基于电力大数据的空心村分布智能规划模型研究

孙磊， 卓俊宇， 李杏丽， 石秀程， 袁业

(1. 陇南市大数据管理局， 甘肃， 陇南 746000；2. 国网思极飞天(兰州)云数科技有限公司， 甘肃， 兰州 730050；3. 国网甘肃省电力公司张掖供电公司， 甘肃， 张掖 734000；4. 国网甘肃省电力公司检修公司， 甘肃， 兰州 730050)

0 引言

随着社会城市化和工业化进程的不断加快，农村大量青壮年劳动力涌入城市打工，造成村庄出现“内空外延”的用地现状，不合理的农村用地方式形成了空心村，较低的土地利用率深度影响农村建设。目前大量省份中均存在空心村，这是由于农村基层政府没有规划意识、农民传统的宅基地私有观念浓厚、农民缺乏土地法制意识、城市化进程加快以及其他自然环境原因造成的，为了解决空心村带来的危害，空心村分布智能规划模型的构建十分必要[1]。

文献[2]针对状态空间特征，定义轮系基本单元的概念，利用状态变换方程获取单元之间的邻接关系，建立智能规划模型，但将模型应用到空心村分布规划任务中时，发现空心村的土地利用率不够理想。文献[3]结合空心村周边地区的人才集聚、区域创新与区域经济增长模式，采用面板空间计量模型创新建筑分布的规划视角，构建经济文化一体的建筑格局，但土地利用率的问题没有得到解决。文献[4]根据空心村实际空间环境变化，构建一个三维的仿真模型，采用改进的尺度不变特征变换算法匹配各项数据，尽管土地利用率得到较大程度的改善，但还没有达到理想效果电力大数据来源于用电、发电、输电、变电、配电等环节，包含三大类不同的电力数据，这些数据体量大、类型多、价值密度较低[5]。

针对电力大数据的特点以及传统模型存在的弊端，构建新的空心村分布智能规划模型。

1 基于电力大数据的空心村分布智能规划模型

1.1 预处理空心村空间数据

空心村空间数据信息具有多维性特征，包含了大量的地理位置信息。由于建筑物到供电中心距离较远，且空心村居民分布不均匀，电量消耗波动性明显，因此，规划区域范围内所有建筑物与区域中心的平均距离计算的数据以及所有线路每个月的线损和线损率是最容易存在噪声的数据，严重时直接影响数据挖掘结果，面对该问题需要对此类数据预处理，挖掘更加精准的空间特征。预处理阶段的第一步，需要计算规划空间的有效供电半径，根据空心村区域的经纬度数据，获得各个建筑物的坐标信息，计算区域中心到建筑物的供电距离，计算结果通过下列公式得到：

(1)

式中，α、β分别表示不同数据节点之间的角度差异，w0表示区域中心的纬度坐标，wi表示建筑物的纬度坐标，r表示地球半径[6]。计算规划区域范围内所有建筑物与区域中心的平均距离，结果为

(2)

式中，n表示线路数量[7]。根据当地的供售电量信息，计算所有线路每个月的线损和线损率，公式为

(3)

式中，S1和S2分别为供电量和售电量。利用Tableau软件可视化处理上述数据，利用Excel函数计算规划空间特征值。当得到的结果中存在缺失值和异常值时，采用补插法剔除计算结果中的冗余数据，并对存在缺失的位置处填补缺失数据，建立完整的规划空间特征集合，实现对空心村空间数据的预处理[8]。

1.2 基于峰值密度算法的电力大数据特征提取

电力大数据能够反映真实的空心村分布特征，采用峰值密度算法提取空心村电力大数据，实现空间与建筑物的智能匹配。针对空心村整体结构，建立空心村特征属性图，如图1所示。

图1 空间村空间位置特征

根据图1空间中的节点位置可知，空心村四周建筑较多，中间位置的建筑越来越少，峰值密度算法[9-10]针对这一特点，提取电力大数据。峰值密度算法利用测地距离代替欧氏距离，根据数据集包含的簇情形，得到电力大数据。峰值密度算法的动态邻域思想，依据空心村建筑的稀疏程度，动态调整K的值。将稀疏类簇中的样本数据扩大，控制密集类簇中的样本邻域范围。已知稀疏程度是相对的，假设空心村建筑物数量为i，采用建筑物周边邻居的数量，分析电力大数据的稀疏程度，公式为

(4)

式中，de(i,j)表示欧式距离，dmin(i)表示式(2)得到的最近距离，m(i)表示近邻取值。根据得到的稀疏程度f(i)，提取线损和线损率影响下的电力大数据特征，公式为

(5)

当K值为0时，说明空心村的电力大数据特征提取结果不佳，需要进一步调整；当K值为1时，则表明电力大数据特征提取结果符合要求[11]。

1.3 设计空间融合方式

针对电力大数据的特征，设计空心村空间融合方式。在空间边界上，采用迂回曲折的方式确定空心村的结构形态和建筑逻辑秩序，图2是为空心村不同建筑物之间，设计的边界融合方式。

(a) 边界虚化

智能规划空心村分布的主要目的为加强空间利用率，实现空间共享，因此设计模型的空间融合方式时，不能采取简单的聚集和扩张方式，需要根据现阶段电力大数据的分布特征，调整空心村空间边界，以虚化的方式代替绝对化的边界划分[12]。“柔性边界”是丹麦扬·盖尔在《交往与空间》中提出的，此次研究在空间融合方式上引入此概念，根据电力大数据的峰值特征、周期性特征，感知不同建筑在空间中的位置特征，为不同的建筑提供柔和的融合过渡区域，而不是直接性地在空心村的空地上单纯地增加建筑物，忽略建筑之间的排他性。电力大数据特征提取结果中，存在部分特殊数据极大或极小数据，所以说明一些建筑用电特殊，针对这一分析设计异化边界条件，针对特殊建筑设计异化边界，满足其自身的真实需求，设计多样化的空间融合方式[13]。

1.4 构建多维超立方智能规划模型

针对上述设计成果，构建多维超立方智能规划模型。采用多维数组控制全局数据，但数组中的数据具有不同的数值关系，因此假设该关系为λ，数组的排列方式用q表示，则三维数组形状为一个1×2×3的形式。利用F(n)表示c维上数组的表现特征，则值域用[0,F(n))表示。利用W(x)表示形状在数组中的坐标，则其中的标志为G的数组可通过下列公式描述：

(6)

上述公式通过获取一个映射关系，得到标志为G的数组，G代表边界条件[14]。利用Dim(G)表示形状向量中不为0的形状数量，则存在：

Dim(G)=Count(F(n)·Gx)

(7)

此时数组大小反映空间占用的大小，因此将形状向量作为维度上的乘积，得到：

(8)

已知数据维度为c维，通过删除其中的一个维度降维数组，则假设被删除的维度为m，得到c-1 维数组，设置降维之后的数组为Gm↓，则其属性为

(9)

根据上述得到的属性值，结合设计的空间融合方式建立连接元h，公式为

h=Select(Gm↓,μ)

(10)

式中，μ表示筛选参数。依据上述结果得到规划模型[15]，如图3所示。

图3 多维超立方智能规划模型

利用构建的模型规划空心村分布，至此基于电力大数据的空心村分布智能规划模型构建完毕。

2 仿真实验与结果分析

2.1 实验准备

根据目前M省中的空心村，建立三维实景仿真测试环境，根据空心村实际分布状态，仿真建筑分布和用电信息，参与实验的空心村规划节点为100个。图4为仿真环境下，针对实际用电大数据获得的电力负荷曲线。

(a) 夏季

根据图4中的曲线变化趋势可知，夏季和冬季时，空心村的用电数据变化幅度较大，因此基于电力大数据的模型，根据图4信息智能规划空心村的分布。将研究构建的模型作为实验组，将三组常规智能规划模型作为对照组，对仿真空心村进行智能规划，比较测试条件相同时，四组模型的智能规划效果。

2.2 空间分布规划效果测试

已知选择的空心村中有52户，将文献[2]、文献[3]以及文献[4]提出的三组常规模型作为对照组，构建的模型作为实验组，图5为四组模型的智能化规划效果图。

(a) 所设计模型

根据图5可知，实验组模型的三种边界条件被充分利用，改善了空心村的建筑用地位置，将原先集中在村庄外围的用户调整到空闲的中心区域，加强用地的合理性。而三组常规模型获得的数据过于理论化，降低了空心村的位置特征真实性，因此规划后的仿真位置并不理想。利用式(11)计算三组模型应用下，空心村的土地利用率：

(11)

式中，U0表示空心村的占地总使用面积，U1表示模型规划后的空心村占地面积。针对测试背景设置15轮空心村分布规划任务，根据式(11)得出的计算结果，如表1所示。

表1 土地利用率统计结果

综合15次测试结果可知，实验组的土地利用率统计结果，均要高出3组常规模型应用下的统计结果。为了便于比较，计算四组测试结果的平均值，分别为84.89%、62.5%、61.84%以及65.52%，实验组的土地利用率平均值，分别比3个对照组高出了22.39%、23.05%以及19.37%。综合实验测试数据来看，基于电力大数据的模型规划效果更好。

3 总结

常规空心村分布智能规划模型尽管在土地利用率上存在不足，通过电力大数据特征分析，构建了全新的智能规划模型，对于模型的规划效率来说，研究过程中没有明确指出，模型对于处理数据的速度还是未知的，今后可针对这一项问题展开说明，进一步优化模型的整体性能。