CN116388167A - 区域内供电单元部署方法、系统、电子设备及存储介质 - Google Patents

区域内供电单元部署方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116388167A
CN116388167A CN202310343272.0A CN202310343272A CN116388167A CN 116388167 A CN116388167 A CN 116388167A CN 202310343272 A CN202310343272 A CN 202310343272A CN 116388167 A CN116388167 A CN 116388167A
Authority
CN
China
Prior art keywords
power supply
grid
supply unit
area
land
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
Application number
CN202310343272.0A
Other languages
English (en)
Inventor
马培瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bauhinia Holdings Ltd
Original Assignee
Bauhinia Holdings Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bauhinia Holdings Ltd filed Critical Bauhinia Holdings Ltd
Priority to CN202310343272.0A priority Critical patent/CN116388167A/zh
Publication of CN116388167A publication Critical patent/CN116388167A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了区域内供电单元部署方法，属于供电分配技术领域，解决了现有方法不能根据地块空间负荷预测计算地块饱和负荷密度和饱和网架负荷，使得区域内供电单元分配不均衡的问题，方法包括：获取区域内地块规划信息；对地块规划数据集进行清洗降噪处理，得到降噪数据集；通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷；本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。

Description

区域内供电单元部署方法、系统、电子设备及存储介质
技术领域
本发明属于供电分配技术领域，具体涉及区域内供电单元部署方法、系统、电子设备及存储介质。
背景技术
配电网供电分区划分是配电网规划的一个关键问题，其结果直接影响配电网运行的经济性和供电可靠性，对电网区域进行科学合理的划分一直是电网发展过程中的研究热点，通过对某一大区域内多个局域配电网进行划分，可以研究不同类别配电网的发展方向与路线，从而可以差异化满足该区域内电网的整体发展需求。
经检索，现有公开号为“CN113792971A”的中国专利“一种区域电力调度组网方法及系统”，所述一种区域电力调度组网方法及系统包括：构建区域云平台，设置区域调度节点与所述区域云平台的通信连接；根据调度节点季度预估工作量为所述调度节点分配云平台的初始资源；监控所述调度节点的资源利用率；利用预先构建的Prophet模型根据资源利用率预测所述调度节点的资源利用率变化趋势；根据所述资源利用率变化趋势对所述调度节点的云资源进行重分配；但是现有方法不能根据地块空间负荷预测计算地块饱和负荷密度和饱和网架负荷，使得区域内供电单元分配不均衡，基于此，我们提出了区域内供电单元部署方法、系统、电子设备及存储介质。
发明内容
本发明的目的在于针对现有技术的不足之处，提供区域内供电单元部署方法，解决了现有方法不能根据地块空间负荷预测计算地块饱和负荷密度和饱和网架负荷，使得区域内供电单元分配不均衡的问题。
现有方法不能根据地块空间负荷预测计算地块饱和负荷密度和饱和网架负荷，使得区域内供电单元分配不均衡，基于此，我们提出了区域内供电单元部署方法，方法包括：获取区域内地块规划信息，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。
本发明是这样实现的，一方面，提供了区域内供电单元部署方法，所述区域内供电单元部署方法包括：
获取区域内地块规划信息，基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集；
获取地块规划数据集，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；
加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；
基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。
优选地，所述基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集的方法，具体包括：
基于Landsat 8OLI遥感影像数据获取区域内地块图像；
对图像进行栅格化处理，获取完整栅格集以及边缘栅格集，所述栅格图像的分辨率为50×50m；
对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据，整合栅格集以及边缘栅格集的属性量化数据，得到地块规划数据集。
优选地，对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据的方法，具体包括：
获取整合栅格集以及边缘栅格集；
基于U-Net模型对整合栅格集以及边缘栅格集分别进行特征提取，其中，进行属性提取过程中，构建a×b个骨干网络结构共享权重，从而得到a×b个属性信息，通过公式(1)计算单个栅格内属性相关性Pa,b；
Figure BDA0004158748970000031
其中，τ为基于U-Net模型的最小误差值，t为栅格中所有属性结合，(x,y)为单个栅格中心点坐标；
获取单个栅格内属性相关性Pa,b，基于单个栅格内属性相关性Pa,b计算单个栅格用电单元量化值C(x,y)，所述电单元量化值C(x,y)通过公式(2)计算；
Figure BDA0004158748970000032
其中，∈为栅格内用电单元激变幅度值，激变幅度值∈的计算公式(3)为：
Figure BDA0004158748970000041
优选地，通过随机森林算法构建供电单元部署模型的方法，具体包括：
基于随机森林算法定制供电单元部署模型训练模板；
随机生成部署决策树，部署决策树包含有预设的节点分裂参数；
对地块饱和指数，饱和网架密度和统计的供电单元用电量三个变量进行建模，基于回归分析，使用最佳回归模型来调整部署决策树的节点分裂参数。
优选地，通过随机森林算法构建供电单元部署模型，具体还包括：
获取降噪数据集，将降噪数据集按照3:3:4分为训练数据集、测试数据集和验证数据集，基于反向传播法得到最优部署决策树的节点分裂参数；
判断供电单元部署模型中部署决策树是否符合预设的部署逻辑，若符合，则停止建模，生成最优供电单元部署模型。
优选地，所述基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷的方法，具体包括：
加载降噪数据集；
基于训练好的供电单元部署模型分别记载区域内饱和负荷密度和饱和网架负荷。
另一方面，本申请还提供了区域内供电单元部署系统，所述区域内供电单元部署系统，具体包括：
规划信息获取模块，所述规划信息获取模块用于获取区域内地块规划信息，基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集；
数据降噪模块，所述数据降噪模块用于获取地块规划数据集，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；
部署模型建立模块，所述部署模型建立模块用于加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；
负荷计算模块，所述负荷计算模块基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。
所述规划信息获取模块包括：
遥感数据获取单元，所述遥感数据获取单元基于Landsat 8OLI遥感影像数据获取区域内地块图像；
栅格化单元，栅格化单元用于对图像进行栅格化处理，获取完整栅格集以及边缘栅格集，所述栅格图像的分辨率为50×50m；
属性量化单元，所述属性量化单元用于对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据，整合栅格集以及边缘栅格集的属性量化数据，得到地块规划数据集。
一种计算机电子设备，所述计算机电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时执行所述的区域内供电单元部署方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现所述的区域内供电单元部署方法。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。
附图说明
图1示出了区域内供电单元部署方法的实现流程示意图。
图2示出了基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集方法的实现流程示意图。
图3示出了对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据方法的实现流程示意图。
图4示出了通过随机森林算法构建供电单元部署模型方法的实现流程示意图。
图5示出了基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷方法的实现流程示意图。
图6是本发明提供的区域内供电单元部署系统的结构示意图。
图7是本发明提供的规划信息获取模块的结构示意图。
图中：100-规划信息获取模块、110-遥感数据获取单元、120-栅格化单元、130-属性量化单元、200-数据降噪模块、300-部署模型建立模块、400-负荷计算模块。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
现有方法不能根据地块空间负荷预测计算地块饱和负荷密度和饱和网架负荷，使得区域内供电单元分配不均衡，基于此，我们提出了区域内供电单元部署方法，方法包括：获取区域内地块规划信息，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。
本发明实施例提供了区域内供电单元部署方法，如图1所示，示出了区域内供电单元部署方法的实现流程示意图，所述区域内供电单元部署方法，具体包括：
步骤S10，获取区域内地块规划信息，基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集。
进一步的，本发明实施例提供了基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集的方法。
如图2所示，示出了基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集方法的实现流程示意图。所述基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集的方法，具体包括：
步骤S101，基于Landsat 8OLI遥感影像数据获取区域内地块图像。需要说明的是，区域内地块图像可以为标准化处理后的Landsat 8OLI遥感影像数据，还可以从Suomi NPP卫星上搭载的的VIIRS光/红外辐射成像仪获得。VIIRS光/红外辐射成像仪旨在收集高质量的卫星辐射数据。
步骤S102，对图像进行栅格化处理，获取完整栅格集以及边缘栅格集，所述栅格图像的分辨率为50×50m。
可以理解的是，栅格图像的分辨率还可以为20×20m、40×40m、100×100m或500×500m。
步骤S103，对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据，整合栅格集以及边缘栅格集的属性量化数据，得到地块规划数据集。
本发明实施例提供了对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据的方法。
如图3所示，示出了对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据方法的实现流程示意图，所述对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据的方法，具体包括：
步骤S1031，获取整合栅格集以及边缘栅格集；
步骤S1032，基于U-Net模型对整合栅格集以及边缘栅格集分别进行特征提取，其中，进行属性提取过程中，构建a×b个骨干网络结构共享权重，从而得到a×b个属性信息，通过公式(1)计算单个栅格内属性相关性Pa,b；
Figure BDA0004158748970000091
其中，τ为基于U-Net模型的最小误差值，t为栅格中所有属性结合，(x,y)为单个栅格中心点坐标；
步骤S1033，获取单个栅格内属性相关性Pa,b，基于单个栅格内属性相关性Pa,b计算单个栅格用电单元量化值C(x,y)，所述电单元量化值C(x,y)通过公式(2)计算：
Figure BDA0004158748970000092
其中，∈为栅格内用电单元激变幅度值，激变幅度值∈的计算公式(3)为：
Figure BDA0004158748970000093
步骤S20，获取地块规划数据集，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集。
步骤S30，加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证。
本发明实施例提供了通过随机森林算法构建供电单元部署模型的方法。
如图4所示，示出了通过随机森林算法构建供电单元部署模型方法的实现流程示意图，所述通过随机森林算法构建供电单元部署模型的方法，具体包括：
步骤S301，基于随机森林算法定制供电单元部署模型训练模板；
步骤S302，随机生成部署决策树，部署决策树包含有预设的节点分裂参数；
步骤S303，对地块饱和指数，饱和网架密度和统计的供电单元用电量三个变量进行建模，基于回归分析，使用最佳回归模型来调整部署决策树的节点分裂参数。
步骤S304，获取降噪数据集，将降噪数据集按照3:3:4分为训练数据集、测试数据集和验证数据集，基于反向传播法得到最优部署决策树的节点分裂参数；
步骤S305，判断供电单元部署模型中部署决策树是否符合预设的部署逻辑，若符合，则停止建模，生成最优供电单元部署模型。
需要说明的是，在实际应用中，由于在根据目标业务的部署逻辑定制随机森林模型中的训练模板时，可能仅仅定义了最上面几个节点分裂属性等，对于其他的节点分裂属性，仍通过相关程序根据预设的边值权重随机生成，从而获取的与目标部署业务对应的随机森林模型中，有可能根据预设的边值权重随机生成的节点分裂属性并不符合部署逻辑。
步骤S40，基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。
本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。
本发明实施例提供了基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷的方法。
如图5所示，示出了基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷方法的实现流程示意图，所述基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷的方法，具体包括：
步骤S401，加载降噪数据集；
步骤S402，基于训练好的供电单元部署模型分别记载区域内饱和负荷密度和饱和网架负荷。
本发明实施例还提供了区域内供电单元部署系统，如图6所示，示出了区域内供电单元部署系统的结构示意图，所述区域内供电单元部署系统，具体包括：
规划信息获取模块100，所述规划信息获取模块100用于获取区域内地块规划信息，基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集；
数据降噪模块200，所述数据降噪模块200用于获取地块规划数据集，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；
部署模型建立模块300，所述部署模型建立模块300用于加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；
负荷计算模块400，所述负荷计算模块400基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。
本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。
本发明实施例提供了规划信息获取模块100，如图7所示，示出了规划信息获取模块100的结构示意图，所述规划信息获取模块100，具体包括：
遥感数据获取单元110，所述遥感数据获取单元110基于Landsat8OLI遥感影像数据获取区域内地块图像；
栅格化单元120，栅格化单元120用于对图像进行栅格化处理，获取完整栅格集以及边缘栅格集，所述栅格图像的分辨率为50×50m；
属性量化单元130，所述属性量化单元130用于对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据，整合栅格集以及边缘栅格集的属性量化数据，得到地块规划数据集。
本发明实施例还提供了一种计算机电子设备，该计算机电子设备包括显示屏、存储器、处理器以及计算机程序，其中所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述区域内供电单元部署方法的步骤。
可以理解的是，在本发明提供的优选实施例中，该计算机设备还可以为笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)、手机等可以进行通信的设备。
本发明还提供了一种可读存储介质的示意图，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述区域内供电单元部署方法的步骤。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。例如，上述计算机程序可以被分割成上述各个系统实施例提供的区域内供电单元部署系统的单元或模块。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据区域内供电单元部署系统的使用所创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
综上所述，本发明提供了区域内供电单元部署方法，本申请通过获取区域内地块规划信息可以在区域地块未开发阶段对后期供电单元部署以及计算地块饱和负荷密度和饱和网架负荷进行精准预测，方便了区域供电工作，同时避免了后期频繁调整导致电力故障的问题。
需要说明的是，对于前述的各实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可能采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，涉及的动作和模块并不一定是本发明所必须的。
本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，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，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，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通信连接可以是通过一些接口，装置或单元之间的间接耦合或通信连接，可以是电信或者其它的形式。
上述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。
以上实施例仅用以说明本发明的技术方案，而非对发明的保护范围进行限制。显然，所描述的实施例仅仅是本发明部分实施例，而不是全部实施例。基于这些实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明所要保护的范围。尽管参照上述实施例对本发明进行了详细的说明，本领域普通技术人员依然可以在不冲突的情况下，不作出创造性劳动对本发明各实施例中的特征根据情况相互组合、增删或作其他调整，从而得到不同的、本质未脱离本发明的构思的其他技术方案，这些技术方案也同样属于本发明所要保护的范围。

Claims (10)

1.一种区域内供电单元部署方法，其特征在于，所述区域内供电单元部署方法包括：
获取区域内地块规划信息，基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集；
获取地块规划数据集，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；
加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；
基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。
2.如权利要求1所述的区域内供电单元部署方法，其特征在于：所述基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集的方法，具体包括：
基于Landsat 8OLI遥感影像数据获取区域内地块图像；
对图像进行栅格化处理，获取完整栅格集以及边缘栅格集，所述栅格图像的分辨率为50×50m；
对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据，整合栅格集以及边缘栅格集的属性量化数据，得到地块规划数据集。
3.如权利要求2所述的区域内供电单元部署方法，其特征在于：对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据的方法，具体包括：
获取整合栅格集以及边缘栅格集；
基于U-Net模型对整合栅格集以及边缘栅格集分别进行特征提取，其中，进行属性提取过程中，构建a×b个骨干网络结构共享权重，从而得到a×b个属性信息，通过公式(1)计算单个栅格内属性相关性Pa,b；
Figure FDA0004158748960000021
其中，τ为基于U-Net模型的最小误差值，t为栅格中所有属性结合，(x,y)为单个栅格中心点坐标；
获取单个栅格内属性相关性Pa,b，基于单个栅格内属性相关性Pa,b计算单个栅格用电单元量化值C(x,y)，所述电单元量化值C(x,y)通过公式(2)计算；
Figure FDA0004158748960000022
其中，∈为栅格内用电单元激变幅度值，激变幅度值∈的计算公式(3)为：
Figure FDA0004158748960000023
4.如权利要求3所述的区域内供电单元部署方法，其特征在于：通过随机森林算法构建供电单元部署模型的方法，具体包括：
基于随机森林算法定制供电单元部署模型训练模板；
随机生成部署决策树，部署决策树包含有预设的节点分裂参数；
对地块饱和指数，饱和网架密度和统计的供电单元用电量三个变量进行建模，基于回归分析，使用最佳回归模型来调整部署决策树的节点分裂参数。
5.如权利要求4所述的区域内供电单元部署方法，其特征在于：通过随机森林算法构建供电单元部署模型，具体还包括：
获取降噪数据集，将降噪数据集按照3:3:4分为训练数据集、测试数据集和验证数据集，基于反向传播法得到最优部署决策树的节点分裂参数；
判断供电单元部署模型中部署决策树是否符合预设的部署逻辑，若符合，则停止建模，生成最优供电单元部署模型。
6.如权利要求1-5任一所述的区域内供电单元部署方法，其特征在于：所述基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷的方法，具体包括：
加载降噪数据集；
基于训练好的供电单元部署模型分别记载区域内饱和负荷密度和饱和网架负荷。
7.基于权利要求1-6任一所述区域内供电单元部署方法的区域内供电单元部署系统，其特征在于：所述区域内供电单元部署系统，具体包括：
规划信息获取模块，所述规划信息获取模块用于获取区域内地块规划信息，基于地块规划信息计算地块面积以及定义地块属性，得到地块规划数据集；
数据降噪模块，所述数据降噪模块用于获取地块规划数据集，对所述地块规划数据集进行清洗降噪处理，得到降噪数据集；
部署模型建立模块，所述部署模型建立模块用于加载降噪数据集，通过随机森林算法构建供电单元部署模型，对供电单元部署模型进行训练、测试和验证；
负荷计算模块，所述负荷计算模块基于供电单元部署模型预测计算地块饱和负荷密度和饱和网架负荷，得到地块饱和负荷密度和饱和网架负荷结果。
8.如权利要求7所述的区域内供电单元部署系统，其特征在于：所述规划信息获取模块包括：
遥感数据获取单元，所述遥感数据获取单元基于Landsat 8OLI遥感影像数据获取区域内地块图像；
栅格化单元，栅格化单元用于对图像进行栅格化处理，获取完整栅格集以及边缘栅格集，所述栅格图像的分辨率为50×50m；
属性量化单元，所述属性量化单元用于对分辨率为50×50m的栅格图像按地块属性对用电单元进行量化赋值，得到属性量化数据，整合栅格集以及边缘栅格集的属性量化数据，得到地块规划数据集。
9.一种计算机电子设备，所述计算机电子设备包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时执行如权利要求1-6任意一项所述的区域内供电单元部署方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现如权利要求1-6任意一项所述的区域内供电单元部署方法。
CN202310343272.0A 2023-03-31 2023-03-31 区域内供电单元部署方法、系统、电子设备及存储介质 Pending CN116388167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310343272.0A CN116388167A (zh) 2023-03-31 2023-03-31 区域内供电单元部署方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310343272.0A CN116388167A (zh) 2023-03-31 2023-03-31 区域内供电单元部署方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116388167A true CN116388167A (zh) 2023-07-04

Family

ID=86968827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310343272.0A Pending CN116388167A (zh) 2023-03-31 2023-03-31 区域内供电单元部署方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116388167A (zh)

Similar Documents

Publication Publication Date Title
CN112433819A (zh) 异构集群调度的模拟方法、装置、计算机设备及存储介质
US11055139B2 (en) Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster
EP3191948A1 (en) Computing instance launch time
CN111552550A (zh) 一种基于图形处理器gpu资源的任务调度方法、设备及介质
CN112767135B (zh) 规则引擎的配置方法及装置、存储介质、计算机设备
CN113821332B (zh) 自动机器学习系统效能调优方法、装置、设备及介质
CN115543577B (zh) 基于协变量的Kubernetes资源调度优化方法、存储介质及设备
CN112084017B (zh) 一种内存管理方法、装置、电子设备及存储介质
CN112767133A (zh) 业务决策方法及装置、存储介质、计算机设备
CN115134371A (zh) 包含边缘网络算力资源的调度方法、系统、设备及介质
CN116700920A (zh) 云原生混合部署集群资源调度方法及装置
Silva et al. SmartRank: a smart scheduling tool for mobile cloud computing
CN108107791B (zh) 风电场控制装置、方法和系统
CN113176944A (zh) 集群计算存储资源分配方法和装置
CN110008698A (zh) 病毒检测方法及装置
CN117539619A (zh) 基于云边融合的算力调度方法、系统、设备和存储介质
CN105933136B (zh) 一种资源调度方法及系统
CN112256760A (zh) 一种数据预测方法、装置、计算机设备及存储介质
CN117014389A (zh) 算网资源配置方法及系统、电子设备、存储介质
CN116388167A (zh) 区域内供电单元部署方法、系统、电子设备及存储介质
CN116955148A (zh) 业务系统测试方法、装置、设备、存储介质及产品
CN113656046A (zh) 一种应用部署方法和装置
Ewald et al. A non-fragmenting partitioning algorithm for hierarchical models
CN115757002A (zh) 一种能耗确定方法、装置、设备及计算机可读存储介质
CN116760881B (zh) 配电终端的系统配置方法、装置、存储介质及电子设备

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