CN116404760B - 基于数字孪生地图的分布式电网暂稳态运行方法及装置 - Google Patents

基于数字孪生地图的分布式电网暂稳态运行方法及装置 Download PDF

Info

Publication number
CN116404760B
CN116404760B CN202310677385.4A CN202310677385A CN116404760B CN 116404760 B CN116404760 B CN 116404760B CN 202310677385 A CN202310677385 A CN 202310677385A CN 116404760 B CN116404760 B CN 116404760B
Authority
CN
China
Prior art keywords
map
node
remote sensing
digital twin
power grid
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
Application number
CN202310677385.4A
Other languages
English (en)
Other versions
CN116404760A (zh
Inventor
赵君荪
朱彪
贾博
吴桐
汉立飞
闫兆祥
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.)
Xi'an New Vision Space Information Technology Co ltd
Original Assignee
Xi'an New Vision Space Information Technology Co 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 Xi'an New Vision Space Information Technology Co ltd filed Critical Xi'an New Vision Space Information Technology Co ltd
Priority to CN202310677385.4A priority Critical patent/CN116404760B/zh
Publication of CN116404760A publication Critical patent/CN116404760A/zh
Application granted granted Critical
Publication of CN116404760B publication Critical patent/CN116404760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Power Engineering (AREA)
  • Nonlinear Science (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及电网技术领域，具体涉及一种基于数字孪生地图的分布式电网暂稳态运行方法及装置，所述方法包括：获取不同分辨率下包含目标供电网络的多个遥感图像，对所述多个遥感图像进行预处理；基于经训练的卷积神经网络模型对预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息；以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。所述方法能够实时更新电网运行状态，并提高电网系统的稳定性。

