CN112668757A - 一种电网规划gis图形与政府控规图融合方法、装置及系统 - Google Patents
一种电网规划gis图形与政府控规图融合方法、装置及系统 Download PDFInfo
- Publication number
- CN112668757A CN112668757A CN202011474375.3A CN202011474375A CN112668757A CN 112668757 A CN112668757 A CN 112668757A CN 202011474375 A CN202011474375 A CN 202011474375A CN 112668757 A CN112668757 A CN 112668757A
- Authority
- CN
- China
- Prior art keywords
- graph
- fused
- power grid
- government control
- gis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000012937 correction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种电网规划GIS图形与政府控规图融合方法、装置及系统,采用人工神经网络算法对政府控规图样本进行训练,获得特征提取模型;基于特征提取模型对待融合政府控规图进行特征提取;根据提取的特征对待融合政府控规图进行矢量化处理;将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理。本发明通过人工神经网络算法进行模型训练,对政府控规图自动进行特征提取,进而进行矢量化处理并融合,无需人工手动融合,提高工作效率和精度。
Description
技术领域
本发明涉及电网规划GIS图形融合领域,具体涉及一种电网规划GIS图形与政府控规图融合方法、装置及系统。
背景技术
电网规划GIS(地理信息系统)图形通过在电网网架的基础上,融合政府控规图(控制性详细规划图)矢量化数据,可以直观展示未来电网规划目标网架、过渡网架与政府土地规划情况,对电网规划工作有着举足轻重的作用,可为提升电网目标网架、过渡网架的规划工作精益化管理水平提供有力支撑。
目前电网规划GIS网架图形与政府控规图的融合工作大多采用人工比对与人工纠偏的方式,人工比对GIS与控规图上的道路、地块等的地理位置,查找地理位置坐标,将政府控规图进行矢量化处理,以电网GIS矢量化图形的方式与电网GIS规划电网网架进行融合。人工比对或人工纠偏的方式存在的问题是:1、精确度不高,人工查找的坐标误差较大,很难满足电网目标网架、过渡网架规划工作的需要。2、需要投入大量的人力资源和宝贵的时间,且容易出现数据遗漏等错误,对电网目标网架、过渡网架规划工作的开展增加了很大的难度。
发明内容
为解决上述问题,本发明提供一种电网规划GIS图形与政府控规图融合方法、装置及系统,通过人工神经网络算法进行模型训练,对政府控规图自动进行特征提取,进而进行矢量化处理并融合,无需人工手动融合,提高工作效率和精度。
本发明的技术方案为:一种电网规划GIS图形与政府控规图融合方法,包括以下步骤:
采用人工神经网络算法对政府控规图样本进行训练,获得特征提取模型;
基于特征提取模型对待融合政府控规图进行特征提取;
根据提取的特征对待融合政府控规图进行矢量化处理;
将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理。
进一步地,所采用人工神经网络算法为卷积神经网络算法。
进一步地,对待融合政府控规图进行特征提取时,所提取的特征包括道路信息、地块信息、属性文字信息。
进一步地,根据提取的特征对待融合政府控规图进行矢量化处理包括:将道路交叉点的地理位置坐标作为控制点;
将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理,具体为:
根据控制点建立待融合电网规划GIS图形与待融合政府控规图的空间映射关系;
根据空间映射关系完成待融合政府控规图与待融合电网规划GIS图形中目标网架和过渡网架的数据融合。
本发明的技术方案还包括一种电网规划GIS图形与政府控规图融合装置,包括,
特征提取模型训练模块:对政府控规图样本进行训练,获得特征提取模型;
特征提取模块:采用人工神经网络算法基于特征提取模型对待融合政府控规图进行特征提取;
矢量化处理模块:根据提取的特征对待融合政府控规图进行矢量化处理;
图像融合模块:将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理。
进一步地,特征提取模型训练模块所采用人工神经网络算法为卷积神经网络算法。
进一步地,特征提取模块对待融合政府控规图提取的特征包括道路信息、地块信息、属性文字信息。
进一步地,矢量化处理模块根据提取的特征对待融合政府控规图进行矢量化处理包括:将道路交叉点的地理位置坐标作为控制点;
图像融合模块将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理,具体为:
根据控制点建立待融合电网规划GIS图形与待融合政府控规图的空间映射关系;
根据空间映射关系完成待融合政府控规图与待融合电网规划GIS图形中目标网架和过渡网架的数据融合。
本发明的技术方案还包括一种电网规划GIS图形与政府控规图融合系统,包括电网GIS服务器、卷积神经网络引擎服务器、缓存服务器、神经网络参数存取服务器、可视化输出服务器、数据库;
卷积神经网络引擎服务器与电网GIS服务器交互,调取电网GIS服务器相关空间数据,同时通过缓存服务器,从神经网络参数存取服务器中调取神经网络的初始化参数进行神经网络初始化启动神经网络进行特征提取模型训练;
