CN113344434B - 一种基于人工智能和大数据的变电站选址方法及系统 - Google Patents
一种基于人工智能和大数据的变电站选址方法及系统 Download PDFInfo
- Publication number
- CN113344434B CN113344434B CN202110725273.2A CN202110725273A CN113344434B CN 113344434 B CN113344434 B CN 113344434B CN 202110725273 A CN202110725273 A CN 202110725273A CN 113344434 B CN113344434 B CN 113344434B
- Authority
- CN
- China
- Prior art keywords
- substation
- site selection
- transformer substation
- power
- area
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000010187 selection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000004587 chromatography analysis Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 22
- 238000011161 development Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人工智能和大数据的变电站选址方法及系统，属于电力系统变电站选址领域。方法包括以下步骤：获取各用电区域之间的地形地貌信息，得到多个可供选择的变电站选址位置；获取各变电站选址位置对应的多种自然条件信息，利用层析分析算法计算各变电站选址位置对应的可接受程度；根据大数据统计获取各用电区域的特征信息，计算各用电区域对应的吸引力度；根据可接受程度和吸引力度，计算每种变电站供电方案对应的匹配度值；根据匹配度值大小，确定最终的变电站选址位置。本发明在确定变电站选址位置时考虑了每个用电区域的吸引力度，避免了只考虑变电站自身相关因素导致的供需不匹配等问题，提高了变电站选址方法的可靠性。
Description
技术领域
本发明涉及电力系统变电站选址领域，具体涉及一种基于人工智能和大数据的变电站选址方法及系统。
背景技术
电力系统中，需要把发电厂发出来的电能输送到较远的地方，为了减少电能输送过程中的功率损耗，通常做法是先把电压升高，变为高压电，到用电区域(指集中消耗电力的城市区域)附近再按需要把电压降低，这种升降电压的工作靠变电站来完成。对于其中实现将高压电进行降压的变电站，由于其需要进行变换的电压高，对应的用电区域规模大，且需要保证较高的可靠性，因此其包括的电力设备众多、占地面积较大，再加之变电站危险性高、噪声大，为了不能影响用电区域内居民的生活与发展，变电站往往建设在各用电区域之间，而不是建设在用电区域内。
在各用电区域之间进行变电站选址时，需要考虑的因素有很多，比如变电站候选位置的交通情况、施工条件、地形地质和对通信的干扰情况等；现有技术中在进行变电站选址时采用的方法通常是：将与变电站候选位置自身相关的因素作为需要考虑的因素，根据各因素的重要程度为各因素赋予一个对应的权重，然后利用加权求和公式求每个变电站候选位置对应的目标值，将目标值最大或较大的变电站候选位置作为最终选择的变电站选址位置。
上述方法的缺点在于：过多地关注或只关注变电站选址位置自身相关的因素，没有考虑或较少地考虑各用电区域对变电站的需求度，除了为各需要考虑的因素分配一个权重和利用加权求和公式计算以外，也不知晓如何将各用电区域对变电站的需求度与变电站选址方法有效地结合起来，使得最终选择出来的变电站位置往往供需不匹配，难以满足用电区域实际应用需求，可靠性较差。
发明内容
本发明的目的在于提供一种基于人工智能和大数据的变电站选址方法及系统，用于解决现有变电站选址方法存在的难以满足用电区域实际应用需求，可靠性较差的问题。
为了解决上述问题，本发明的一种基于人工智能和大数据的变电站选址方法的技术方案，包括以下步骤：
获取各用电区域之间的地形地貌信息，根据所述地形地貌信息得到多个可供选择的变电站选址位置；
获取各变电站选址位置对应的多种自然条件信息，将所述多种自然条件信息作为需要考虑的因素，利用层析分析算法计算各变电站选址位置对应的可接受程度；
根据大数据统计获取各用电区域的特征信息，根据所述特征信息，计算各用电区域对应的吸引力度；所述特征信息包括电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征中的至少一种；
根据所述各变电站选址位置对应的可接受程度和所述各用电区域对应的吸引力度，计算每种变电站供电方案对应的匹配度值，所述每种变电站供电方案中变电站选址位置的总个数与用电区域的总个数相同，一个变电站选址位置对应一个用电区域；
