CN113128006A - 一种基于神经网络的高压配电方法及装置 - Google Patents
一种基于神经网络的高压配电方法及装置 Download PDFInfo
- Publication number
- CN113128006A CN113128006A CN202110394685.2A CN202110394685A CN113128006A CN 113128006 A CN113128006 A CN 113128006A CN 202110394685 A CN202110394685 A CN 202110394685A CN 113128006 A CN113128006 A CN 113128006A
- Authority
- CN
- China
- Prior art keywords
- distribution
- city
- map
- area
- target
- 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.)
- Withdrawn
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 371
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 114
- 238000012549 training Methods 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003064 k means clustering Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种基于神经网络的高压配电方法及装置。该方法包括:将城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图;基于聚类结果,将第一分布地图进行分割,生成多个第二分布地图;将第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图;从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;构建目标区域的高压配电网络。通过上述方式,能够实现快速且准确的对目标区域的高压配电网络的构建,进而帮助工作人员在海量决策空间中找到最优路径,快速消除输电网阻塞等问题,提高构建效率。
Description
技术领域
本申请涉及电力系统技术领域,具体而言,涉及一种基于神经网络的高压配电方法及装置。
背景技术
配电网是指从输电网或地区发电厂接受电能,通过配电设施就地分配或按电压逐级分配给各类用户的电力网。是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的,在电力网中起重要分配电能作用的网络。
目前,在面对规模日益增长的城市电网运行方式调整时,传统的依靠人为经验的决策方式难以在高维决策空间中找到切实有效的决策方案,甚至威胁到城市电网的安全运行。因此有必要构建城市高压配电网快速构建方式,帮助调度员在海量决策空间中找到最优转移路径,快速消除输电网阻塞。
发明内容
本申请实施例的目的在于提供一种基于神经网络的高压配电方法及装置,用以改善上述缺陷。
本发明是这样实现的:
第一方面,本申请实施例提供一种基于神经网络的高压配电方法,所述方法包括:获取待规划的目标区域的城市分布地图;将所述城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类;基于聚类结果,将所述第一分布地图进行分割,生成多个第二分布地图;其中,每个所述第二分布地图包含一个聚类;将所述第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图;从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络。
在本申请实施例中,首先获取待规划的目标区域的城市分布地图;然后通过识别模型中,生成标记有城市区域的第一分布地图,之后基于K均值聚类算法,将第一分布地图中的各城市区域进行聚类、分割,生成多个第二分布地图;然后再通过分类模型中,生成标记有根城市区域的第三分布地图;最后从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;基于目标分布地图中的高压配电网络,构建目标区域的高压配电网络。通过上述方式,能够实现快速且准确的对目标区域的高压配电网络的构建,进而帮助工作人员在海量决策空间中找到最优路径,快速消除输电网阻塞等问题,提高构建效率。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类,包括:在所述第一分布地图初始化K个城市锚点;基于其他城市区域与所述K个城市锚点的距离,获取K个聚类;其中,每个所述聚类中的其他城市区域与该聚类中的锚点的距离小于每个所述聚类中的其他城市区域与其他锚点的距离;获取所述K个聚类中的每个所述聚类的中心;并将获取的中心确定为目标锚点,得到K个目标锚点;基于所述K个目标锚点,获取K个目标聚类;获取所述K个目标聚类中的每个所述目标聚类的中心,直至所述目标聚类的中心与所述目标聚类的目标锚点相同时,得到所述第一分布地图中的各城市区域进行聚类的聚类结果。
在本申请实施例中,通过在第一分布地图初始化K个城市锚点;基于其他城市区域与K个城市锚点的距离,获取K个聚类;获取K个聚类中的每个聚类的中心;并将获取的中心确定为目标锚点,得到K个目标锚点;基于K个目标锚点,获取K个目标聚类;获取K个目标聚类中的每个目标聚类的中心,直至目标聚类的中心与目标聚类的目标锚点相同时,得到第一分布地图中的各城市区域进行聚类的聚类结果。通过该方式,使得聚类结果得到不断的更新优化,提高了聚类结果的准确性。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,通过如下步骤得到所述识别模型:获取训练样本数据;其中,所述训练样本数据为包括城市区域以及非城市区域的多张样本训练地图,以及每张所述样本训练地图对应的标记好城市区域的样本比对真值图;将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述识别模型。