用户登录电网GIS服务器页面,选择需要处理的政府控规图进行特征提取与空间矢量化坐标配置,完成与需要处理的电网规划GIS图形融合;
图像融合结果由可视化输出服务器进行可视化输出显示,用户确认图像融合结果,并将融合相关数据保存到数据库。
本发明提供的一种电网规划GIS图形与政府控规图融合方法、装置及系统与现有技术相比,具有以下有益效果:
(1)实现了电网规划GIS图形与政府控规图的智能融合。将政府控规图转换为矢量数据与电网规划GIS图进行融合,达到在电网GIS图形上准确、直观的展现政府控规图,极大的节约了人工成本的投入,按之前人工操作的5人天每图计算,节省约80%的人员投入成本。
(2)神经网络智能提取图形特征与空间矢量坐标,提升了规划工作效率。本发明通过卷积神经网络的自学习能力与图像识别能力,智能学习与分析政府控规图的各种特征,自动与电网规划GIS图形进行空间坐标配准,提取各地块坐标范围、地块属性、道路位置等数据,根据历史数据统计,电网目标网架、过渡网架规划的工作效率约提升70%。
(3)自动矢量化空间配准,避免了人工操作带来的错误和较大误差的隐患,提高了电网规划GIS图形上网架与政府控规图之间空间配准的精度,为下一步的目标网架、过渡网架的电网规划GIS图形数据分析业务应用提供了强力支撑。
附图说明
图1是本发明具体实施例一方法流程示意图;
图2是本发明具体实施例二结构示意框图;
图3是本发明具体实施例三架构示意图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述,以下实施例是对本发明的解释,而本发明并不局限于以下实施方式。
实施例一
如图1所示,本实施例提供一种电网规划GIS图形与政府控规图融合方法,包括以下步骤:
S1,采用人工神经网络算法对政府控规图样本进行训练,获得特征提取模型;
S2,基于特征提取模型对待融合政府控规图进行特征提取;
S3,根据提取的特征对待融合政府控规图进行矢量化处理;
S4,将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理。
本方法通过人工神经网络算法进行模型训练,对政府控规图自动进行特征提取,进而进行矢量化处理并融合,无需人工手动融合,提高工作效率和精度。
本实施例中,所采用的人工神经网络算法为卷积神经网络算法,为达到最佳训练目标,收集整理了35000张政府控规图片作为神经网络模型训练数据集,17500张政府控规图片作为神经网络模型测试数据集,并对所有图片进行分组处理,保证所有图片中的道路、地块、属性文字等信息清晰、正确。
卷积神经网络的训练过程分为两个阶段。第一个阶段是政府控规图数据由低层次向高层次传播的阶段,即前向传播阶段。第二个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练的阶段,即反向传播阶段。对政府控制图的卷积神经网络算法训练具体训练过程可由现有的算法训练过程实现,在此不再赘述。
经过神经网络训练后,基于训练得到的特征提取模型即可对待处理的政府控制图进行特征提取,本实施例所提取的特征包括道路信息(包括道路长度、坐标范围等)、地块信息(包括地块坐标范围、属性等)、属性文字信息。
空间配准的精度一般要求在1~2个像元内,空间配准中最关键的一步就是通过特征匹配寻找对应的明显地物点作为控制点。本实施例根据政府控规图的基本特征通过训练后的基于电网GIS的卷积神经网络模型提取政府控规图中的道路交叉点的地理位置坐标为控制点。
基于控制点实现图形的融合,具体为:
根据控制点建立待融合电网规划GIS图形与待融合政府控规图的空间映射关系;
根据空间映射关系完成待融合政府控规图与待融合电网规划GIS图形中目标网架和过渡网架的数据融合。
经过上述处理,即可实现政府控规图与电网规划GIS图形的自动融合,提高工作效率和精度。
实施例二
如图2所述,本实施例提供一种电网规划GIS图形与政府控规图融合装置,用以运行实施例一的方法,包括以下功能模块。
(1)特征提取模型训练模块101:对政府控规图样本进行训练,获得特征提取模型;
具体地,所采用人工神经网络算法为卷积神经网络算法。
(2)特征提取模块102:采用人工神经网络算法基于特征提取模型对待融合政府控规图进行特征提取;
对待融合政府控规图提取的特征包括道路信息、地块信息、属性文字信息。
(3)矢量化处理模块103:根据提取的特征对待融合政府控规图进行矢量化处理;
本实施例将道路交叉点的地理位置坐标作为控制点。
(4)图像融合模块104:将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理;
基于控制点,融合处理具体为:
根据控制点建立待融合电网规划GIS图形与待融合政府控规图的空间映射关系;
根据空间映射关系完成待融合政府控规图与待融合电网规划GIS图形中目标网架和过渡网架的数据融合。
实施例三
如图3所示,本实施例提供一种电网规划GIS图形与政府控规图融合系统,为实施例一的方法运行提供服务器架构。
该系统包括电网GIS服务器、卷积神经网络引擎服务器、缓存服务器、神经网络参数存取服务器、可视化输出服务器、数据库。
需要说明的是,首先进行服务器部署,部署上述各个服务器。
该架构中卷积神经网络引擎服务器与电网GIS服务器交互,调取电网GIS服务器相关空间数据(包括政府控规图样本),同时通过缓存服务器,从神经网络参数存取服务器中调取神经网络的初始化参数进行神经网络初始化启动神经网络进行特征提取模型训练。
之后,用户登录电网GIS服务器页面,选择需要处理的政府控规图进行特征提取与空间矢量化坐标配置,完成与需要处理的电网规划GIS图形融合。