根据每种变电站供电方案对应的匹配度值大小，确定最终的变电站选址位置。
本发明还提供了一种基于人工智能和大数据的变电站选址系统的技术方案，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于人工智能和大数据的变电站选址方法。
上述检测方法和检测系统的有益效果是：本发明分别计算了每个用电区域的吸引力度和每个变电站选址位置对应的可接受程度，并基于此计算了每种供电方案对应的匹配度值，将匹配度值作为确定变电站选址位置的依据；本发明在确定变电站选址位置时考虑了每个用电区域的吸引力度，使得最终确定的变电站选址位置能够更好的满足用电区域的需求，避免了只考虑变电站自身相关因素导致的变电站选址位置不合理、供需不匹配等问题，提高了变电站选址方法的可靠性。
进一步地，计算每种变电站供电方案对应的匹配度值的方法包括：
计算某变电站供电方案k对应的匹配度值
其中，Qk表示该变电站供电方案k的匹配度值，(i，j)表示该变电站供电方案k中由第i个变电站向第j个用电区域供电，S为该变电站供电方案k对应的所有供电方式的集合，fi表示第i个变电站选址位置对应的可接受程度,gj为第j个用电区域对应的吸引力度，dij表示第i个变电站选址位置和第j个用电区域之间的距离。
进一步地，所述检测方法和检测系统中，确定最终的变电站选址位置的方法包括：按照每种变电站供电方案对应的匹配度值大小进行排序，将匹配度值最大的变电站供电方案中变电站的选址位置作为最终的变电站选址位置。
进一步地，确定最终的变电站选址位置的方法包括：
还根据每种变电站供电方案中各变电站的选址位置建立泰森多边形，得到多个多边形区域；
获取各多边形区域中待建设的发电站的预计发电量信息，根据各变电站对应的多边形区域的对应预计发电量信息，计算各变电站对应的分布合理性；
根据各变电站对应的分布合理性，计算每种变电站供电方案对应的变电站分布合理性；
根据每种变电站供电方案对应的匹配度值和变电站分布合理性，利用加权求和公式计算每种变电站供电方案对应的可接受程度；
按照每种变电站供电方案对应的可接受程度大小进行排序，将可接受程度最大或次大的变电站供电方案中变电站的选址位置作为最终的变电站选址位置；
所述计算各变电站对应的分布合理性的方法包括：计算某变电站x对应的分布合理性
其中，q(x)为变电站x的分布合理性，N为变电站x对应的多边形内的待建设或在规划中的发电站的总个数，f(x)为变电站x的可接受程度，g(n)为变电站x对应的多边形内第n个待建设的发电站的预计发电量，dxn为变电站x对应的多边形内第n个待建设的发电站与变电站x的距离。
进一步地，利用加权求和公式计算每种变电站供电方案对应的可接受程度时还考虑每种变电站供电方案对应的变电站建设投入成本。
进一步地，计算各变电站选址位置对应的可接受程度的方法包括以下步骤：
A：对所有的可供选择的变电站选址位置进行密度聚类，将包含两个以上变电站选址位置的各聚类结果分别记录为一个类别，将无法聚类的各变电站选址位置各记录为一个分散区域，
B：对于每一个类别，利用层次分析法获得每个类别中各变电站选址位置的可接受程度，将可接受程度最大的变电站选址位置作为该类别的代表区域，将其他变电站选址位置作为非代表区域；
C：对于所有类别对应的代表区域和所有分散区域，利用层次分析法得到每个区域对应的可接受程度；
D：将每个分散区域对应的可接受程度直接作为对应分散区域的可接受程度；将每个代表区域的可接受程度直接作为对应代表区域的可接受程度；将每个代表区域的可接受程度与非代表区域的相对可接受程度的乘积作为对应类别中对应非代表区域的可接受程度，所述非代表区域的相对可接受程度为步骤B中非代表区域与对应代表区域可接受程度的比值。
进一步地，所述特征信息包括电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征。
进一步地，计算各用电区域对应的吸引力度的方法包括：
根据大数据获得各用电区域的各特征信息的取值，计算各用电区域对第m个特征的关注程度
其中flm为根据大数据获得的第l个用电区域的第m个特征的取值，L为用电区域的总个数；
根据各用电区域对第m个特征的关注程度，计算不同用电区域对于第m个特征的差异程度
根据不同用电区域对于第m个特征的差异程度，计算第m个特征的权重
根据各特征信息对应的权重，计算各用电区域对电网建设的吸引力度
其中，Pl表示第l个用电区域对电网建设的吸引力度，M表示每个用电区域包含的特征信息的个数。
进一步地，所述多种自然条件信息包括水文条件、生态条件和自然灾害信息。
附图说明
图1是本发明的基于人工智能和大数据的变电站选址方法实施例1的基于人工智能和大数据的变电站选址方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
基于人工智能和大数据的变电站选址方法实施例1
如图1所示，本实施例的基于人工智能和大数据的变电站选址方法包括以下步骤：
1)获取各用电区域之间的地形地貌信息，根据所述地形地貌信息得到多个可供选择的变电站选址位置；
本实施例中利用无人机搭载激光雷达和相机采集不同用电区域之间的三维地理信息，三维地理信息包括地面的三维点云和地形地貌，将相机采集的图像和激光雷达采集的对应点云数据输入到DNN网络，即可获取适合的选址位置的集合Z。
本实施例主要是参考每个位置的地形地貌信息，例如地势是否平坦、有没有河或湖波，村庄等，具体方法是：获取每幅图像以及每幅图像上每个像素点对应的点云数据的三维坐标，这些点云数据的三维坐标构成一个点云分布矩阵，将图像和点云分布矩阵输入DNN网络中，输入一些关键点，这些关键点就表示图像上的选址位置。本实施例通过采集大量的地形地貌图像和对应的点云数据，通过人为的打标签获得数据集，利用交叉熵损失函数和随机梯度下降算法更新DNN网络的参数，进而实现对网络的训练，使得DNN网络学习获得地势的平坦特征、河流湖泊特征、建筑和农田分布特征等，进而使得DNN网络能够获取合适的变电站选址位置。
2)获取各变电站选址位置对应的多种自然条件信息，将所述多种自然条件信息作为需要考虑的因素，利用层析分析算法计算各变电站选址位置对应的可接受程度；
本实施例在计算各变电站选址位置对应的可接受程度时，将多种自然条件信息，如水文条件、生态条件和自然灾害信息等作为利用层次分析法计算各变电站选址位置对应的可接受程度时需要考虑的因素，也即通过衡量各变电站选址位置对应的水文条件、生态条件和自然灾害因素来评估各变电站选址位置是否能够被接收以及被接收到程度有多少。
为了防止可供选择的变电站选址位置集合Z个数过多，使得计算量庞大且准确率低，本实施例通过局部叠加层次分析算法获得集合A中每个变电站选址位置对应的可接受程度。具体方法为：
A.将获取的所有变电站选址位置集合Z进行密度聚类，将包含两个以上变电站选址位置的各聚类结果分别记录为一个类别，将一些由于分布不集中而无法聚类的各变电站选址位置各记录为一个分散区域；
B.对每个类别中的选址位置进行层次分析，获得每个类别中每个选址位置的可接受程度；获取类别中可接受程度最大的变电站选址位置，将该选址位置称为类别的代表区域，将其它选址位置成为该类别的非代表区域；
C.获取所有类别对应的代表区域以及所有的分散区域，对这些代表区域和分散区域进行层次分析，获得这些代表区域和分散区域的可接受程度；
D.将每个分散区域对应的可接受程度直接作为对应分散区域的可接受程度；将每个代表区域的可接受程度直接作为对应代表区域的可接受程度；将每个代表区域的可接受程度与非代表区域的相对可接受程度的乘积作为对应类别中对应非代表区域的可接受程度，非代表区域的相对可接受程度为步骤B中非代表区域与对应代表区域可接受程度的比值。
3)根据大数据统计获取各用电区域的特征信息，根据所述特征信息，计算各用电区域对应的吸引力度，计算方法为：
根据大数据获得各用电区域的各特征信息的取值，计算各用电区域对第m个特征的关注程度
其中flm为根据大数据获得的第l个用电区域的第m个特征的取值，L为用电区域的总个数；
根据各用电区域对第m个特征的关注程度，计算不同用电区域对于第m个特征的差异程度
根据不同用电区域对于第m个特征的差异程度，计算第m个特征的权重
根据各特征信息对应的权重，计算各用电区域对电网建设的吸引力度
其中，Pl表示第l个用电区域对电网建设的吸引力度，M表示每个用电区域包含的特征信息的个数。
本实施例根据大数据获取的各用电区域的特征信息包括电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征，其中，
对于电网负载压力特征，获取每个用电区域中不同位置的最近一年的平均用电量，每个用电区域所有位置的平均用电量之和视为用电区域的电网负载压力特征。该特征用于表征每个用电区域的用电量，该值越大，说明需要为对应用电区域提供的电力就越多，说明越需要为该用电区域进行变电站的选址与供电，即该用电区域对电网建设的吸引力度就越大；
对于电网数字化程度特征，获取每个用电区域内的供电电网上与电力数据有关的数字仪器仪表和设备的投入成本(例如数字智能终端、信号采集设备、网络通信设备、智能传感器、视频图像采集设备等)，该投入成本称为用电区域的电网数字化程度特征。该值越大说明对应用电区域的电网的数字化或智能化建设能力越强、规模越大、潜力越大，对电网建设的吸引力度就越大；
对于区域电网故障特征，获取每个用电区域内供电电网平均每季度发生电力故障的次数(停电、设备烧毁等)与平均每个月处理故障的用时的比值，该比值称为区域电网故障特征，其值越大说明对应用电区域对电力故障处理能力越强，对电网建设的吸引力度就越大；
对于区域经济发展特征，获取近5年来每年的平均用电量，获取5年内平均用电量的增长幅度，该增长幅度称为区域经济发展特征，该值越大说明对应用电区域的用电需求量增长的越快，经济发展和区域建设越快，对电网建设的吸引力度就越大。
本实施例利用用电区域的电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征来计算每个用电区域对电网建设的吸引力度。所谓的吸引力度是指用电区域对电网建设的需求程度，或者说对电网建设的期望值，电网负载压力特征、电网数字化程度特征、区域电网故障特征、和区域经济发展特征对应的值越大，对电网建设的需求程度就越大，即对电网建设的吸引力度就越大。
根据上述计算方法可以依次计算出各用电区域对电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征的关注程度Flm、不同区域对这四个特征的差异程度Hm、各特征对应的权重wm和各用电区域对电网建设的吸引力度Pl。
4)根据各变电站选址位置对应的可接受程度和各用电区域对应的吸引力度，计算每种变电站供电方案对应的匹配度值；
本实施例考虑一个变电站为一个用电区域供电的情况，因此选择建设的变电站的总个数与用电区域的总个数相同。将集合Z中各可供选择的变电站选址位置对应的可接受程度与设定阈值进行比较，剔除掉集合Z中可接受程度小于设定阈值的变电站选址位置，得到集合Y，从集合Y中任选L个变电站选址位置作为想要选择的变电站选址位置，以选择的这L个变电站选址位置为基础，计算每种供电方式对应的匹配度，不同供电方式中同一变电站选址位置对应不同的用电区域；由此，总共可以得到
种供电方案，每种供电方案既包括L个变电站选址位置，也包括这L个变电站选址位置与各用电区域之间的供电关系，供电关系用于描述哪一个变电站选址位置为哪一个用电区域供电。
对于这
种供电方案，计算每种供电方案对应的匹配度值的方法包括：
计算某变电站供电方案k对应的匹配度值
其中，Qk表示该变电站供电方案k的匹配度值，(i，j)表示该变电站供电方案k中由第i个变电站向第j个用电区域供电，S为该变电站供电方案k对应的所有供电方式的集合，fi表示第i个变电站选址位置对应的可接受程度,gj为第j个用电区域对应的吸引力度，dij表示第i个变电站选址位置和第j个用电区域之间的距离。
5)根据每种变电站供电方案对应的匹配度值大小，确定最终的变电站选址位置；
本实施例按照每种变电站供电方案对应的匹配度值大小进行排序，将匹配度值最大的变电站供电方案中变电站的选址位置作为最终的变电站选址位置，以及按照匹配度值最大的变电站供电方案中各变电站选址位置与各用电区域的供电方式来供电。
基于人工智能和大数据的变电站选址方法实施例2
本实施例与基于人工智能和大数据的变电站选址方法实施例1的区别仅在于：本实施例除了考虑每种变电站供电方案对应的匹配度值之外，还考虑了各变电站选址位置对应的分布合理性，也即本实施例还根据各变电站选址位置对应的分布合理性来确定最终的变电站选址位置，具体为：
本实施例根据每种变电站供电方案中各变电站的选址位置建立泰森多边形，得到多个多边形区域；
获取各多边形区域中待建设的发电站的预计发电量信息，根据各变电站对应的多边形区域的对应预计发电量信息，计算各变电站对应的分布合理性；
本实施例认为某一多边形区域对应的预计发电量越大，那么将该多边形区域内的发电站并网建设的必要性就越大，在其附近建立变电站的合理性就高；若某一多边形区域对应的预计发电量较小，那么将该多边形区域内的发电站并网建设的必要性就较低，在其附近建立变电站的合理性就较低。
本实施例计算各变电站对应的分布合理性的方法包括：计算某变电站x对应的分布合理性
其中，q(x)为变电站x的分布合理性，N为变电站x对应的多边形内的待建设的发电站的总个数，f(x)为变电站x的可接受程度，g(n)为变电站x对应的多边形内第n个待建设的发电站的预计发电量，dxn为变电站x对应的多边形内第n个待建设的发电站与变电站x的距离；
根据各变电站对应的分布合理性，计算每种变电站供电方案对应的变电站分布合理性；
本实施例通过求各变电站供电方案中对应的L个变电站的分布合理性之和的方式计算各变电站供电方案对应的分布合理性。
根据每种变电站供电方案对应的匹配度值和变电站分布合理性，利用加权求和公式计算每种变电站供电方案对应的可接受程度；
本实施例利用加权求和公式进行计算时，通过与实施例1中计算权重wm类似的方法分别求匹配度对应的权重和变电站分布合理性对应的权重，具体计算过程此处不再赘述；当然，作为其它实施方式，也可以为匹配度和变电站分布合理性分别分配一个权重。
按照每种变电站供电方案对应的可接受程度大小进行排序，将可接受程度最大或次大的变电站供电方案中变电站的选址位置作为最终的变电站选址位置。
本实施例根据每种变电站供电方案对应的匹配度值和变电站分布合理性确定了最终变电站的选址位置，作为其它实施方式，还将每种变电站供电方案对应的变电站建设投入成本因素考虑在内，具体是在计算每种变电站供电方案对应的可接受程度时也为投入成本的负指数次方分配一个权重，然后利用加权求和进行计算。
基于人工智能和大数据的变电站选址系统实施例
本实施例的基于人工智能和大数据的变电站选址系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于人工智能和大数据的变电站选址方法实施例所描述的基于人工智能和大数据的变电站选址方法。
由于基于人工智能和大数据的变电站选址方法实施例中已经对基于人工智能和大数据的变电站选址方法进行了说明，此处就不再赘述。
需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (6)
1.一种基于人工智能和大数据的变电站选址方法，其特征在于，包括以下步骤：
利用无人机搭载激光雷达和相机采集不同用电区域之间的三维地理信息，三维地理信息包括地面的三维点云和地形地貌，将相机采集的图像和激光雷达采集的对应点云数据输入到DNN网络，得到多个可供选择的变电站选址位置；
获取各变电站选址位置对应的多种自然条件信息，将所述多种自然条件信息作为需要考虑的因素，利用层析分析算法计算各变电站选址位置对应的可接受程度；
根据大数据统计获取各用电区域的特征信息，根据所述特征信息，计算各用电区域对应的吸引力度；所述特征信息包括电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征中的至少一种；其中，计算各用电区域对应的吸引力度的方法包括：根据大数据获得各用电区域的各特征信息的取值，计算各用电区域对第m个特征的关注程度
；其中
为根据大数据获得的第
个用电区域的第m个特征的取值，L为用电区域的总个数根据各用电区域对第m个特征的关注程度，计算不同用电区域对于第m个特征的差异程度
；根据不同用电区域对于第m个特征的差异程度，计算第m个特征的权重
；根据各特征信息对应的权重，计算各用电区域对电网建设的吸引力度
，其中，
用电区域对电网建设的吸引力度，M表示每个用电区域包含的特征信息的个数；
根据所述各变电站选址位置对应的可接受程度和所述各用电区域对应的吸引力度，计算每种变电站供电方案对应的匹配度值，所述每种变电站供电方案中变电站选址位置的总个数与用电区域的总个数相同，一个变电站选址位置对应一个用电区域；其中，计算每种变电站供电方案对应的匹配度值的方法包括：计算某变电站供电方案k对应的匹配度值Qk=
；其中，Qk表示该变电站供电方案k的匹配度值，
表示该变电站供电方案k中由第i个变电站向第j个用电区域供电，S为该变电站供电方案k对应的所有供电方式的集合，
表示第i个变电站选址位置对应的可接受程度,
为第j个用电区域对应的吸引力度，
表示第i个变电站选址位置和第j个用电区域之间的距离；
根据每种变电站供电方案对应的匹配度值大小，确定最终的变电站选址位置：根据每种变电站供电方案中各变电站的选址位置建立泰森多边形，得到多个多边形区域；获取各多边形区域中待建设的发电站的预计发电量信息，根据各变电站对应的多边形区域的对应预计发电量信息，计算各变电站对应的分布合理性；根据各变电站对应的分布合理性，计算每种变电站供电方案对应的变电站分布合理性；根据每种变电站供电方案对应的匹配度值和变电站分布合理性，利用加权求和公式计算每种变电站供电方案对应的可接受程度；按照每种变电站供电方案对应的可接受程度大小进行排序，将可接受程度最大或次大的变电站供电方案中变电站的选址位置作为最终的变电站选址位置；所述计算各变电站对应的分布合理性的方法包括：计算某变电站x对应的分布合理性q(x)=
，其中，q(x)为变电站x的分布合理性，N为变电站x对应的多边形内的待建设的发电站的总个数，
为变电站x对应的多边形内第n个待建设的发电站的预计发电量，
为变电站x对应的多边形内第n个待建设的发电站与变电站x的距离。
2.根据权利要求1所述的基于人工智能和大数据的变电站选址方法，其特征在于，确定最终的变电站选址位置的方法包括：按照每种变电站供电方案对应的匹配度值大小进行排序，将匹配度值最大的变电站供电方案中变电站的选址位置作为最终的变电站选址位置。
3.根据权利要求1所述的基于人工智能和大数据的变电站选址方法，其特征在于，利用加权求和公式计算每种变电站供电方案对应的可接受程度时还考虑每种变电站供电方案对应的变电站建设投入成本。
4.根据权利要求1所述的基于人工智能和大数据的变电站选址方法，其特征在于，计算各变电站选址位置对应的可接受程度的方法包括以下步骤：
A：对所有的可供选择的变电站选址位置进行密度聚类，将包含两个以上变电站选址位置的各聚类结果分别记录为一个类别，将无法聚类的各变电站选址位置各记录为一个分散区域，
B：对于每一个类别，利用层次分析法获得每个类别中各变电站选址位置的可接受程度，将可接受程度最大的变电站选址位置作为该类别的代表区域，将其他变电站选址位置作为非代表区域；
C：对于所有类别对应的代表区域和所有分散区域，利用层次分析法得到每个区域对应的可接受程度；
D：将每个分散区域对应的可接受程度直接作为对应分散区域的可接受程度；将每个代表区域的可接受程度直接作为对应代表区域的可接受程度；将每个代表区域的可接受程度与非代表区域的相对可接受程度的乘积作为对应类别中对应非代表区域的可接受程度，所述非代表区域的相对可接受程度为步骤B中非代表区域与对应代表区域可接受程度的比值。
5.根据权利要求1所述的基于人工智能和大数据的变电站选址方法，其特征在于，所述特征信息包括电网负载压力特征、电网数字化程度特征、区域电网故障特征和区域经济发展特征。
6.一种基于人工智能和大数据的变电站选址系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-5任一项所述的基于人工智能和大数据的变电站选址方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110725273.2A CN113344434B (zh) | 2021-06-29 | 2021-06-29 | 一种基于人工智能和大数据的变电站选址方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110725273.2A CN113344434B (zh) | 2021-06-29 | 2021-06-29 | 一种基于人工智能和大数据的变电站选址方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344434A CN113344434A (zh) | 2021-09-03 |
| CN113344434B true CN113344434B (zh) | 2022-09-23 |
Family
ID=77481240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110725273.2A Active CN113344434B (zh) | 2021-06-29 | 2021-06-29 | 一种基于人工智能和大数据的变电站选址方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344434B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116069891B (zh) * | 2023-03-15 | 2023-06-20 | 北京东方广厦模块化房屋有限公司 | 一种装配式建筑建设选址分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820954A (zh) * | 2015-05-19 | 2015-08-05 | 广东电网有限责任公司惠州供电局 | 110kV变电站站址选择方法和系统 |
| CN107909203A (zh) * | 2017-11-14 | 2018-04-13 | 南方电网科学研究院有限责任公司 | 一种考虑地理信息的多变电站选址优化方法与系统 |
| CN109409699A (zh) * | 2018-10-10 | 2019-03-01 | 国网重庆市电力公司 | 一种电改环境下中压配网精准投资规划方法 |
| CN109658510A (zh) * | 2018-12-10 | 2019-04-19 | 中国电建集团江西省电力设计院有限公司 | 变电站选址的方法、装置和服务器 |
| CN110084520A (zh) * | 2019-04-30 | 2019-08-02 | 国网上海市电力公司 | 基于公交线路与网格化ap算法的充电站选址方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102368610B (zh) * | 2011-09-22 | 2013-06-19 | 天津大学 | 一种基于配电系统安全域的评价方法 |
-
2021
- 2021-06-29 CN CN202110725273.2A patent/CN113344434B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820954A (zh) * | 2015-05-19 | 2015-08-05 | 广东电网有限责任公司惠州供电局 | 110kV变电站站址选择方法和系统 |
| CN107909203A (zh) * | 2017-11-14 | 2018-04-13 | 南方电网科学研究院有限责任公司 | 一种考虑地理信息的多变电站选址优化方法与系统 |
| CN109409699A (zh) * | 2018-10-10 | 2019-03-01 | 国网重庆市电力公司 | 一种电改环境下中压配网精准投资规划方法 |
| CN109658510A (zh) * | 2018-12-10 | 2019-04-19 | 中国电建集团江西省电力设计院有限公司 | 变电站选址的方法、装置和服务器 |
| CN110084520A (zh) * | 2019-04-30 | 2019-08-02 | 国网上海市电力公司 | 基于公交线路与网格化ap算法的充电站选址方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GIS和可拓综合优度评价的变电站选址;饶顺斌;《云南电力技术》;20180228;第46卷(第1期);第32页-第34页 * |
| 基于多条件约束的变电站自动化选址方法研究;郭瑾程等;《地理空间信息》;20201031;第18卷(第10期);第37页-40页及第45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344434A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461291B (zh) | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 | |
| Pierro et al. | Data-driven upscaling methods for regional photovoltaic power estimation and forecast using satellite and numerical weather prediction data | |
| Tingzon et al. | Mapping poverty in the Philippines using machine learning, satellite imagery, and crowd-sourced geospatial information | |
| Shin et al. | Heterogeneous mixture distributions for modeling wind speed, application to the UAE | |
| Fan et al. | Temporal and spatial change detecting (1998–2003) and predicting of land use and land cover in Core corridor of Pearl River Delta (China) by using TM and ETM+ images | |
| CN110738252A (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
| CN105787501B (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
| Su et al. | Simulation of a forest-grass ecological network in a typical desert oasis based on multiple scenes | |
| CN109190161B (zh) | 基于斑块元胞自动机和港口城市规划的港城发展模拟方法 | |
| CN112700104B (zh) | 一种基于多模态分类的震区滑坡易发性评价方法 | |
| CN113505842A (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
| CN113344434B (zh) | 一种基于人工智能和大数据的变电站选址方法及系统 | |
| CN111061897B (zh) | 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 | |
| Guo et al. | Monitoring and simulation of dynamic spatiotemporal land use/cover changes | |
| Sampath et al. | Estimation of rooftop solar energy generation using Satellite Image Segmentation | |
| CN114137358B (zh) | 一种基于图卷积神经网络的输电线路故障诊断方法 | |
| Lai et al. | Sub-region division based short-term regional distributed PV power forecasting method considering spatio-temporal correlations | |
| Tiancheng et al. | Application of improved naive bayesian-CNN classification algorithm in sandstorm prediction in inner mongolia | |
| JP2023535438A (ja) | 最適な合成電力ネットワークを活用した自然災害に対する空間的な電力供給停止時間の推定 | |
| CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
| CN110866693A (zh) | 一种基于gis模型的架空输电线路覆冰风险评估方法 | |
| CN116205520A (zh) | 电网数字化管理指标体系的预警方法、系统及应用 | |
| CN112862921B (zh) | 一种电网分布图像绘制方法 | |
| Zhang et al. | Graph Neural Network Based Short-Term Solar Irradiance Forcasting Model Considering Surrounding Meteorological Factors | |
| Rathnayake et al. | Performance of neural networks in forecasting short range occurrence of rainfall |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |