CN114418215A - 一种基于人工智能的智慧城市输电线路规划方法 - Google Patents
一种基于人工智能的智慧城市输电线路规划方法 Download PDFInfo
- Publication number
- CN114418215A CN114418215A CN202210059746.4A CN202210059746A CN114418215A CN 114418215 A CN114418215 A CN 114418215A CN 202210059746 A CN202210059746 A CN 202210059746A CN 114418215 A CN114418215 A CN 114418215A
- Authority
- CN
- China
- Prior art keywords
- cell
- power transmission
- transmission line
- line
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims description 108
- 239000003016 pheromone Substances 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000010307 cell transformation Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000001413 cellular effect Effects 0.000 claims description 5
- 229910052742 iron Inorganic materials 0.000 claims description 5
- 230000009028 cell transition Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- UQHKFADEQIVWID-UHFFFAOYSA-N cytokinin Natural products C1=NC=2C(NCC=C(CO)C)=NC=NC=2N1C1CC(O)C(CO)O1 UQHKFADEQIVWID-UHFFFAOYSA-N 0.000 claims description 3
- 239000004062 cytokinin Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010187 selection method Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的智慧城市输电线路规划方法，涉及线路规划技术领域。该方法首先由地理信息系统(GIS)平台获取规划区域的地理信息，依据国家电网公司输变电工程典型造价110kV输电线路分册典型设计方案造价和智慧城市规划区地方文件，获得该区的网格化。评估每个网格的成本值，利用蚁群算法搜索智慧城市中的最优输电线路路线，实现线路路径的拐点数量、极点数量明显减少，解决传统的人工选线方法和Dijkstra算法在寻找符合成本效益、施工方便、运行稳定、符合国家政策要求的最佳路线问题上算力不足、搜索时间过长、容易陷入局部最优等问题，具有更低的成本值。
Description
技术领域
本发明涉及线路规划技术领域，具体为一种基于人工智能的智慧城市输电线路规划方法。
背景技术
随着我国城市发展迅速，一些地区的“城市病”越来越多，问题愈发突出。智慧城市建设可有效解决现代城市的发展问题，随着智慧城市的发展，对输电系统的骨干电力线路进行科学合理规划显得尤为重要。输电线路路径优化不仅影响电网的整体规划，还影响电力系统能否继续协调稳定运行。输电线路承担着输送电能的任务，是电网的重要组成部分。输电线路设计规划是一项工程浩大、建设成本高、周期长、条件严苛的工程，包括电气设计、基础设计、路径选择、绝缘配合设计、接地设计、各类塔架设计等。输电线路路径选择是重点，会直接影响后续的设计工作，对输入成本和整体有效性的影响较大。
传统的人工选线方法和Dijkstra算法在寻找符合成本效益、施工方便、运行稳定、符合国家政策要求的最佳路线问题上存在算力不足、搜索时间过长、容易陷入局部最优等缺点。
于是，本发明提出一种基于人工智能的智慧城市输电线路规划方法，以期解决目前输电线路规划的局限性，达到实用价值性的目的。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于人工智能的智慧城市输电线路规划方法，解决了现有的智慧城市输电线路规划算法单一、搜索时间过长、易陷入局部最优等问题，并对智慧城市输电线路规划结果的主要经济技术指标评价。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于人工智能的智慧城市输电线路规划方法，具体算法原理包括以下步骤：
步骤1：由BP神经网络得到成本值矩阵，将影响输电线路的地理要素转化为可测值，计算所有要素的综合效果值，用于输电线路路径的规划计算；
步骤2：将构成智慧城市规划区地图路线的主要单元格记为标记点，从起点到终点依次连接标记点，得到路线规划；
步骤3：利用蚁群算法的信息更新机制解决寻路问题，辅助寻路绕过障碍物，获得智慧城市输电线路路径的最优解。
进一步的，步骤1所述的由BP神经网络得到成本值矩阵，将影响输电线路的地理要素转化为可测值，计算所有要素的综合效果值，用于输电线路路径的规划计算，具体步骤如下：
步骤1.1：将地图单元进行分类；
根据规划区域内地理信息因素的制约强度，将研究范围内的区域分为A、B、C三类。A类指线路可以穿线、架塔的区域，主要是雪峰山、南岭山高海拔冰雪覆盖区、植被密集区、人口密集区、林场等；B类指线路可通过，禁止架设铁塔的区域，主要是河流、湖泊、地质灾害带、省道、县道以及乡道等；C类指线路既不能穿过、也不能架设铁塔，主要是县域规划区、微波通信塔等。
步骤1.2：估计区域成本值；
将不同地理条件下的线路作为网络初始节点参考值，利用BP神经网络算法模拟不同地理条件下线路的实际成本。各种因素对成本值的影响是非线性的，采用三层BP神经网络函数进行拟合逼近。
由于网络的输出层有多个输出节点，需要对输出层的每个输出节点的差的平方进行求和，每个训练示例的损失函数如公式(1)所示：
其中，sk是k神经元的期望输出，ok是k神经元的实际输出，w是权重。根据损耗函数调整输出节点中的输入权重向量，然后从后到前逐层调整权重。对元单元成本的每次培训执行以下操作：
根据示例的输入，从前到后进行计算，得到输出层每个单元的输出。然后从输出层向后计算每层每个单元的误差项。
对于输出层的每个单位k，计算其误差项：
δk＝ok(1-ok)(sk-ok) (2)
对于网络中的每个隐藏单元h，计算其误差项：
d)更新每个权重：
wji＝wji+ηδjuji (4)
Δwji＝ηδjuji称为权重更新规则。
uji是从节i到节点j的输入，wji表示相应的权重。outputs表示输出层中的单元节点集。
进一步的，步骤2所述的将构成智慧城市规划区地图路线的主要单元格记为标记点，从起点到终点依次连接标记点，得到路线规划，具体如下：
利用GIS(地理信息系统)平台整合智慧城市规划区地图数据，GIS软件根据地图显示环境设置网格大小，将原始矢量类型的地理信息转化为相应的栅格数据，然后对涉及的地理信息排序合并，利用BP神经网络获得单元格成本值，记录不同网格的坐标。单元格的属性信息包括：位置坐标字段R(x,y)、单元格类型(A、B、C)、单元格成本值c。区域坐标位置代表区域在智慧城市规划图上的空间位置。单元类型表示智慧城市规划图可以形成线单元，不能形成线单元，不能交叉单元。单元成本值表示通过某个单元的线路的成本值。
进一步的，步骤3所述的利用蚁群算法的信息更新机制解决寻路问题，辅助寻路绕过障碍物，获得智慧城市输电线路路径的最优解，具体步骤如下：
步骤3.1：采用元胞自动机作为输电线路路径选择模型，将点连成一条线得到搜索模型：
在地图上将构成路线的主要单元格标记为标记点，从起点开始依次连接标记点，搜索到终点时结束，得到一条传输路径。通过区域转换规则，确定元胞自动机的演化过程。将智慧城市规划区内的区域设置为三种状态，初始状态为“0”，用于表示该区域不属于线标点，不属于线相交的单元格。如果某个单元格在某个时间被明确标记为单元格，则必须将状态更改为“1”。如果是线路上的区域状态变为“2”，最后根据“1”和“2”区域明确规划路线。
步骤3.2：利用蚁群算法的信息素机制，在路径搜索中避开障碍物，解决输电线路路径搜索问题，获得最优结果：
在细胞转化概率中，信息素控制系数用m表示，得到浓度矩阵。mxy是每个细胞的信息素浓度。
a.初始值相同，随着进程的更新，操作完成后，线上信息素浓度的增幅为Δm。用σ表示信息素挥发系数，更新信息素矩阵m'xy＝(1-σ)mxy，然后计算下一组。单元格控制系数越高，转化概率越大。
p(x,y)为单元格的变换概率，a、b、c表示方向、成本和信息控制系数，对应的控制权分别为α、β、γ。则相邻单元格转换概率为：
最终，只有一个相邻单元格可成功转换，标准化每个相邻单元格的转换概率：
当所有相邻单元格均有转换概率时，使用轮盘赌，从相邻单元格中任意选择下一个转换单元格。确定过程为:在区间[0,1]内生成一个随机数，如果满足式(7)，则为下一个格点位置。
b.信息素更新:信息素浓度是蚁群算法路径搜索的关键启发式因素之一。每次搜索得到一条可行路径后，需要更新路径细胞的信息素浓度。同时，为了避免多个搜索结果中积累的信息素浓度过高导致路径早熟，需要引入信息素挥发系数。细胞信息素浓度的最终更新公式如下:
mxy′＝(1-σ)(mxy+Δm) (8)
式中m为信息素对细胞转化概率的控制系数；mxy是细胞更新前的信息素浓度；mxy′为细胞更新后的信息素浓度；Δm是细胞信息素浓度的增加量；Δm＝λ/z,Z为路径的总成本，λ为修正系数。
所述一种基于人工智能的智慧城市输电线路规划方法，考虑输电线路经过的区域较多，为保证搜索更准确，对规划的覆盖区域采用分段处理，对传输电缆路径进行优化，线路必须经过的重要点可以在地图上的起点和终点之间正确标记。起点和终点之间形成的区域是详细分析区域。利用每个区域路径的自动搜索，得到整合后的最终路径结果。具体步骤如下：
步骤一：智慧城市规划的区域地理信息按照网格形式划分，每个网格是一个单元格。根据网格的地理信息约束，被划分的单元有三种类型：第一种可以通过线路，可以建立塔单元；第二种通过线路，不能建立塔单元；第三种不能通过线路，不能建立塔单元。其中，网络区域包括县域规划区、高海拔重复冰区、人口密集住宅区、河流湖泊等，线形为电力线；
步骤二：由BP神经网络得到最终值矩阵，对每个网格的信息素值初始化设置；
步骤三：确定起点和终点的网格位置以及杆塔架设距离；
步骤四：确定相邻区域。相邻区域必须符合以下条件：满足设定的塔间距离；成为第一种类型的单元格；不是已竖立线路的单元格；横穿线路的单元格不是已竖立的线路单元格；
步骤五：从相邻的单元格中任意选择变换单元格，按照变换率进行规则处理。转换概率由单元格成本值、信息素值和线角值组成。成本值低、信息素浓度高、线转角小的细胞转化概率高，反之，转化概率小；
步骤六：重复步骤四至步骤五，直至搜索到单元格的末尾。连接所有变换后的单元格，生成一条传输路径，计算单元格成本值；
步骤七：对比上次搜索的累积单元格成本值，取较低成本值对应的路径。重复步骤四至步骤七，计算次数；
步骤八：更新预留方案的区域信息素值，重复步骤四至步骤八至指定计算次数，得到最终方案。记录最终解决方案单元格和对应路径。
(三)有益效果
本发明提供了一种基于人工智能的智慧城市输电线路规划方法，具备以下有益效果：
该方法首先由地理信息系统(GIS)平台获取规划区域的地理信息，依据国家电网公司输变电工程典型造价110kV输电线路分册典型设计方案造价和智慧城市规划区地方文件，获得该区的网格化。评估每个网格的成本值，利用蚁群算法搜索智慧城市中的最优输电线路路线，实现线路路径的拐点数量、极点数量明显减少，解决传统的人工选线方法和Dijkstra算法在寻找符合成本效益、施工方便、运行稳定、符合国家政策要求的最佳路线问题上算力不足、搜索时间过长、容易陷入局部最优等问题，具有更低的成本值。
附图说明
图1为本发明的三层神经网络算法示意图。
图2为本发明的基于人工智能的智慧城市输电线路规划方法流程图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：实现本发明方案效果的基本步骤
一种基于人工智能的智慧城市输电线路规划方法，具体方法原理包括以下步骤：
步骤1：由BP神经网络得到成本值矩阵，将影响输电线路的地理要素转化为可测值，计算所有要素的综合效果值，用于输电线路路径的规划计算；
步骤2：将构成智慧城市规划区地图路线的主要单元格记为标记点，从起点到终点依次连接标记点，得到路线规划；
步骤3：利用蚁群算法的信息更新机制解决寻路问题，辅助寻路绕过障碍物，获得智慧城市输电线路路径的最优解。
实施例2：计算所有要素的综合效果值，用于输电线路路径的规划计算；
在实施例1的基础上，步骤1所述的由BP神经网络得到成本值矩阵，将影响输电线路的地理要素转化为可测值，计算所有要素的综合效果值，用于输电线路路径的规划计算，具体步骤如下：
