。第五层1/32 尺寸的热力图上采样后，由于精度问题无法很好的还原图像特征，需将第四层的卷积核对上一次上采样的图像进行反卷积补充细节特征，再将第三层的卷积核对上一步中上采样的图像进行再次反卷积补充细节特征，最终完成整个图像的还原。

2.1.3 遥感影像自动分类及居民区提取技术方案

居民区的提取将采用基于迁移学习和级联卷积神经网络的高分辨率光学遥感影像目标检测方法，具体技术路线如下图所示。

首先，采用迁移学习方法，使用少量样本对预训练模型进行参数调整，解决样本不足的问题。再建立两级级联式CNN 架构，快速删除无效场景，实现大面积遥感影像高校和高精度的目标检测及定位。其次，逐步开展遥感影像分类算法的设计和改进，针对光学遥感影像提出基于FCN 的语义级影像分类方法。通过对影像深层特征的提取，获取更具有代表性的特征，从而提高分类精度和算法的适用性。最后，进行居民区的自动提取。对于居民区自动提取的结果可以人工进行检测和修订。

图1 居民区提取技术路线

2.2 智能选线关键技术

2.2.1 基于成本表面模型的路径规划方法

电力选线的理论基础是连续空间的成本距离分析。成本距离分析主要是通过成本距离加权方法和距离方向数据来计算源与栅格单元间的最低成本路径。输电线路路径规划中，影响距离的因素通常有土地的利用现状、交通便利程度、对环境的影响等，需综合考虑所有影响因子，确定该单元的通行成本。成本距离加权考虑了事物的复杂性，适用于规划选线作业。在进行选线时，需要首先获取成本数据，然后利用成本距离加权来获取每个栅格单元至源的累积成本数据和成本方向数据，最后根据成本方向数据即可得到每个栅格单元至源的最低累积成本路径。

2.2.2 电力选线的多准则决策过程

电力选线是一种空间多准则决策问题。由于多准则决策问题的多个影响因素之间的矛盾性和不可公度性，只有使这些相互联系、相互制约的因素得到最佳的协调，才能得到最优的决策。空间多准则决策流程如下：

步骤一：定义决策问题。明确要解决的问题，并收集与问题相关的各类数据。

步骤二：建立准则体系。对影响决策的各个准则进行筛选，确定准则体系。

步骤三：准则标准化。将所有准则的实际值按照一定的数学方法换算成统一尺度的数值，进行标准化处理，从而消除不同的量纲差异带来的不可比性。

步骤四：确定准则权重。在确定准则权重时，应尽量避免主观因素造成的误差，从而使权重能最大限度反映各准则之间真实的相对关系。

步骤五：多准则合并。采用一定的数学模型将所有准则包含的信息合并为一个综合准则，然后根据综合准则对多方案排序，选出最优方案。

步骤六：决策结果分析。采用敏感性分析等手段检验决策过程中误差对结果的影响，以确定决策结果是否可以接受。若认为结果不可靠，则需要重新返回到第（2）阶段，进行准则筛选和决策。

2.2.3 智能选线技术实施方案

智能选线采用空间多准则决策流程和连续空间的成本距离分析方法实现，其流程如下图所示。首先要收集待选线区域内的地形、地物等相关数据，其次筛选选线时考虑的影响因子，建立评价指标体系，再次标准化各影响因子并确定它们的权重，然后将连续空间栅格化为相互邻接的单元格，构建选线区域内的单一分辨率成本表面模型，设计单元格的邻域模式和单元格到邻域单元格的成本值计算方法，最后根据设计的邻域模式，把成本表面中单元格上的中心点或边界上的点看作是节点，将每个节点与其邻域中的节点看作是有边相连，以单元格间的移动成本作为边的权重，将整个成本表面看成为一个网络加权图，利用最优路径算法在其上进行路径分析，规划出最优路径，然后对该路径进行纠正，剔除多余的转角点，实现路径平滑。

图2 智能选线流程

3 基于大数据和人工智能的省域电网精准规划支持平台的设计与实现

图3 技术架构图

3.1 系统体系结构

系统采用C/S、B/S 混合的架构模式，物理实现上采用分层的设计思想，分为表现层、业务服务层、通用组件层、基础组件层、数据层等。系统技术架构图如图3 所示。

表现层：表现层采用C/S 客户端和浏览器两种展示方式，为高端用户及规划相关人员提供业务功能，并辅助领导决策。

业务服务层：实现智能选线、敏感区信息自动提取统计、可视化规划设计等功能，深化规划数字化应用。

通用组件层：包括数据库访问组件、系统日志组件等，为系统的实现提供常用的操作接口，避免代码重复开发，提高代码复用率。

基础组件层：根据项目需要，引入DevExpress、.Net Framework 等基础组件，提高开发效率。

数据层：构建规划大数据库，为系统提供数据支持，包括：三维模型数据库、规划业务数据、影像数据、专题数据等。

3.2 规划大数据库构建

系统以规划业务为依据，整合基础地理信息数据、专题数据、遥感影像数据、规划业务数据等各类数据，构建规划大数据库，为规划业务开展提供数据支撑，为领导层决策提供参考依据。

3.2.1 高清影像及地形数据

搜集省域范围内2.5 米卫星影像数据，重点区域采用亚米级卫星影像数据。对于有改扩建需求的重点变电站进行航飞，获取精度优于0.2 米的高精度地形和影像数据。

3.2.2 专题数据

在已有省域范围内行政区划、各级路网、河流等基础地理信息数据的基础上，收集并矢量化冰区、污区、风区、矿产分布区、土地利用、地质、地灾、生态敏感区、文物保护区、路网、水文、地形特殊设施区域、110kV 及以上现状电网路径图及规划电网路径图等各类专题数据，扩充规划大数据库，支撑规划选线等业务开展。

3.2.3 三维模型数据

为了全面掌握省域范围内所有变电站情况，方便省域电网规划工作业务开展，系统需收集省域范围内所有330 千伏及以上电压等级的输变电工程，并对所有工程变电站、线路等实现1:1 建模，在规划大数据库中进行存储。后期将根据新工程建设情况，不断的扩充和更新三维模型库数据。

3.2.4 规划业务数据

主要指除空间数据外，辅助开展规划业务需要收集的相关业务数据，包括国民经济数据、人口信息、能源资源信息、全社会用电量、电源规划信息、电力电量平衡输入数据、历史工程造价库、电网典型工程造价库、客户满意度评价指标、电网风险分析指标及相关的电子资料等结构化或非结构化数据。

3.3 系统功能实现

3.3.1 敏感区信息自动提取统计

居民区和环境敏感区作为重要的基础数据，在电力规划选线过程中，起着非常重要的作用。系统利用航空影像、高分卫星影像、无人机影像等多源影像数据，基于深度学习、神经网络等人工智能算法，开展居民区、村庄、河流、水库、坑等多种地物的识别及自动提取，提供数据获取效率，辅助规划选线工作。

3.3.2 可视化规划设计

系统提供供电断面查询分析、图形编辑等工具，支持同步考虑地理因素和电气因素的接入方案设计，并利用典型造价库进行工程造价估算，形成接入系统方案，设计成果可以直接生成地理接线图。

图4 基于深度学习的自动识别结果

图5 接入方案设计

存在多方案的情况时，系统可以自动从项目规划、交叉跨越等方面进行多层次方案比选分析，辅助推荐最优方案，并且生成分析报告。

3.3.3 智能选线

根据电力选线策略，对基于深度学习智能生成的省域范围的海量数据和收集到的多数据源选线影响因子，进行高性能的自动化批量处理，为智能选线提供数据基础。基于多维度多源的海量数据，系统利用人工智能领域的启发式搜索方法，统筹考虑多重影响因子和选线策略，自动生产一条或多条规划路径。

系统自动进行路径规划后，还可以基于深度学习方法，对选线策略进行建模，并根据不同的区域条件自适应匹配不同的选线策略对线路进行优化。在优化线路时，采用顾及空间关系的矢量压缩算法和交叉跨越纠正算法，提升路径的合理性。

图6 智能选线

3.3.4 三维可视化展示

系统基于可视化地图和海量运行数据，构建集中统一的工程三维档案库。并通过对现状电网的立体仿真，建设省域范围内智能电网三维地图，实现对省域范围内主网运营、规划电网情况全景再现。同时，支持规划成果评审要点的数字化和三维可视化，直观展示工程情况，辅助规划成果和项目评审汇报，为规划决策提供三维的一体化支撑平台。

图7 规划成果二三维展示

4 结论

该平台实现了规划各环节信息的广泛收集和精准匹配，打造了图数一体、人工智能、在线交互、高效创新的规划可视化应用平台和规划大数据库。该平台的实践及推广，将有利于提高电网规划质量和效率，并且对电网规划由传统模式向三维可视化和智能化转变、实现规划- 设计- 技经专业融通发展，加快推进泛在电力物联网建设具有重要意义。