在本申请实施例中,通过将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;基于概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于二值交叉熵损失值对所述初始模型的模型参数进行优化,进而得到能够准确进行识别的识别模型。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,通过如下步骤得到所述分类模型:获取训练样本数据;其中,所述训练样本数据为包括根城市区域以及子城市区域的多张样本训练地图,以及每张所述样本训练地图对应的标记好根城市区域的样本比对真值图;将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述分类模型。
在本申请实施例中,通过将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述分类模型。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图,包括:将所述第三分布地图中的根城市区域以及子城市区域的位置映射到位置矩阵中,获得城市分布矩阵;其中,所述城市分布矩阵中的2表示所述第三分布地图中的根城市区域的位置,所述城市分布矩阵中的1表示所述第三分布地图中的子城市区域的位置;所述城市分布矩阵中的0表示所述第三分布地图中的非城市区域的位置;从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵;其中,所述数据库中预先存储有构建好的多个区域的分布地图,每个所述分布地图对应一个分布矩阵;其中,所述第一分布矩阵对应的分布地图即为所述目标分布地图。
在本申请实施例中,通过将第三分布地图中的根城市区域以及子城市区域的位置映射到位置矩阵中,获得城市分布矩阵;从数据库中获取与城市分布矩阵相似度大于所述预设阈值的第一分布矩阵;其中,第一分布矩阵对应的分布地图即为目标分布地图。通过矩阵对应关系,以便于获取第一分布地图与目标分布地图的相似度,也便于分析地图中的各城市的位置关系。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵,包括:将所述城市分布矩阵与所述数据库中的每个分布矩阵进行重合;基于重合后相同的数字占整个矩阵中的占比确定出所述城市分布矩阵与所述数据库中的每个分布矩阵的相似度,并获取其中与所述城市分布矩阵相似度大于所述预设阈值的所述第一分布矩阵。
在本申请实施例中,通过将城市分布矩阵与数据库中的每个分布矩阵进行重合;基于重合后相同的数字占整个矩阵中的占比确定出城市分布矩阵与数据库中的每个分布矩阵的相似度,以便于准确的并获取其中与城市分布矩阵相似度大于预设阈值的所述第一分布矩阵。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络,包括:识别出所述目标分布地图的高压配电网络中的根城市区域以及与之连接的子城市区域;根据矩阵对应关系,确定出所述目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,并生成所述目标区域的高压配电网络。
在本申请实施例中,通过识别出目标分布地图的高压配电网络中的根城市区域以及与之连接的子城市区域;根据矩阵对应关系,确定出目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,最后即可得到有效的、可靠的目标区域的高压配电网络。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述根据矩阵对应关系,确定出所述目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,并生成所述目标区域的高压配电网络,包括:确定出所述城市分布矩阵与所述第一分布矩阵中相同位置的根城市区域以及子城市区域;并基于所述第一分布矩阵对应的所述目标分布地图的连接关系,将所述目标区域对应的相同位置的根城市区域以及子城市区域进行连接;确定出所述城市分布矩阵与所述第一分布矩阵中不相同的子城市区域;并将所述目标区域中的不相同的子城市区域与最近的根城市区域进行连接,形成所述目标区域的高压配电网络。
在本申请实施例中,通过确定出城市分布矩阵与第一分布矩阵中相同位置的根城市区域以及子城市区域;并基于第一分布矩阵对应的目标分布地图的连接关系,将目标区域对应的相同位置的根城市区域以及子城市区域进行连接;确定出城市分布矩阵与第一分布矩阵中不相同的子城市区域;并将目标区域中的不相同的子城市区域与最近的根城市区域进行连接,形成目标区域的高压配电网络。通过上述方式即可得到有效的、合理的目标区域的高压配电网络。
第二方面,本申请实施例提供一种基于神经网络的高压配电装置,所述装置包括:获取模块,用于获取待规划的目标区域的城市分布地图;第一生成模块,用于将所述城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图;聚类模块,用于基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类;分割模块,用于基于聚类结果,将所述第一分布地图进行分割,生成多个第二分布地图;其中,每个所述第二分布地图包含一个聚类;第二生成模块,用于将所述第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图;确定模块,用于从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;构建模块,用于基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络。
第三方面,本申请实施例提供一种高压配电管理服务器,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于运行存储在所述存储器中的程序,执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
第四方面,本申请实施例提供一种存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种基于神经网络的高压配电方法的步骤流程图。
图3为本申请实施例提供的一种基于神经网络的高压配电装置的模块框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
请参阅图1,本申请实施例提供的一种应用基于神经网络的高压配电方法及装置的电子设备100的示意性结构框图。本申请实施例中,电子设备100可以是,但不限于计算机、笔记本电脑、网络服务器、业务服务器、服务器集群等。在结构上,电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。基于神经网络的高压配电装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System,OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块,例如,基于神经网络的高压配电装置所包括的软件功能模块及计算机程序等,以实现基于神经网络的高压配电方法。处理器110可以在接收到执行指令后,执行计算机程序。
其中,处理器110可以是一种集成电路芯片,具有信号处理能力。处理器110也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器120用于存储程序,处理器110在接收到执行指令后,执行该程序。
应当理解,图1所示的结构仅为示意,本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件,或是具有与图1所示不同的配置。此外,图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2,图2为本申请实施例提供的基于神经网络的高压配电方法的步骤流程图,该方法应用于图1所示的电子设备100。需要说明的是,本申请实施例提供的目标区域城市的高压配电方法不以图2及以下所示的顺序为限制,该方法包括:步骤S101-步骤S107。
步骤S101:获取待规划的目标区域的城市分布地图。
其中,待规划的目标区域的城市分布地图可以是通过软件制作形成的地图,也可以是由无人机获取的目标区域的照片后进行处理优化得到的地图。
步骤S102:将城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图。
步骤S103:基于K均值聚类算法,将第一分布地图中的各城市区域进行聚类。
需要说明的是,k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,用于实现聚类。
步骤S104:基于聚类结果,将所述第一分布地图进行分割,生成多个第二分布地图;其中,每个所述第二分布地图包含一个聚类。
步骤S105:将第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图。
步骤S106:从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图。
其中,预设阈值可以是70%、80%等等,本申请不作限定。
步骤S107:基于目标分布地图中的高压配电网络,构建目标区域的高压配电网络。
综上,在本申请实施例中,首先获取待规划的目标区域的城市分布地图;然后通过识别模型中,生成标记有城市区域的第一分布地图,之后基于K均值聚类算法,将第一分布地图中的各城市区域进行聚类、分割,生成多个第二分布地图;然后再通过分类模型中,生成标记有根城市区域的第三分布地图;最后从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;基于目标分布地图中的高压配电网络,构建目标区域的高压配电网络。通过上述方式,能够实现快速且准确的对目标区域的高压配电网络的构建,进而帮助工作人员在海量决策空间中找到最优路径,快速消除输电网阻塞等问题,提高构建效率。
作为一种可选的实施方式,上述步骤S103中基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类,具体包括:在所述第一分布地图初始化K个城市锚点;基于其他城市区域与所述K个城市锚点的距离,获取K个聚类;其中,每个所述聚类中的其他城市区域与该聚类中的锚点的距离小于每个所述聚类中的其他城市区域与其他锚点的距离;获取所述K个聚类中的每个所述聚类的中心;并将获取的中心确定为目标锚点,得到K个目标锚点;基于所述K个目标锚点,获取K个目标聚类;获取所述K个目标聚类中的每个所述目标聚类的中心,直至所述目标聚类的中心与所述目标聚类的目标锚点相同时,得到所述第一分布地图中的各城市区域进行聚类的聚类结果。
也即,在本申请实施例中,通过在第一分布地图初始化K个城市锚点;基于其他城市区域与K个城市锚点的距离,获取K个聚类;获取K个聚类中的每个聚类的中心;并将获取的中心确定为目标锚点,得到K个目标锚点;基于K个目标锚点,获取K个目标聚类;获取K个目标聚类中的每个目标聚类的中心,直至目标聚类的中心与目标聚类的目标锚点相同时,得到第一分布地图中的各城市区域进行聚类的聚类结果。通过该方式,使得聚类结果得到不断的更新优化,提高了聚类结果的准确性。
下面对本申请实施例所提供的识别模型的生成过程进行说明,具体包括:获取训练样本数据;其中,所述训练样本数据为包括城市区域以及非城市区域的多张样本训练地图,以及每张所述样本训练地图对应的标记好城市区域的样本比对真值图;将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述识别模型。
需要说明的是,上述的初始模型可以是深度神经网络模型,本申请不作限定。其中,上述的二值交叉熵函数的计算公式可以是:
其中公式(1)中,ι表示损失值,H表示样本训练地图的高度,W表示样本训练地图的宽度,i表示样本训练地图的像素点的横坐标,j表示样本训练地图的像素点的纵坐标,Gij表样本比对真值图在像素点(i,j)的标记数值;Sij样本训练地图中的像素点(i,j)为城市区域的概率值。
下面对本申请实施例所提供的分类模型的生成过程进行说明,具体包括:获取训练样本数据;其中,所述训练样本数据为包括根城市区域以及子城市区域的多张样本训练地图,以及每张所述样本训练地图对应的标记好根城市区域的样本比对真值图;将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述分类模型。
需要说明的是,上述的初始模型可以是深度神经网络模型,本申请不作限定。上述的二值交叉熵函数的可以参考前述实施例中的公式,本申请不作限定。
作为一种可选的实施方式,上述步骤S106从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图,具体包括:将所述第三分布地图中的根城市区域以及子城市区域的位置映射到位置矩阵中,获得城市分布矩阵;其中,所述城市分布矩阵中的2表示所述第三分布地图中的根城市区域的位置,所述城市分布矩阵中的1表示所述第三分布地图中的子城市区域的位置;所述城市分布矩阵中的0表示所述第三分布地图中的非城市区域的位置;从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵;其中,所述数据库中预先存储有构建好的多个区域的分布地图,每个所述分布地图对应一个分布矩阵;其中,所述第一分布矩阵对应的分布地图即为所述目标分布地图。
综上,在本申请实施例中,通过将第三分布地图中的根城市区域以及子城市区域的位置映射到位置矩阵中,获得城市分布矩阵;从数据库中获取与城市分布矩阵相似度大于所述预设阈值的第一分布矩阵;其中,第一分布矩阵对应的分布地图即为目标分布地图。通过矩阵对应关系,以便于获取第一分布地图与目标分布地图的相似度,也便于分析地图中的各城市的位置关系。
可选地,上述步骤从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵,具体包括:将所述城市分布矩阵与所述数据库中的每个分布矩阵进行重合;基于重合后相同的数字占整个矩阵中的占比确定出所述城市分布矩阵与所述数据库中的每个分布矩阵的相似度,并获取其中与所述城市分布矩阵相似度大于所述预设阈值的所述第一分布矩阵。
示例性的,比如重合后相同的数字为100个,整个矩阵中的数字为200,则相似度为100/200=50%。
也即,在本申请实施例中,通过将城市分布矩阵与数据库中的每个分布矩阵进行重合;基于重合后相同的数字占整个矩阵中的占比确定出城市分布矩阵与数据库中的每个分布矩阵的相似度,以便于准确的并获取其中与城市分布矩阵相似度大于预设阈值的所述第一分布矩阵。
可选地,上述步骤基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络,具体包括:识别出所述目标分布地图的高压配电网络中的根城市区域以及与之连接的子城市区域;根据矩阵对应关系,确定出所述目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,并生成所述目标区域的高压配电网络。
也即,在本申请实施例中,通过识别出目标分布地图的高压配电网络中的根城市区域以及与之连接的子城市区域;根据矩阵对应关系,确定出目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,最后即可得到有效的、可靠的目标区域的高压配电网络。
可选地,上述步骤根据矩阵对应关系,确定出所述目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,并生成所述目标区域的高压配电网络,包括:确定出所述城市分布矩阵与所述第一分布矩阵中相同位置的根城市区域以及子城市区域;并基于所述第一分布矩阵对应的所述目标分布地图的连接关系,将所述目标区域对应的相同位置的根城市区域以及子城市区域进行连接;确定出所述城市分布矩阵与所述第一分布矩阵中不相同的子城市区域;并将所述目标区域中的不相同的子城市区域与最近的根城市区域进行连接,形成所述目标区域的高压配电网络。
也即,在本申请实施例中,通过确定出城市分布矩阵与第一分布矩阵中相同位置的根城市区域以及子城市区域;并基于第一分布矩阵对应的目标分布地图的连接关系,将目标区域对应的相同位置的根城市区域以及子城市区域进行连接;确定出城市分布矩阵与第一分布矩阵中不相同的子城市区域;并将目标区域中的不相同的子城市区域与最近的根城市区域进行连接,形成目标区域的高压配电网络。通过上述方式即可得到有效的、合理的目标区域的高压配电网络。
请参阅图3,基于同一发明构思,本申请实施例还提供一种基于神经网络的高压配电装置200,所述装置包括:
获取模块201,用于获取待规划的目标区域的城市分布地图。
第一生成模块202,用于将所述城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图。
聚类模块203,用于基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类。
分割模块204,用于基于聚类结果,将所述第一分布地图进行分割,生成多个第二分布地图;其中,每个所述第二分布地图包含一个聚类。
第二生成模块205,用于将所述第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图。
确定模块206,用于从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图。
构建模块207,用于基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统10,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于神经网络的高压配电方法,其特征在于,所述方法包括:
获取待规划的目标区域的城市分布地图;
将所述城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图;
基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类;
基于聚类结果,将所述第一分布地图进行分割,生成多个第二分布地图;其中,每个所述第二分布地图包含一个聚类;
将所述第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图;
从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;
基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络。
2.根据权利要求1所述的基于神经网络的高压配电方法,其特征在于,所述基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类,包括:
在所述第一分布地图初始化K个城市锚点;
基于其他城市区域与所述K个城市锚点的距离,获取K个聚类;其中,每个所述聚类中的其他城市区域与该聚类中的锚点的距离小于每个所述聚类中的其他城市区域与其他锚点的距离;
获取所述K个聚类中的每个所述聚类的中心;并将获取的中心确定为目标锚点,得到K个目标锚点;
基于所述K个目标锚点,获取K个目标聚类;
获取所述K个目标聚类中的每个所述目标聚类的中心,直至所述目标聚类的中心与所述目标聚类的目标锚点相同时,得到所述第一分布地图中的各城市区域进行聚类的聚类结果。
3.根据权利要求1所述的基于神经网络的高压配电方法,其特征在于,通过如下步骤得到所述识别模型:
获取训练样本数据;其中,所述训练样本数据为包括城市区域以及非城市区域的多张样本训练地图,以及每张所述样本训练地图对应的标记好城市区域的样本比对真值图;
将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;
基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述识别模型。
4.根据权利要求1所述的基于神经网络的高压配电方法,其特征在于,通过如下步骤得到所述分类模型:
获取训练样本数据;其中,所述训练样本数据为包括根城市区域以及子城市区域的多张样本训练地图,以及每张所述样本训练地图对应的标记好根城市区域的样本比对真值图;
将所述样本训练地图输入至初始模型中,得到所述样本训练地图中的每个像素点为城市区域的概率值;
基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值,并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化,得到所述分类模型。
5.根据权利要求1所述的基于神经网络的高压配电方法,其特征在于,所述从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图,包括:
将所述第三分布地图中的根城市区域以及子城市区域的位置映射到位置矩阵中,获得城市分布矩阵;其中,所述城市分布矩阵中的2表示所述第三分布地图中的根城市区域的位置,所述城市分布矩阵中的1表示所述第三分布地图中的子城市区域的位置;所述城市分布矩阵中的0表示所述第三分布地图中的非城市区域的位置;
从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵;其中,所述数据库中预先存储有构建好的多个区域的分布地图,每个所述分布地图对应一个分布矩阵;其中,所述第一分布矩阵对应的分布地图即为所述目标分布地图。
6.根据权利要求5所述的基于神经网络的高压配电方法,其特征在于,所述从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵,包括:
将所述城市分布矩阵与所述数据库中的每个分布矩阵进行重合;
基于重合后相同的数字占整个矩阵中的占比确定出所述城市分布矩阵与所述数据库中的每个分布矩阵的相似度,并获取其中与所述城市分布矩阵相似度大于所述预设阈值的所述第一分布矩阵。
7.根据权利要求6所述的基于神经网络的高压配电方法,其特征在于,所述基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络,包括:
识别出所述目标分布地图的高压配电网络中的根城市区域以及与之连接的子城市区域;
根据矩阵对应关系,确定出所述目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,并生成所述目标区域的高压配电网络。
8.根据权利要求7所述的基于神经网络的高压配电方法,其特征在于,所述根据矩阵对应关系,确定出所述目标区域的城市分布地图中的根城市区域以及与之连接的子城市区域,并生成所述目标区域的高压配电网络,包括:
确定出所述城市分布矩阵与所述第一分布矩阵中相同位置的根城市区域以及子城市区域;并基于所述第一分布矩阵对应的所述目标分布地图的连接关系,将所述目标区域对应的相同位置的根城市区域以及子城市区域进行连接;
确定出所述城市分布矩阵与所述第一分布矩阵中不相同的子城市区域;并将所述目标区域中的不相同的子城市区域与最近的根城市区域进行连接,形成所述目标区域的高压配电网络。
9.一种基于神经网络的高压配电装置,其特征在于,所述装置包括:
获取模块,用于获取待规划的目标区域的城市分布地图;
第一生成模块,用于将所述城市分布地图输入至预先训练好的识别模型中,生成标记有城市区域的第一分布地图;
聚类模块,用于基于K均值聚类算法,将所述第一分布地图中的各城市区域进行聚类;
分割模块,用于基于聚类结果,将所述第一分布地图进行分割,生成多个第二分布地图;其中,每个所述第二分布地图包含一个聚类;
第二生成模块,用于将所述第二分布地图输入至预先训练好的分类模型中,生成标记有根城市区域的第三分布地图;
确定模块,用于从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中,获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图;
构建模块,用于基于所述目标分布地图中的高压配电网络,构建所述目标区域的高压配电网络。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394685.2A CN113128006A (zh) | 2021-04-13 | 2021-04-13 | 一种基于神经网络的高压配电方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394685.2A CN113128006A (zh) | 2021-04-13 | 2021-04-13 | 一种基于神经网络的高压配电方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128006A true CN113128006A (zh) | 2021-07-16 |
Family
ID=76776660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110394685.2A Withdrawn CN113128006A (zh) | 2021-04-13 | 2021-04-13 | 一种基于神经网络的高压配电方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128006A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792038A (zh) * | 2022-06-21 | 2022-07-26 | 深圳市联嘉祥科技股份有限公司 | 基于环境数据的电缆布局方法、装置、设备及存储介质 |
-
2021
- 2021-04-13 CN CN202110394685.2A patent/CN113128006A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792038A (zh) * | 2022-06-21 | 2022-07-26 | 深圳市联嘉祥科技股份有限公司 | 基于环境数据的电缆布局方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | An ensemble model for day-ahead electricity demand time series forecasting | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN112035645B (zh) | 数据查询方法以及系统 | |
CN116028838B (zh) | 一种基于聚类算法的能源数据处理方法、装置及终端设备 | |
CN112231416A (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
CN112686494A (zh) | 基于线损异常台区的数据拟合方法、装置及智能设备 | |
CN102496033B (zh) | 基于mr计算框架的图像sift特征匹配方法 | |
CN113128006A (zh) | 一种基于神经网络的高压配电方法及装置 | |
CN111932302B (zh) | 一种区域中业务站点数量的确定方法、装置、设备及系统 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN117592595A (zh) | 一种配电网负荷预测模型建立、预测方法及装置 | |
CN111382767B (zh) | 电力线点识别方法、装置、设备、计算机设备和存储介质 | |
CN111445525A (zh) | 相机安装位置的布局方法、装置、设备及存储介质 | |
CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
CN112003733B (zh) | 一种智慧园区物联网综合管理方法及管理平台 | |
CN114818890A (zh) | 一种光伏并网低压台区配电网自动拓扑识别方法 | |
CN113935140A (zh) | 风电场集电线路的路径规划方法、装置、电子设备及存储介质 | |
CN109447131B (zh) | 相似高维目标信息识别方法及系统 | |
CN113011512A (zh) | 基于rbf神经网络模型的交通生成预测方法及系统 | |
Parchitelli et al. | A pre-process clustering methods for the waste collection problem | |
CN113128007A (zh) | 一种目标区域城市的高压配电方法及装置 | |
CN116843704A (zh) | 一种孪生体智能配准与重构方法、装置、设备及介质 | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
CN117076467B (zh) | 基于ma体系的智慧城市标识方法、系统、设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |
|
WW01 | Invention patent application withdrawn after publication |