步骤1.1：将地图单元进行分类；
根据规划区域内地理信息因素的制约强度，将研究范围内的区域分为A、B、C三类。A类指线路可以穿线、架塔的区域，主要是雪峰山、南岭山高海拔冰雪覆盖区、植被密集区、人口密集区、林场等；B类指线路可通过，禁止架设铁塔的区域，主要是河流、湖泊、地质灾害带、省道、县道以及乡道等；C类指线路既不能穿过、也不能架设铁塔，主要是县域规划区、微波通信塔等。
步骤1.2：估计区域成本值；
将不同地理条件下的线路作为网络初始节点参考值，利用BP神经网络算法模拟不同地理条件下线路的实际成本。各种因素对成本值的影响是非线性的，采用三层BP神经网络函数进行拟合逼近。
由于网络的输出层有多个输出节点，需要对输出层的每个输出节点的差的平方进行求和，每个训练示例的损失函数如公式(1)所示：
其中，sk是k神经元的期望输出，ok是k神经元的实际输出，w是权重。根据损耗函数调整输出节点中的输入权重向量，然后从后到前逐层调整权重。对元单元成本的每次培训执行以下操作：
根据示例的输入，从前到后进行计算，得到输出层每个单元的输出。然后从输出层向后计算每层每个单元的误差项。
对于输出层的每个单位k，计算其误差项：
δk＝ok(1-ok)(sk-ok) (2)
对于网络中的每个隐藏单元h，计算其误差项：
d)更新每个权重：
wji＝wji+ηδjuji (4)
Δwji＝ηδjuji称为权重更新规则。
uji是从节i到节点j的输入，wji表示相应的权重。outputs表示输出层中的单元节点集。
本发明规划区域为中国某处110kV输电线路，属中国第三气象区。最大风速25m/s，最大冰盖为5mm。参照国家电网公司输变电工程典型造价：2006年110kV输变电线路体量不同地形条件下线路单位长度综合造价，如表1所示。
表1不同地形条件下单位长度综合成本
输入表1的样本，训练中间层神经网络。对智慧城市规划区域处理后，得到各区域的地理条件，通过BP神经网络对区域的地理条件拟合，得到区域成本值矩阵。对位于道路、输电设施、住宅等区域的地区给予额外的特殊穿越和征地成本，如表2所示，形成智慧城市规划中所有区域的成本替代值矩阵。
表2规划区域当地档案中的专项费用
| 费用项目 | 收费标准/(万元/km) |
| 工地征用及清理费 | 5.0 |
| 大于110kV | 1.5 |
| 跨越35kV | 0.9 |
| 跨越10kV | 0.4 |
| 穿越公路 | 2.5 |
| 高速公路 | 5.0 |
| 跨越房屋的措施收费 | 0.5 |
实施例3：将构成智慧城市规划区地图路线的主要单元格记为标记点，从起点到终点依次连接标记点，得到路线规划；
在实施例2的基础上，利用GIS(地理信息系统)平台整合智慧城市规划区地图数据，GIS软件根据地图显示环境设置网格大小，将原始矢量类型的地理信息转化为相应的栅格数据，然后对涉及的地理信息排序合并，利用BP神经网络获得单元格成本值，记录不同网格的坐标。单元格的属性信息包括：位置坐标字段R(x,y)、单元格类型(A、B、C)、单元格成本值c。区域坐标位置代表区域在智慧城市规划图上的空间位置。单元类型表示智慧城市规划图可以形成线单元，不能形成线单元，不能交叉单元。单元成本值表示通过某个单元的线路的成本值。
实施例4：利用蚁群算法的信息素机制，在路径搜索中避开障碍物，解决输电线路路径搜索问题，获得最优结果；
在实施例3的基础上，利用蚁群算法的信息素机制，用σ表示信息素挥发系数，更新信息素矩阵m'xy＝(1-σ)mxy，然后计算下一组。单元格控制系数越高，转化概率越大。在细胞转化概率中，信息素控制系数用m表示，得到浓度矩阵。mxy是每个细胞的信息素浓度。初始值相同，随着进程的更新，操作完成后，线上信息素浓度的增幅为Δm。
p(x,y)为单元格的变换概率，a、b、c表示方向、成本和信息控制系数，对应的控制权分别为α、β、γ。则相邻单元格转换概率为：
最终，只有一个相邻单元格可成功转换，标准化每个相邻单元格的转换概率：
当所有相邻单元格均有转换概率时，使用轮盘赌，从相邻单元格中任意选择下一个转换单元格。确定过程为:在区间[0,1]内生成一个随机数，如果满足式(7)，则为下一个格点位置。
b.信息素更新:信息素浓度是蚁群算法路径搜索的关键启发式因素之一。每次搜索得到一条可行路径后，需要更新路径细胞的信息素浓度。同时，为了避免多个搜索结果中积累的信息素浓度过高导致路径早熟，需要引入信息素挥发系数。细胞信息素浓度的最终更新公式如下:
mxy′＝(1-σ)(mxy+Δm) (8)
式中m为信息素对细胞转化概率的控制系数；mxy是细胞更新前的信息素浓度；mxy′为细胞更新后的信息素浓度；Δm是细胞信息素浓度的增加量；Δm＝λ/z,Z为路径的总成本，λ为修正系数。
实施例5：考虑输电线路经过的区域较多，为保证搜索更准确，对覆盖区域采用分段处理，对传输电缆路径进行优化，线路必须经过的重要点可以在地图上的起点和终点之间正确标记。起点和终点之间形成的区域是详细分析区域。利用每个区域路径的自动搜索，得到整合后的最终路径结果
步骤一：智慧城市规划的区域地理信息按照网格形式划分，每个网格是一个单元格。根据网格的地理信息约束，被划分的单元有三种类型：第一种可以通过线路，可以建立塔单元；第二种通过线路，不能建立塔单元；第三种不能通过线路，不能建立塔单元。其中，网络区域包括县域规划区、高海拔重复冰区、人口密集住宅区、河流湖泊等，线形为电力线；
步骤二：由BP神经网络得到最终值矩阵，对每个网格的信息素值初始化设置；
步骤三：确定起点和终点的网格位置以及杆塔架设距离；
步骤四：确定相邻区域。相邻区域必须符合以下条件：满足设定的塔间距离；成为第一种类型的单元格；不是已竖立线路的单元格；横穿线路的单元格不是已竖立的线路单元格；
步骤五：从相邻的单元格中任意选择变换单元格，按照变换率进行规则处理。转换概率由单元格成本值、信息素值和线角值组成。成本值低、信息素浓度高、线转角小的细胞转化概率高，反之，转化概率小；
步骤六：重复步骤四至步骤五，直至搜索到单元格的末尾。连接所有变换后的单元格，生成一条传输路径，计算单元格成本值；
步骤七：对比上次搜索的累积单元格成本值，取较低成本值对应的路径。重复步骤四至步骤七，计算次数；
步骤八：更新预留方案的区域信息素值，重复步骤四至步骤八至指定计算次数，得到最终方案。记录最终解决方案单元格和对应路径。
为验证模型和方法的可行性，采用无人机航拍技术，结合输电线路布线要求，制作智慧城市规划区的GIS地图(分辨率为5m的矢量图)。基于本发明提出的输电线路路径搜索模型，对该区域进行路径搜索测试分析。
考虑路径选择的精度要求和数据量(网格尺寸越小，数据量越大)，网格尺寸设置为50m×50m，使用ArcGis工具生成网格式GIS地图，将原始矢量GIS地图的高程数据转换为坡度数据。结合地形信息和地理图像，设置不可穿越区域(如机场、保护区等，网格成本值标记为-9999)、穿越区域及其缓冲区(如高速公路、河流、传输线等)，缓冲区为50m。
在智慧城市输电线路路径选择中，人工智能选路、Dijkstra算法选路、人工选路均有被使用。人工路线选择需要结合详细的资金收集和实地调查确定推荐的路线计划。如表3所示，由本发明提出的人工智能选路、基于Dijkstra算法的路径搜索、人工选路结果对比，不难发现，人工智能选路和人工选路方案的总体趋势基本一致，只有细微差别。本发明提出的基于人工智能的输电线路路径搜索方法的评价指标优于Dijkstra算法，特别是线路路径的拐角数量、极点数量明显减少，具有更低的成本值。
表3不同搜索方法对应的评价结果对比
综上所述：基于人工智能的智慧城市输电线路规划是有效且高效的。以ArcGis作为智慧城市中输电线路选择的地理信息采集分析平台，建立基于人工智能的输电线路自动搜索模型。元胞自动机模型准确识别地理信息，通过BP神经网络分析成本，有效避免或选择性地穿越影响传输线路方向的限制因素，得到更好的输电路径。通过对比分析得出结论，人工智能路径优化可在不考虑一些特殊因素的情况下，得到传输线路的最优路径。该路径规划对智慧城市输电线路路径的人工选择具有指导意义，可以用来验证路径规划是否达到更好的基准值。
需要说明的是，在本专利中，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于人工智能的智慧城市输电线路规划方法，其特征在于：包括以下步骤：
步骤1：由BP神经网络得到成本值矩阵，将影响输电线路的地理要素转化为可测值，计算所有要素的综合效果值，用于输电线路路径的规划计算；
步骤2：将构成智慧城市规划区地图路线的主要单元格记为标记点，从起点到终点依次连接标记点，得到路线规划；
步骤3：利用蚁群算法的信息更新机制解决寻路问题，辅助寻路绕过障碍物，获得智慧城市输电线路路径的最优解。
2.根据权利要求1所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：
所述步骤1具体步骤如下：
步骤1.1：将地图单元进行分类；
根据规划区域内地理信息因素的制约强度，将研究范围内的区域分为A、B、C三类，A类指线路可以穿线、架塔的区域；B类指线路可通过，禁止架设铁塔的区域；C类指线路既不能穿过、也不能架设铁塔的区域。
步骤1.2：估计区域成本值；
将不同地理条件下的线路作为网络初始节点参考值，利用BP神经网络算法模拟不同地理条件下线路的实际成本，各种因素对成本值的影响是非线性的，采用三层BP神经网络函数进行拟合逼近；
网络的输出层有多个输出节点，对输出层的每个输出节点的差的平方进行求和，每个训练示例的损失函数如公式所示：
其中，sk是k神经元的期望输出，ok是k神经元的实际输出，w是权重；
步骤1.3：更新权重w：
根据损耗函数调整输出节点中的输入权重向量，然后从后到前逐层调整权重；对元单元成本的每次培训执行以下操作：
根据示例的输入，从前到后进行计算，得到输出层每个单元的输出，然后从输出层向后计算每层每个单元的误差项；
对于输出层的每个单位k，计算其误差项：
δk＝ok(1-ok)(sk-ok)
对于网络中的每个隐藏单元h，计算其误差项：
更新每个权重：
wji＝wji+ηδjuji
Δwji＝ηδjuji称为权重更新规则；
uji是从节i到节点j的输入，wji表示相应的权重，outputs表示输出层中的单元节点集；
步骤1.4：输入样本值，训练中间层神经网络。
3.根据权利要求1所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：
所述步骤2的具体步骤如下：
步骤2.1：利用GIS平台整合智慧城市规划区地图数据，GIS软件根据地图显示环境设置网格大小，将原始矢量类型的地理信息转化为相应的栅格数据；
步骤2.2：对涉及的地理信息排序合并，利用BP神经网络获得单元格成本值，记录不同网格的坐标，单元格的属性信息包括：位置坐标字段R(x,y)、单元格类型(A、B、C)、单元格成本值c，区域坐标位置代表区域在智慧城市规划图上的空间位置，单元类型表示智慧城市规划图可以形成线单元，不能形成线单元，不能交叉单元，单元成本值表示通过某个单元的线路的成本值。
4.根据权利要求1所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：
所述步骤3的具体步骤如下：
步骤3.1：采用元胞自动机作为输电线路路径选择模型，将点连成一条线得到搜索模型：
步骤3.2：利用蚁群算法的信息素机制，在路径搜索中避开障碍物，解决输电线路路径搜索问题，获得最优结果：
在细胞转化概率中，信息素控制系数用m表示，得到浓度矩阵，mxy是每个细胞的信息素浓度；初始值相同，随着进程的更新，操作完成后，线上信息素浓度的增幅为Δm，用σ表示信息素挥发系数，更新信息素矩阵m'xy＝(1-σ)mxy，然后计算下一组单元格，单元格控制系数越高，转化概率越大；
p(x,y)为单元格的变换概率，a、b、c表示方向、成本和信息控制系数，对应的控制权分别为α、β、γ；
则相邻单元格转换概率为：
最终，只有一个相邻单元格可成功转换，标准化每个相邻单元格的转换概率：
当所有相邻单元格均有转换概率时，使用轮盘赌，从相邻单元格中任意选择下一个转换单元格。
5.根据权利要求2所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：对规划区域采用分段处理，对传输电缆路径进行优化，线路必须经过的重要点可以在地图上的起点和终点之间正确标记，起点和终点之间形成的区域是详细分析区域，利用每个区域路径的自动搜索，得到整合后的最终路径结果，具体步骤如下：
步骤一：智慧城市规划的区域地理信息按照网格形式划分，每个网格是一个单元格，根据网格的地理信息约束，被划分的单元有三种类型：第一种类型的单元格可以通过线路，可以建立塔单元；第二种类型的单元格通过线路，不能建立塔单元；第三种类型的单元格不能通过线路，不能建立塔单元，其中，网络区域包括县域规划区、高海拔重复冰区、人口密集住宅区、河流湖泊，线形为电力线；
步骤二：由BP神经网络得到最终值矩阵，对每个网格的信息素值初始化设置；
步骤三：确定起点和终点的网格位置以及杆塔架设距离；
步骤四：确定相邻区域，相邻区域必须符合以下条件：满足设定的塔间距离；成为第一种类型的单元格；不是已竖立线路的单元格；横穿线路的单元格不是已竖立的线路单元格；
步骤五：从相邻的单元格中任意选择变换单元格，按照变换率进行规则处理。转换概率由单元格成本值、信息素值和线角值组成，成本值低、信息素浓度高、线转角小的细胞转化概率高，反之，转化概率小；
步骤六：重复步骤四至步骤五，直至搜索到单元格的末尾，连接所有变换后的单元格，生成一条传输路径，计算单元格成本值；
步骤七：对比上次搜索的累积单元格成本值，取较低成本值对应的路径，重复步骤四至步骤七，计算次数；
步骤八：更新预留方案的区域信息素值，重复步骤四至步骤八至指定计算次数，得到最终方案，记录最终解决方案单元格和对应路径。
6.根据权利要求4所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：
所述步骤3.1的具体步骤如下：
步骤3.1.1：在地图上将构成路线的主要单元格标记为标记点，从起点开始依次连接标记点，搜索到终点时结束，得到一条传输路径；
步骤3.1.2：通过区域转换规则，确定元胞自动机的演化过程；
步骤3.1.3：将智慧城市规划区内的区域设置为三种状态，初始状态为“0”，用于表示该区域不属于线标点，不属于线相交的单元格；如果某个单元格在某个时间被明确标记为单元格，则必须将状态更改为“1”，如果是线路上的区域状态变为“2”，最后根据“1”和“2”区域明确规划路线。
7.根据权利要求4所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：
从相邻单元格中任意选择下一个转换单元格的确定过程为：在区间[0,1]内生成一个随机数，如果满足下式，则转化为下一个格点位置
8.根据权利要求4所述的一种基于人工智能的智慧城市输电线路规划方法，其特征在于：每次搜索得到一条可行路径后，需要更新路径细胞的信息素浓度mxy，所述细胞的信息素浓度的更新公式如下：
mxy′＝(1-σ)(mxy+Δm)
式中m为信息素对细胞转化概率的控制系数；mxy是细胞更新前的信息素浓度；mxy′为细胞更新后的信息素浓度；Δm是细胞信息素浓度的增加量；Δm＝λ/z,Z为路径的总成本，λ为修正系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059746.4A CN114418215A (zh) | 2022-01-19 | 2022-01-19 | 一种基于人工智能的智慧城市输电线路规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059746.4A CN114418215A (zh) | 2022-01-19 | 2022-01-19 | 一种基于人工智能的智慧城市输电线路规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114418215A true CN114418215A (zh) | 2022-04-29 |
Family
ID=81275694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210059746.4A Pending CN114418215A (zh) | 2022-01-19 | 2022-01-19 | 一种基于人工智能的智慧城市输电线路规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418215A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115114753A (zh) * | 2022-05-30 | 2022-09-27 | 中铁二院工程集团有限责任公司 | 一种复杂艰险山区铁路线路平面智能设计方法 |
| CN115828479A (zh) * | 2022-11-21 | 2023-03-21 | 四川电力设计咨询有限责任公司 | 一种输电线路施工便道的规划方法 |
| CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
| CN117557028A (zh) * | 2023-11-08 | 2024-02-13 | 山东弘毅节能服务有限公司 | 一种智慧校园节能管理方法 |
-
2022
- 2022-01-19 CN CN202210059746.4A patent/CN114418215A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115114753A (zh) * | 2022-05-30 | 2022-09-27 | 中铁二院工程集团有限责任公司 | 一种复杂艰险山区铁路线路平面智能设计方法 |
| CN115828479A (zh) * | 2022-11-21 | 2023-03-21 | 四川电力设计咨询有限责任公司 | 一种输电线路施工便道的规划方法 |
| CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
| CN116862063B (zh) * | 2023-07-12 | 2024-04-19 | 甘肃飞天云科技信息有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
| CN117557028A (zh) * | 2023-11-08 | 2024-02-13 | 山东弘毅节能服务有限公司 | 一种智慧校园节能管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114418215A (zh) | 一种基于人工智能的智慧城市输电线路规划方法 | |
| CN103984997B (zh) | 基于gis空间信息的输电工程选址选线方法 | |
| Zhang et al. | An optimized evaluation method of an urban ecological network: The case of the Minhang District of Shanghai | |
| CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
| CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
| CN110046213B (zh) | 一种顾及路径失真纠正与交叉跨越纠正的电力选线方法 | |
| CN111598314B (zh) | 一种基于绩效单元的公园绿地规划布局方法 | |
| CN109359350A (zh) | 一种优化精细施工成本的风电场道路智能设计方法 | |
| CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
| CN111667101A (zh) | 融合高分辨率遥感影像与地形的个性化电力野外作业路径规划方法及系统 | |
| CN103116865A (zh) | 一种多维度协同电网规划的方法 | |
| CN107133700A (zh) | 基于R*‑tree索引的手机信令数据路网匹配方法 | |
| CN112085280A (zh) | 一种考虑地理因素的输电通道路径优化方法 | |
| CN108510008B (zh) | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 | |
| CN107480808B (zh) | 一种高海拔山区引水工程线路规划方法 | |
| CN115759883B (zh) | 基于网络群组特征的生态管理分区方法 | |
| CN114217609A (zh) | 一种满足多约束条件的电网线路走廊带智能划分方法 | |
| CN115238950A (zh) | 一种基于蚁群算法的输电线路路径智能选择方法及系统 | |
| CN113011720B (zh) | 一种基于ca模型的增量递减的城镇开发边界划定方法 | |
| CN114417724A (zh) | 一种山地城市土地利用演变的模拟方法 | |
| CN115310878B (zh) | 一种基于国土空间要素数据的电力空间规划设计方法 | |
| CN115686070B (zh) | 配电/输电线路无人机自主巡线路径规划方法 | |
| CN111985691A (zh) | 一种风电场升压站选址方法 | |
| CN114880819B (zh) | 基于城镇节点重要度与交通区位线研究的空间优化方法 | |
| CN116307927A (zh) | 一种基于人流预测的生活圈规划合理性评估方法及系统 |
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 |