Description

基于数字孪生地图的分布式电网暂稳态运行方法及装置
技术领域
本发明涉及电网技术领域，具体涉及一种基于数字孪生地图的分布式电网暂稳态运行方法及装置。
背景技术
分布式供电系在用户位置或靠近用电现场配置小规模发电机组，以实现对较小范围内的特定用户供电，满足特定用户的用电需要或支持现存配电网络的经济运行，其供电源包含风力发电、光伏发电、燃气发电及燃料发电等，通过液体或气体燃料的内燃机、微型燃气轮机、各种工程用的燃料电池及新能源电源进行供电，能够保障小范围内各电站的相互独立运行。
少量的分布式电源接入不会对供电网络产生较大的影响，然而随着分布式供电技术的广泛应用，分布式电源在配电网中所占的份额不断上升，分布式电源的接入可能对配电网的结构和运行产生较大的影响。在现有配电网系统中，由于接入电网系统的设备负荷随时发生着变化导致系统电压产生波动，而当分布式电源输出功率与负荷不能保持同方向的增减时，将可能导致更为剧烈的电压波动。因此，在包含分布式电源的电网系统中如何保持电网系统的稳定运行成为亟需解决的问题。
发明内容
本发明的目的在于提供一种基于数字孪生地图的分布式电网暂稳态运行方法及装置，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的上述问题。
根据本发明的一个方面，提供一种基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，包括以下步骤：
获取不同分辨率下包含目标供电网络的多个遥感图像，对所述多个遥感图像进行预处理；
基于经训练的卷积神经网络模型对所述预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息；
以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；
根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。
在一实施例中基于数字孪生地图的分布式电网暂稳态运行方法还包括：
获取预设目标节点样本在不同分辨率的遥感图像中的样本图像及特征参数；其中基于同一目标节点样本的不同分辨率的样本图像与目标节点的特征参数存在一一对应关系；
以所述样本图像作为卷积神经网络的输入，经转换输出对应的特征参数；
在多次转化输出中调节卷积神经网络中各神经元的偏置系数使所输出的特征参数与所获取的特征参数方差值在预设范围内，以得到卷积神经网络模型。
在一示例性中所述多个遥感图像的分辨率从低到高分别为第一级遥感图像至第n级遥感图像，各遥感图像大小相同且后一级遥感图像的分辨率为前一级的m倍，后一级遥感图像系以前一级遥感图像为中心的更大范围获取；其中m、n均为正整数；所述基于经训练的卷积神经网络模型对预处理的遥感图像进行节点信息提取包括：
根据目标节点样本的大小在第一级遥感图像中确定第一图像块；
以第一图像块为中心对第二遥感图像放大ｍ倍后采集相同大小的图像块作为第二图像块，依次实现所有图像块的采集，得到ｎ级的图像块集；
以所述ｎ级的图像块集输入至经训练的卷积神经网络模型进行节点信息提取。
在一示例性中所述以预设连接数量的节点作为特征节点包括：
根据节点的线路连接信息确定具有一个线路连接的节点作为特征节点，以及确定具有三个以上线路连接的节点作为特征节点。
在一示例性中所述根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图包括：
根据所述特征节点的位置信息和线路连接信息生成三维电网地图；以及将所述特征节点的运行数据映射至所述三维电网地图，生成数字孪生地图。
在一示例性中根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路包括：以具有一个线路连接的节点作为端点，遍历任意两个所述端点之间的线路连接作为监控线路。
在一示例性中所述根据每个特征节点的历史运行数据对所述多个监控线路进行监控包括：
当监控到任一特征节点的当前运行数据超出监控区间时根据所述数字孪生地图与电网系统之间的映射对应关系发送调控信号。
根据本发明的一个方面，提供一种基于数字孪生地图的分布式电网暂稳态运行装置，包括：
图像获取模块，用于获取不同分辨率下包含目标供电网络的多个遥感图像，并对所述多个遥感图像进行预处理；
信息提取模块，用于基于经训练的卷积神经网络模型对所述预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息；
地图孪生模块，用于以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；
线路监控模块，用于根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。
根据本发明的一个方面，提供一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于数字孪生地图的分布式电网暂稳态运行方法。
根据本发明的一个方面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于数字孪生地图的分布式电网暂稳态运行方法。
本发明提供了一种基于数字孪生地图的分布式电网暂稳态运行方法及装置，所述方法首先通过电网系统的遥感图像准确获取电网节点信息及线路信息，其次根据节点信息构建基于数字孪生的电网地图，能够实时更新电网运行状态，从而实现对电网特定线路进行监控，当电网系统中任一线路运行状态异常时进行调控，提高电网系统的稳定性。
附图说明
图1是本发明示例性实施例中一种基于数字孪生地图的分布式电网暂稳态运行方法的流程示意图；
图2是本发明示例性实施例中一种基于数字孪生地图的分布式电网暂稳态运行装置的结构示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，下面将结合附图本发明实施方式及实施例中的技术方案进行清楚、完整地描述。然而，示例实施方式及实施例能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式及实施例使得本发明将更加全面和完整，并将示例实施方式及实施例的构思全面地传达给本领域的技术人员。本发明所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式及实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式及实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
分布式供电是指在用户现场或靠近用电现场配置较小的发电机组进行供电，以满足特定用户的需要或支持现存配电网的经济运行，其供电源包含风力发电、光伏发电、燃气发电、燃料发电等，通过液体或气体燃料的内燃机、微型燃气轮机、燃料电池及新能源电源等燃料进行供电。分布式电网具有投资小、发电方式灵活、损耗低、利于环保、不需远距离输配电设备，输电损失显著减少，运行安全可靠等优点，并且分布式发电与集中供电联合运营，是降低能耗、提高电力系统可靠性和灵活性的主要方式，其主要应用于不适宜铺设电网的偏远地区或散布地区，也是我国电力工业未来的发展方向。
少量的分布式电源接入不会对供电网络产生较大的影响，然而随着分布式供电技术的广泛应用，分布式电源在配电网中所占的份额不断上升，分布式电源接入对配电网的结构和运行产生较大的影响。例如分布式电源将可能使配电网的系统潮流模式发生变化并使得配电网潮流难以预测，在允许分布式电源向配电网回馈电能电网系统中，根据分布式电源与负荷之间的位置和容量关系，线路潮流可能发生不同变化，当分布式电源的输出功率大于当前馈线的负荷容量时，部分馈线甚至系统整个潮流可能会完全反向。这种反向的潮流模式将会对配电网产生许多不利影响，如潮流方向的改变使得电压调整难以进行，配电网的电压调整装置难以维持。在现有配电网系统中，由于接入电网系统的设备负荷随时发生着变化导致系统电压产生波动，而当分布式电源输出功率与负荷不能保持同方向的增减时，电压波动将更加剧烈。此外，一些分布式电源通过逆变器并入电网，而由于逆变器中的电子开关器件频繁的开通和关断可能导致电子开关器件的频率存在一定的谐波污染，进一步地加剧电网系统的不稳定性。
鉴于相关技术中存在的上述问题，本发明提供了一种基于数字孪生地图的分布式电网暂稳态运行方法，包括：获取不同分辨率下包含目标供电网络的多个遥感图像，对所述多个遥感图像进行预处理基于经训练的卷积神经网络模型对所述预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。所述方法首先通过电网系统的遥感图像准确获取电网节点信息及线路信息，其次根据节点信息构建基于数字孪生的电网地图，能够实时更新电网运行状态，从而实现对电网特定线路进行监控，当电网系统中任一线路运行状态异常时进行调控，提高电网系统的稳定性。
本发明一实施例提供了一种基于数字孪生地图的分布式电网暂稳态运行方法，图1是本发明实施例中一种基于数字孪生地图的分布式电网暂稳态运行方法的流程示意图；如图1所示，所述基于数字孪生地图的分布式电网暂稳态运行方法包括以下步骤：
步骤S11：获取不同分辨率下包含目标供电网络的多个遥感图像，对所述多个遥感图像进行预处理；
遥感成像技术系从高空或外层空间接收来自地球表层各类地物的电磁波信息，并通过对信息进行扫描、摄影、传输和处理实现对地表各类地物和现象进行远距离控测和识别的综合影像技术。遥感图像是通过高空中的探测仪器接收来自地面目标物的电磁波信息，探测感知地面物体而获得的包含几何、物理以及时间三方面特征的信息载体。通过航天技术、卫星通讯技术获取的高空间分辨率、高光谱分辨率和高时间分辨率的遥感图像已成为人类获取地球空间信息的重要数据源。本发明基于不同分辨率的遥感影像进行识别和特征提取来实现对地面电网系统的管理和稳定运行。
在一实施例中对所述多个遥感图像进行预处理可以包括：利用改进的Grabcut算法构建背景过滤器，使用掩膜初始化规则，得到位于凸包内的前景像素和凸包外的背景像素，从而将包含目标电网系统的前景部分图像分离出来。其中所述改进的Grabcut算法为利用概率神经网络PNN替换GMM得到的Grabcut算法。由于Grabcut算法的分割效率较低且容易出现欠分割等问题，本发明实施例在该算法中引入概率神经网络PNN来替换GMM模型，主要采用改进的Grabcut算法过滤背景特征，排除背景像素并保留前景像素，以减少背景信息对输电导线检测的影响。
在一实施例中所述基于数字孪生地图的分布式电网暂稳态运行方法还包括对所述遥感图像进行校正、变换和分类，图像校正指从具有畸变的图像中消除畸变的处理过程，通过几何校正消除几何畸变，通过辐射校正消除辐射量失真，其中消除各种辐射畸变和几何畸变能够使得处理后的图像恢复或接近目标物的真实情况，利用增强技术突出景物的某些特征可以增加目标物的可识别性。
示例而言，预处理过程可以包括对所述遥感图像进行灰度均衡化处理，通过灰度映射使本来灰度分布不均匀的图像转换为灰度分布均匀的图像，也就是在每一个灰度级上都有大致相同的像素点数，像素将在尽可能多的灰度级上分布并且分布是均匀的。预处理过程可以包括对所述遥感图像进行自适应中值滤波处理，中值滤波器是一种非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换，其主要功能是让周围像素灰度值的差比较大的像素改取与周围的像素值接近的值，可以去除强度较高的椒盐噪声并保护图像的细节边缘。此外可以通过基于模型和基于学习的方法进行预处理，基于模型的方法试图对自然图像或噪声的分布进行建模，使用模型分布作为先验试图获得清晰的图像与优化算法。基于模型的方法通常将去噪任务定义为基于最大后验的优化问题，其性能主要依赖于图像的先验，如可以基于低秩矩阵逼近的红外加权核范数最小化方法。基于学习的方法侧重于学习有噪声图像到干净图像的潜在映射，可以分为传统的基于学习的方法和基于深度网络的学习方法。由于基于深度网络的方法比基于滤波、基于模型和传统的基于学习的方法获得了更有前景的去噪结果已成为主流方法。如DnCNN主要针对高斯噪声进行去噪，强调残差学习和BN的作用，FFDnet考虑将高斯噪声泛化为更加复杂的真实噪声，将噪声水平图作为网络输入的一部分，CBDnet主要是针对FFDnet的噪声水平图部分入手，通过5层FCN来自适应的得到噪声水平图实现一定程度上的盲去噪。与传统的电网节点信息获取方式相比，用遥感技术获取信息具有范围广、速度快、信息量大等优点。
步骤S13：基于经训练的卷积神经网络模型对多个不同分辨率下的遥感图像进行处理，得到节点信息；其中所述节点信息包含节点位置信息及线路连接信息；
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，也是深度学习在图像识别领域常用的算法模型，其采用局部连接的方式实现特征提取和权值共享，从而减少参数的数量降低运算的复杂度。卷积神经网络在物体检测和识别领域具有较高的识别率和广泛的实用性，对于图像平移、局部变形和旋转具有不变性，并且具有良好的容错性、并行处理能力以及自学能力。
在一实施例中步骤S13之前还包括：提取预设目标节点样本在不同分辨率的遥感图像中的样本图像及特征参数；其中基于同一目标节点样本的不同分辨率的样本图像与目标节点的特征参数存在一一对应关系；
详细而言，用于进行卷积神经网络训练的多个遥感图像的分辨率从低到高分别为第一级遥感图像至第n级遥感图像，各遥感图像大小相同且后一级遥感图像的分辨率为前一级的m倍，后一级遥感图像系以前一级遥感图像为中心的更大范围获取。所述提取预设目标节点样本在不同分辨率的遥感图像中的样本图像及特征参数包括：根据目标节点样本的大小在第一级遥感图像中确定第一样本图像，以第一样本图像为中心对第二遥感图像放大ｍ倍后采集的相同大小的图像作为第二样本图像，依次实现所有样本图像的采集，得到ｎ级的样本图像集；将采集的多级样本图像集输入到卷积神经网络，在多次转化输出中调节卷积神经网络中各神经元的偏置系数，使得所输出的特征参数与所获取的特征参数方差值在预设范围内，以得到经训练的卷积神经网络模型。
可选地，为防止训练样本中存在劣质数据对训练过程产生不良影响，在根据预设目标节点样本对卷积神经网络进行训练时首先可以通过样本规则化将样本图像集调整为统一的尺寸，每次随机选取特定数目的样本图像集作为神经网络模型的输入，并根据BP算法对每个样本图像集进行权值更新，当达到一定的迭代次数或者误差达到给定阈值时停止训练。
进一步地，基于经训练的卷积神经网络模型对多个不同分辨率下的遥感图像进行处理包括：根据目标节点样本的大小在第一级遥感图像中确定第一图像块，以第一图像块为中心对第二遥感图像放大ｍ倍后采集相同大小的图像作为第二图像块，依次实现所有图像块的采集，得到ｎ级的图像块集；将采集的多级图像块集输入到经训练的卷积神经网络模型进行节点信息提取，其中节点信息至少包含节点位置信息及线路连接信息。
步骤S15：以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；
电网系统中节点包含多种形式，电网地图构建往往以所有节点及线路连接作为基础元素，以实现高度还原地图模型与实际电网系统的一致性，但随着电网系统复杂度的提升及电网系统中设备数量的增加，以所有基础元素来构建电网模型过于复杂繁琐，数据量庞杂且处理效率低。本发明根据电网中各节点的线路连接数量构建运行电网模型，示例性地可以选择具有一个或三个以上线路连接的节点作为特征节点，即端点节点和作为交叉点的节点进行建模，通过剔除不会产生分叉线路的节点来简化电网模型的复杂度。
在一实施例中根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图包括：
根据所述特征节点的位置信息和线路连接信息生成三维电网地图；以及将所述特征节点的运行数据映射至所述三维电网地图，生成数字孪生地图。数字孪生地图是基于实体模型与实时数据构建的镜像模型，包括物理空间的实体模型和虚拟空间的虚拟模型，并且实体模型与虚拟空间之间实时进行数据和信息交互。所述方法通过选择特定的节点及线路构建模型结果，并且通过运行数据的实时映射，可以实现电网运行数据的同步化显示，进一步地可以借助实时数据对电网系统进行反馈调控。
步骤S17：根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。
在一个实施例中所述根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路包括：以任意两个端点节点作为线路端点，遍历所述两个端点节点之间的所有线路连接作为监控线路；在另一实施例中所述根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路包括：以电网系统中每个特征节点连接至端点节点的线路作为监控线路。
在一实施例中根据每个特征节点的历史运行数据对所述多个监控线路进行监控可以通过历史大数据设定特定的监控区间，当特征节点的运行数据超出预设的监控区间时，可以通过发送监控信号进行人为调控，还可以基于预先设定的响应机制自动进行调控；进一步地，针对每个监控线路还可以设置基于机器学习地自动监控方式，即以所获取地当前运行数据对监控区间进行调整，不断地生成新的监控区间，以提高线路监控地准确性。
在一实施例中还包括基于预设的分层规则将所述数字孪生地图分割为多个图层，并提取每个图层中的线路作为监控线路；其中所述分层规则可以包括以电网系统的所有线路的方向的夹角的均值不超过设定的阈值作为分割方向，及以分割后得到的每个分层地图中包含的电网的节点应超过设定的阈值作为分层厚度对数字孪生地图进行分割。
在一实施例中根据每个特征节点的历史运行数据对所述多个监控线路进行监控包括：当监控到任一特征节点的当前运行数据超出监控区间时根据所述数字孪生地图与电网系统之间的映射对应关系发送调控信号。
本发明另一实施例提供了一种基于数字孪生地图的分布式电网暂稳态运行装置，图2是本发明示例性实施例中一种基于数字孪生地图的分布式电网暂稳态运行装置的结构示意图；如图2所示，基于数字孪生地图的分布式电网暂稳态运行装置包括：
图像获取模块20，用于获取不同分辨率下包含目标供电网络的多个遥感图像，并对所述多个遥感图像进行预处理；
信息提取模块22，用于基于经训练的卷积神经网络模型对所述预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息；
地图孪生模块24，用于以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；
线路监控模块26，用于根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。
上述装置中各模块/单元的具体细节已经在对应的方法部分进行了详细的描述，此处不再赘述。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
除上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
本发明的另一实施方式提供了一种电子设备，可以用于执行本示例实施方式中所述方法全部或者部分步骤。所述装置包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本说明书上述“示例性方法”中描述的根据本发明各种实施例的方法中的步骤。
本发明的另一实施方式提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，包括以下步骤：
获取不同分辨率下包含目标供电网络的多个遥感图像，对所述多个遥感图像进行预处理；
基于经训练的卷积神经网络模型对所述预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息；
以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；
根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。
2.根据权利要求1所述的基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于， 还包括：
获取预设目标节点样本在不同分辨率的遥感图像中的样本图像及特征参数；其中基于同一目标节点样本的不同分辨率的样本图像与目标节点的特征参数存在一一对应关系；
以所述样本图像作为卷积神经网络的输入，经转换输出对应的特征参数；
在多次转化输出中调节卷积神经网络中各神经元的偏置系数使所输出的特征参数与所获取的特征参数方差值在预设范围内，以得到卷积神经网络模型。
3.根据权利要求1所述的基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，所述多个遥感图像的分辨率从低到高分别为第一级遥感图像至第n级遥感图像，各遥感图像大小相同且后一级遥感图像的分辨率为前一级的m倍，后一级遥感图像系以前一级遥感图像为中心的更大范围获取；其中m、n均为正整数；所述基于经训练的卷积神经网络模型对预处理的遥感图像进行节点信息提取包括：
根据目标节点样本的大小在第一级遥感图像中确定第一图像块；
以第一图像块为中心对第二遥感图像放大ｍ倍后采集相同大小的图像块作为第二图像块，依次实现所有图像块的采集，得到ｎ级的图像块集；
以所述ｎ级的图像块集输入至经训练的卷积神经网络模型进行节点信息提取。
4.根据权利要求1所述的基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，所述以预设连接数量的节点作为特征节点包括：
根据节点的线路连接信息确定具有一个线路连接的节点作为特征节点，以及确定具有三个以上线路连接的节点作为特征节点。
5.根据权利要求1所述的基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，所述根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图包括：
根据所述特征节点的位置信息和线路连接信息生成三维电网地图；以及将所述特征节点的运行数据映射至所述三维电网地图，生成数字孪生地图。
6.根据权利要求1所述的基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，所述根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路包括：以具有一个线路连接的节点作为端点，遍历任意两个所述端点之间的线路连接作为监控线路。
7.根据权利要求1所述的基于数字孪生地图的分布式电网暂稳态运行方法，其特征在于，所述根据每个特征节点的历史运行数据对所述多个监控线路进行监控包括：
当监控到任一特征节点的当前运行数据超出监控区间时根据所述数字孪生地图与电网系统之间的映射对应关系发送调控信号。
8.一种基于数字孪生地图的分布式电网暂稳态运行装置，其特征在于，包括：
图像获取模块，用于获取不同分辨率下包含目标供电网络的多个遥感图像，并对所述多个遥感图像进行预处理；
信息提取模块，用于基于经训练的卷积神经网络模型对所述预处理的遥感图像进行节点信息提取，所述节点信息至少包含节点位置信息及线路连接信息；
地图孪生模块，用于以预设连接数量的节点作为特征节点，根据所述特征节点的位置信息和线路连接信息进行三维映射建立数字孪生地图；
线路监控模块，用于根据预设的线路分割规则将所述数字孪生地图分割为多个监控线路，并根据每个特征节点的历史运行数据对所述多个监控线路进行监控。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7任一项所述的基于数字孪生地图的分布式电网暂稳态运行方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的基于数字孪生地图的分布式电网暂稳态运行方法。
CN202310677385.4A 2023-06-09 2023-06-09 基于数字孪生地图的分布式电网暂稳态运行方法及装置 Active CN116404760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310677385.4A CN116404760B (zh) 2023-06-09 2023-06-09 基于数字孪生地图的分布式电网暂稳态运行方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310677385.4A CN116404760B (zh) 2023-06-09 2023-06-09 基于数字孪生地图的分布式电网暂稳态运行方法及装置

Publications (2)

Publication Number Publication Date
CN116404760A CN116404760A (zh) 2023-07-07
CN116404760B true CN116404760B (zh) 2023-10-20

Family

ID=87020228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310677385.4A Active CN116404760B (zh) 2023-06-09 2023-06-09 基于数字孪生地图的分布式电网暂稳态运行方法及装置

Country Status (1)

Country Link
CN (1) CN116404760B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216341B (zh) * 2023-09-22 2024-03-29 云南电网有限责任公司电力科学研究院 一种电网分布式时空数据的可视化方法及系统
CN117374946B (zh) * 2023-10-16 2024-06-11 国网江苏省电力有限公司南通供电分公司 一种基于消纳能力评估的配电网调度管理方法及系统
CN117387603B (zh) * 2023-12-13 2024-02-23 西安新视空间信息科技有限公司 电力巡检地图导航方法及装置、介质、电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537393A (zh) * 2015-01-04 2015-04-22 大连理工大学 一种基于多分辨率卷积神经网络的交通标志识别方法
CN112541904A (zh) * 2020-12-16 2021-03-23 西安电子科技大学 一种无监督遥感图像变化检测方法、存储介质及计算设备
CN114004945A (zh) * 2021-11-03 2022-02-01 山东翰林科技有限公司 一种基于三维地图的数字孪生电网系统及方法
WO2022141397A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种神经网络的训练方法以及相关装置
CN115131682A (zh) * 2022-07-19 2022-09-30 云南电网有限责任公司电力科学研究院 一种基于遥感图像的电网分布情况绘制方法及系统
CN115833395A (zh) * 2022-12-26 2023-03-21 国网河北省电力有限公司电力科学研究院 一种配电网的运行状态的分析方法、装置及在线监测系统
CN115842347A (zh) * 2023-02-24 2023-03-24 深圳市三和电力科技有限公司 一种基于数字孪生的微网负荷动态平衡方法、系统及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537393A (zh) * 2015-01-04 2015-04-22 大连理工大学 一种基于多分辨率卷积神经网络的交通标志识别方法
CN112541904A (zh) * 2020-12-16 2021-03-23 西安电子科技大学 一种无监督遥感图像变化检测方法、存储介质及计算设备
WO2022141397A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种神经网络的训练方法以及相关装置
CN114004945A (zh) * 2021-11-03 2022-02-01 山东翰林科技有限公司 一种基于三维地图的数字孪生电网系统及方法
CN115131682A (zh) * 2022-07-19 2022-09-30 云南电网有限责任公司电力科学研究院 一种基于遥感图像的电网分布情况绘制方法及系统
CN115833395A (zh) * 2022-12-26 2023-03-21 国网河北省电力有限公司电力科学研究院 一种配电网的运行状态的分析方法、装置及在线监测系统
CN115842347A (zh) * 2023-02-24 2023-03-24 深圳市三和电力科技有限公司 一种基于数字孪生的微网负荷动态平衡方法、系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚瑞昆 等.采用全卷积神经网络与多波段遥感图像结合的湿地分类方法.《采用全卷积神经网络与多波段遥感图像结合的湿地分类方法》.2022,第44卷(第04期),第26-34页. *

Also Published As

Publication number Publication date
CN116404760A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116404760B (zh) 基于数字孪生地图的分布式电网暂稳态运行方法及装置
Nie et al. Resampling and data augmentation for short-term PV output prediction based on an imbalanced sky images dataset using convolutional neural networks
WO2020108358A1 (zh) 图像修复方法、装置、计算机设备和存储介质
CN107491833B (zh) 一种光伏发电功率预测的方法和装置
Zhao et al. Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration
CN111950868A (zh) 一种基于生成对抗网络的综合能源系统负荷场景生成方法
Wang et al. Clouda: A ground-based cloud classification method with a convolutional neural network
CN112102181A (zh) 一种服务器图像处理方法
CN114818827A (zh) 基于seq2point网络的非侵入式负荷分解方法
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN117691592A (zh) 光伏出力预测方法、装置、电子设备及存储介质
CN117688362A (zh) 基于多元数据特征增强的光伏功率区间预测方法及装置
Gao et al. Motion deblurring algorithm for wind power inspection images based on Ghostnet and SE attention mechanism
CN111539573A (zh) 一种风光互补离网系统的功率预测方法及系统
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
Dokuz et al. Year-ahead wind speed forecasting using a clustering-statistical hybrid method
CN116030365A (zh) 模型训练方法、装置、计算机设备、存储介质和程序产品
CN112257938B (zh) 一种光伏发电功率预测方法及装置
CN114298300A (zh) 不确定度预测方法、装置、电子设备及存储介质
CN115392525A (zh) 分散式风电功率预测方法、装置及设备
Zhao et al. Ultra-short-term power forecasting of wind farm cluster based on spatio-temporal graph neural network pattern prediction
Jiang et al. Research on Lightweight Method of Image Deep Learning Model for Power Equipment
Trang et al. Lorap: Local deep neural network for solar radiation prediction
Baskar et al. Load Disaggregation using Graph Signal Processing
CN116109607B (zh) 一种基于图像分割的输电线路工程缺陷检测方法

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