最后,图像融合结果由可视化输出服务器进行可视化输出显示,用户确认图像融合结果,并将融合相关数据保存到数据库。
以上公开的仅为本发明的优选实施方式,但本发明并非局限于此,任何本领域的技术人员能思之的没有创造性的变化,以及在不脱离本发明原理前提下所作的若干改进和润饰,都应落在本发明的保护范围内。
Claims (9)
1.一种电网规划GIS图形与政府控规图融合方法,其特征在于,包括以下步骤:
采用人工神经网络算法对政府控规图样本进行训练,获得特征提取模型;
基于特征提取模型对待融合政府控规图进行特征提取;
根据提取的特征对待融合政府控规图进行矢量化处理;
将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理。
2.根据权利要求1所述的电网规划GIS图形与政府控规图融合方法,其特征在于,所采用人工神经网络算法为卷积神经网络算法。
3.根据权利要求2所述的电网规划GIS图形与政府控规图融合方法,其特征在于,对待融合政府控规图进行特征提取时,所提取的特征包括道路信息、地块信息、属性文字信息。
4.根据权利要求3所述的电网规划GIS图形与政府控规图融合方法,其特征在于,根据提取的特征对待融合政府控规图进行矢量化处理包括:将道路交叉点的地理位置坐标作为控制点;
将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理,具体为:
根据控制点建立待融合电网规划GIS图形与待融合政府控规图的空间映射关系;
根据空间映射关系完成待融合政府控规图与待融合电网规划GIS图形中目标网架和过渡网架的数据融合。
5.一种电网规划GIS图形与政府控规图融合装置,其特征在于,包括,
特征提取模型训练模块:对政府控规图样本进行训练,获得特征提取模型;
特征提取模块:采用人工神经网络算法基于特征提取模型对待融合政府控规图进行特征提取;
矢量化处理模块:根据提取的特征对待融合政府控规图进行矢量化处理;
图像融合模块:将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理。
6.根据权利要求5所述的电网规划GIS图形与政府控规图融合装置,其特征在于,特征提取模型训练模块所采用人工神经网络算法为卷积神经网络算法。
7.根据权利要求6所述的电网规划GIS图形与政府控规图融合装置,其特征在于,特征提取模块对待融合政府控规图提取的特征包括道路信息、地块信息、属性文字信息。
8.根据权利要求7所述的电网规划GIS图形与政府控规图融合装置,其特征在于,矢量化处理模块根据提取的特征对待融合政府控规图进行矢量化处理包括:将道路交叉点的地理位置坐标作为控制点;
图像融合模块将矢量化处理后的待融合政府控规图与待融合电网规划GIS图形进行融合处理,具体为:
根据控制点建立待融合电网规划GIS图形与待融合政府控规图的空间映射关系;
根据空间映射关系完成待融合政府控规图与待融合电网规划GIS图形中目标网架和过渡网架的数据融合。
9.一种电网规划GIS图形与政府控规图融合系统,其特征在于,包括电网GIS服务器、卷积神经网络引擎服务器、缓存服务器、神经网络参数存取服务器、可视化输出服务器、数据库;
卷积神经网络引擎服务器与电网GIS服务器交互,调取电网GIS服务器相关空间数据,同时通过缓存服务器,从神经网络参数存取服务器中调取神经网络的初始化参数进行神经网络初始化启动神经网络进行特征提取模型训练;
用户登录电网GIS服务器页面,选择需要处理的政府控规图进行特征提取与空间矢量化坐标配置,完成与需要处理的电网规划GIS图形融合;
图像融合结果由可视化输出服务器进行可视化输出显示,用户确认图像融合结果,并将融合相关数据保存到数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474375.3A CN112668757A (zh) | 2020-12-15 | 2020-12-15 | 一种电网规划gis图形与政府控规图融合方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474375.3A CN112668757A (zh) | 2020-12-15 | 2020-12-15 | 一种电网规划gis图形与政府控规图融合方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668757A true CN112668757A (zh) | 2021-04-16 |
Family
ID=75404439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011474375.3A Pending CN112668757A (zh) | 2020-12-15 | 2020-12-15 | 一种电网规划gis图形与政府控规图融合方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668757A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067104A (zh) * | 2017-03-30 | 2017-08-18 | 昆明能讯科技有限责任公司 | 一种基于地理信息系统的供电网格负荷预测方法 |
CN107403446A (zh) * | 2016-05-18 | 2017-11-28 | 西门子保健有限责任公司 | 用于使用智能人工代理的图像配准的方法和系统 |
CN108538185A (zh) * | 2018-03-29 | 2018-09-14 | 国家电网公司 | 一种电网规划地理信息平台及其制作方法 |
CN108874993A (zh) * | 2018-06-12 | 2018-11-23 | 北京宏岸图升网络技术有限公司 | 一种城市规划在地图中的显示方法及装置 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
US20200184308A1 (en) * | 2018-12-06 | 2020-06-11 | University Of Tennessee Research Foundation | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network |
CN111599007A (zh) * | 2020-05-26 | 2020-08-28 | 张仲靖 | 一种基于无人机航拍的智慧城市cim道路贴图方法 |
-
2020
- 2020-12-15 CN CN202011474375.3A patent/CN112668757A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403446A (zh) * | 2016-05-18 | 2017-11-28 | 西门子保健有限责任公司 | 用于使用智能人工代理的图像配准的方法和系统 |
CN107067104A (zh) * | 2017-03-30 | 2017-08-18 | 昆明能讯科技有限责任公司 | 一种基于地理信息系统的供电网格负荷预测方法 |
CN108538185A (zh) * | 2018-03-29 | 2018-09-14 | 国家电网公司 | 一种电网规划地理信息平台及其制作方法 |
CN108874993A (zh) * | 2018-06-12 | 2018-11-23 | 北京宏岸图升网络技术有限公司 | 一种城市规划在地图中的显示方法及装置 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
US20200184308A1 (en) * | 2018-12-06 | 2020-06-11 | University Of Tennessee Research Foundation | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network |
CN111599007A (zh) * | 2020-05-26 | 2020-08-28 | 张仲靖 | 一种基于无人机航拍的智慧城市cim道路贴图方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
Rüther et al. | Application of snakes and dynamic programming optimisation technique in modeling of buildings in informal settlement areas | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN111985161B (zh) | 一种变电站三维模型重构方法 | |
CN109635748B (zh) | 高分辨率影像中道路特征的提取方法 | |
CN110163836A (zh) | 基于深度学习用于高空巡检下的挖掘机检测方法 | |
KR20190080009A (ko) | 차선 정보를 이용한 자동 도화 방법 | |
CN113011350A (zh) | 一种地域图像的识别处理方法、装置及电子设备 | |
CN111597861A (zh) | 遥感影像地物自动解译系统及方法 | |
CN110428386B (zh) | 地图网格合并方法、装置、存储介质、电子装置 | |
CN113066112B (zh) | 一种基于三维模型数据的室内外融合方法及装置 | |
CN110133443A (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN110457706B (zh) | 兴趣点名称选择模型训练方法、使用方法、装置及存储介质 | |
CN114299394A (zh) | 一种遥感影像智能解译方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN111382715A (zh) | 一种地形图中地物要素的提取方法 | |
CN104679011B (zh) | 基于稳定分支特征点的图像匹配导航方法 | |
CN112668757A (zh) | 一种电网规划gis图形与政府控规图融合方法、装置及系统 | |
CN116310802A (zh) | 一种基于多尺度融合模型的宅基地变化监测方法和装置 | |
CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
Kazemi et al. | Deriving multi‐scale GEODATA from TOPO‐250K road network Data | |
CN115908897B (zh) | 基于高分辨率遥感影像的高速铁路供电设施智能识别方法 | |
CN114077764B (zh) | 基于三维gis与bim集成的临建模型建立方法及应用 | |
US20240233086A1 (en) | Machine learning for artificial parcel data generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |