基于人工智能的海量电网GIS 数据动态调度方法

买合布拜·肖开提，薛高倩，雪拉提·司马义，吕娜

（国网新疆电力有限公司信息通信公司，新疆乌鲁木齐 830002）

在电力系统中，为增强管理和可视化的分析能力，需要根据GIS 地理信息，实现各方面用电项目的应用。在电力地理信息系统中，网络设备的图形显示是其基础。据统计，目前我国大多数省份的低压电力系统的数据总量已经达到了几千万乃至几十亿字节。如何在大容量的电网地理信息系统中进行数据的调度和显示，是当前迫切需要解决的问题。

文献[1]提出了结合GIS 的可视化重建技术，该技术通过使用数据采集与监控系统获取电网GIS 数据，结合系统空间数据引擎分析能力，向GIS 反馈电网实时状态信息。使用GIS 和系统图模数方法，实现电网GIS 数据可视化监控。虽然使用该方法能够可视化显示调度结果，但是服务端需要在短时间内立刻完成数据查询任务，导致其所承受的负载超过正常状态；文献[2]提出了基于大数据调度方法，该方法构建了多任务调度队列，利用优先级调度方法进行GIS 数据调度。虽然使用该方法能够在规定时间内有效分配节点负载，但是难以实现数据调度的智能交互。针对上述问题，提出了基于人工智能的海量电网GIS 数据动态调度方法。

1 海量电网GIS数据压缩

海量电网GIS 数据与电网中的节点数目有关，而架空线路的节点数目与杆塔一一对应。电网线路较多，导致在显示大范围电网线路时，需要加载的线路数据量十分庞大，这为数据调度带来较大影响[3]。为此，需要对海量电网GIS 数据进行压缩。

因为电网GIS 坐标在容差范围内各点的间距投影到屏幕上的像素点相同，所以针对可视化表达角度，可以将这些点简化为一个点[4-5]。通过对屏幕上的点进行简单处理，可以确保屏幕中的任意像素仅被一个地理坐标点所覆盖，从而节约了数据的传输和绘制[6]。详细压缩过程如下所示：将每一条曲线首尾相连，求取该曲线起始点到末端的距离，可记为lmax，如式（1）：

式中，vmax表示使用一个节点从曲线起始点到末端的最大运行速度；t0→n表示从起始点到末端的节点运行所耗费的时间。将lmax与理想距离值L对比。如果lmax＜L，则说明该曲线从起始点到末端上的重复节点被舍弃；如果lmax≥L，则说明该曲线从起始点到末端上的节点被全部保留[7-9]。在满足上述条件情况下，在矢量数据中，通过读出各节点的几何坐标，按顺序从左向右移动，从而获得M矩阵。按每一行首位数的尺寸排列矩阵中的元素，将该排列的最后一列取出来，储存于原来的位置，并将原坐标上的编号记录下来。对重新排列的坐标值进行编码压缩，由此获取简化后的GIS 数据。

2 海量电网GIS数据人工智能动态调度

2.1 调度模型构建

根据海量电网GIS 数据压缩结果，获取简化后的GIS 数据。使用人工智能调度的神经网络方法，根据海量电网GIS 动态调度数据，生成误差修补函数，对神经网络进行训练[10-11]，并将其与理想结果进行对比，修改神经网络权值，生成人工智能调度模型。

神经网络结构的第λ个神经元，使用线性加权求和得到的神经元净输入为：

式中，ωλ表示连接权值；x0λ表示给定的训练集；n表示训练集合个数。将神经元净输入和阈值相比较，由于输出值没有约束条件，所以使用线性激活函数求解输出值，公式为：

式中，f表示选择的激活函数。在训练数据过程中，神经网络训练理想输出结果为：

由此计算动态调整误差，可用最小二乘法表示：

式中，ς表示输出向量。利用梯度下降方法进一步训练动态调整误差。由于线性函数是随着自变量因素变化最快的函数，因此，需要设定一个变化的参数，即学习速率v，从而得到的神经网络权值修改公式为：

式中，ωλ表示动态调整误差偏导数[12]。结合该导数，构建人工智能调度模型[13]，如图1 所示。

图1 人工智能调度模型

由图1 可知，为了满足各种电力用户需求，使用该模型能够对电网整体进行调度，有效保证了模型内部和外部数据调度的协调性。

2.2 调度实现流程

在人工智能调度模型支持下，设计数据调度的实现流程如下所示：

步骤一：在客户机中建立两个缓存容器，分别是请求缓存容器和反馈缓存容器，这两种容器都采用R 树数据结构[14]。在R 树数据结构中，海量电网GIS数据结构的每一个节点都有两个细节层次级别。

步骤二：客户端可以通过扫描、移动或放大来更改当前的视野；客户端计算当前窗口的显示水平及空间查询距离[15]。

步骤三：客户端搜索分析请求缓存情况，以决定是否向目前的视点传送资料要求。如有需要，继续进行下一步骤；如果没有需要，返回步骤二。

步骤四：客户端将信息作为请求，发送给服务端；服务端接受该请求，并根据该请求参数分析该数据查询的属性和空间状况；服务端执行数据查询任务，对于非线路设备，可直接从空间资料库中查询原始编号；对于线路设备，首先需要确定是否对压缩的数据进行查询。如果需要，可以询问相对于压缩水平的行数[16]；如果不需要，则直接调取数据库中的资料，并将资料在服务端组成字符串形式，返回给客户端。

步骤五：海量电网GIS 数据高性能显示是人工智能调度的关键，常规显示方法只是利用画布绘制电网设备元素，无法满足电网运行分析实时动态着色需求。因此，为了提高调度效率，提出了基于人工智能调度的数据动态渲染方法。在电力场景漫游过程中，电网GIS 数据可以被渲染，因此，可以有效缩短数据动态调度响应时间。基于此，设计的电网GIS数据渲染的实现流程包括如下步骤：

启动图像浏览，通过移动或缩小地图来改变目前的视野区域。将当前视野范围内的数据作为待缓存数据，并判定遍历过程是否完成。根据遍历确定渲染后的节点数量，自动调节每个节点渲染程度，其中，对于任意节点的横坐标可表示为：

式中，xmax、xmin分别表示区域横向坐标最大值和最小值；ki表示在同一级别的索引位置；hi表示i节点在R 树数据结构中的深度。

任意节点纵坐标范围计算公式如下：

式中，ymax、ymin分别表示区域纵向坐标最大值和最小值；kj表示索引位置；hj表示j节点在R 树缓存结构中的高度。

步骤六：通过数据动态渲染，提高GIS 网格清晰度，因此绘制得到的特征数据清晰度较高，这样能够满足GIS 数据使用者对清晰度的高标准要求，有效提高了数据动态调度效率。客户端利用Web Worker界面分析多线程数据，并将分析结果插入数据缓存，由此完成数据动态调度。

3 实 验

使用Pentium/1.6G 作为节点机构成Cluster 系统，利用该系统进行实验验证分析。

3.1 实验数据与过程

基于某省电网资源数据进行实验，在电网GIS中空间数据主要包括基本的地理信息数据和配电设备层。依据GIS 地理信息绘制电网矢量数据的等高线，通过该线能够分析海量电网GIS 数据之间的距离，方便进行数据调度，该调度内容如表1 所示。

表1 调度内容

调度表1 的内容后，对某地区变电站2021 年11月11 日的电网GIS 数据进行分析，如表2 所示。

表2 电网GIS数据分析

由表2 可知，变电站电网GIS 数据的最大值和最小值之差不能大于20 kB，否则冗余数据过大，影响实验结果。对于这部分数据，四个变压器理想状态下的调度响应总时长在110 s以内，以此为标准展开实验分析。

3.2 实验结果与分析

分别使用文献[1]方法、文献[2]方法和所提方法，对比分析电网GIS 数据动态调度结果，如表3 所示。

表3 不同方法电网GIS数据调度结果

由表3 可知，文献[1]方法与实际数据存在最大为50 kB 的误差；文献[2]方法与实际数据存在最大为80 kB 的误差；而该文方法与实际数据存在最大为10 kB 的误差。通过上述对比结果可知，使用该文方法的电网GIS 数据调度结果更理想。

在此基础上，分别使用文献[1]方法、文献[2]方法和所提方法，对比分析电网GIS 数据调度响应时间，如图2 所示。

图2 不同方法调度响应时间

由图2 可知，使用文献[1]方法的电网GIS 数据调度响应时间为133 s；使用文献[2]方法的电网GIS 数据调度响应时间为134 s；而使用该文方法的电网GIS 数据调度响应时间为100 s。由此可知，与文献[1]方法和文献[2]方法相比，该文方法的电网GIS数据调度响应时间较短。

4 结束语

为了确保电网GIS 数据调度效果，缩短调度响应时间，文中提出了基于人工智能的海量电网GIS数据动态调度方法。该方法压缩处理海量电网GIS数据，并结合人工智能调度的神经网络方法，构建人工智能调度模型。设计动态调度流程，并进行了渲染，由此实现电网GIS 数据动态调度。该方法具有较好的调度效果，能有效缩短调度响应时间。