技术领域
[0001] 本申请涉及输电线工程技术领域，特别涉及一种输电线选线方法、装置、设备及介质。
相关背景技术
[0002] 输电线路的选线，作为电网建设中的一个关键环节，是输电线路设计的重要基础，其可靠性和稳定性对电网的安全和运行效率有着重要影响。
[0003] 然而，传统的输电线规划方法过度依赖于电网研究人员的实地勘察与个人经验，这一模式在实践中暴露出显著的局限性：高昂的考察成本、相对低下的工作效率、精度上的不足，以及难以摆脱的主观偏见，均对规划成果的质量构成了不容忽视的制约。
具体实施方式
[0029] 下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0030] 下面参考附图描述本申请实施例的输电线选线方法、装置、设备及介质。针对上述背景技术中提到的现有人工选线设计技术无法精准处理复杂的路径选择因素以及主观性强的问题，本申请提供了一种输电线选线方法，在该方法中，通过整合多源地理信息并运用先进的分类处理技术，为输电线路选线构建了精准的数据分析框架。通过计算路径地理综合成本值权重，实现了经济性与综合效益的最优平衡，选出了更具成本效益的输电线路径。引入遗传算法的交叉和变异操作到灰狼算法中，形成了新的目标灰狼算法，不仅保留了灰狼算法在解决优化问题上的优势，还通过遗传算法的交叉和变异机制增强了算法的局部搜索能力和跳出局部最优解的能力，使得输电线路的选线过程更加智能化和精细化。由此，解决了现有技术中输电线规划成本高、效率低、精度差且主观性强等问题。
[0031] 具体而言，图1为本申请实施例所提供的输电线选线方法的流程示意图。
[0032] 如图1所示，该输电线选线方法包括以下步骤：
[0033] 在步骤S101中，获取目标区域的多源地理信息。
[0034] 其中，多源地理信息可以指来自不同来源、不同传感器或不同数据收集方式的地理空间数据。
[0035] 可以理解的是，本申请实施例通过获取目标区域的多源地理信息，为输电线路的选线提供了丰富的数据基础。
[0036] 在本申请实施例中，获取目标区域的多源地理信息，包括：获取目标区域的遥感图像；采用随机森林法对遥感图像进行初步分类得到初步分类结果；利用GIS技术对初步分类结果进行重分类得到目标分类结果。
[0037] 其中，目标分类结果可以是经过分类处理后得到的数据集，这些数据集已经按照预定的标准或规则被分为不同的类别或组。
[0038] 可以理解的是，本申请实施例通过融合随机森林算法与GIS技术，在遥感图像分类中实现了高效、准确且实用的分类效果。随机森林算法利用其集成学习的优势，有效减少了过拟合，提高了分类的准确性和鲁棒性，并通过并行处理提升了分类效率。而GIS技术的引入，则进一步优化了分类结果，通过空间数据分析和专家知识库的校验，增强了分类的精度和实用性。两者结合不仅加速了分类流程，还使得分类结果能够支持多维度的空间分析，为城市规划、环境监测、资源管理等领域提供了强有力的数据支撑。
[0039] 具体地，根据实际需求选定研究区域；对选定的研究区域，获取其遥感卫星图像，在ArcMap软件中采用随机森林分类的方法对研究区域进行分类，具体类别包括居民地、道路、河流、田地、树木共5个类别；对获得的初步分类结果，根据输电线建设等级要求将多源地理信息按照5级标准划分等级进行重分类。
[0040] 在步骤S102中，对多源地理信息进行分类处理得到目标分类结果，根据目标分类结果计算目标区域中每条输电线路径的路径地理综合成本值权重。
[0041] 其中，路径地理综合成本值权重可以指在考虑多种因素的基础上，为每条输电线路径计算出的一个综合评价指标。
[0042] 可以理解的是，本申请实施例通过计算路径地理综合成本值权重，为决策者提供了直观、科学的依据，以选择成本更低、风险更小的最优路径，不仅有效降低了输电线路的全生命周期成本，特别是在复杂和恶劣环境条件下的建设和运维成本，还显著增强了项目的环境友好性和可持续性，减少了对自然环境的破坏。同时，通过规避高风险区域和减少与其他基础设施的交叉干扰，提升了电网运行的安全性和可靠性，确保了电力供应的稳定性和效率。
[0043] 在本申请实施例中，根据目标分类结果计算目标区域中每条输电线路径的路径地理综合成本值权重，包括：根据目标分类结果确定层次结构模型的目标层、准则层和方案层；根据准则层和方案层中的元素进行两两比较，使用三角模糊数来表示比较结果；根据比较结果构造模糊判断矩阵，若模糊判断矩阵不满足一致性要求，则重新调整模糊判断矩阵，否则根据模糊判断矩阵计算模糊数的评价因子矩阵和权重结果；根据评价因子矩阵和权重结果计算路径地理综合成本值权重。
[0044] 其中，目标层可以代表决策分析的总目标或最终目标，准则层可以位于目标层之下，包含了一系列用于评估方案是否达到目标层要求的标准或准则，方案层可以包含所有可能的解决方案或备选方案。
[0045] 可以理解的是，本申请实施例通过构建层次结构模型，将复杂问题拆解为清晰、分层的子问题，显著提升了决策的系统性和全面性。利用三角模糊数进行量化评估，不仅将主观判断转化为客观数值，还增强了评估的准确性和客观性。同时，该流程具备高度的灵活性和适应性，能够有效处理不确定性因素，并通过动态调整机制确保决策过程的科学性和合理性。
[0046] 在本申请实施例中，模糊判断矩阵为：
[0047]
[0048] 其中，n是地理信息因素的种类个数，aij是三角模糊数。
[0049] 在本申请实施例中，模糊评价因子矩阵为：
[0050]
[0051] 其中，lij是下界，uij是上界；mij是lij和uij的中值。
[0052] 具体地，根据实际需求确定求解问题的目标层、准则层和方案层，构建层次结构模型；对确定的准则层，建立准则两两比较的判断矩阵；对建立的判断矩阵中比值转化为三角模糊数，取值依据1‑9标度法；对获得的三角模糊数，定义L、M、U三个矩阵，分别表示下限、中值和上限的模糊判断矩阵，确定模糊判断矩阵A：
[0053]
[0054] 其中，n是地理信息因素的种类个数，aij是三角模糊数；
[0055] 构造模糊评价因子矩阵E为：
[0056]
[0057] 其中，lij是下界，uij是上界；mij是lij和uij的中值。
[0058] 对构造的模糊评价因子矩阵E进行一致性检验，如果一致性检验不满足要求，则需要重新计算调整判断矩阵Q：
[0059] Q＝M×E
[0060] 其中 M是由三角模糊数中值mij组成的矩阵；
[0061] 对计算出的调整判断矩阵Q按照列表转换成对角线全为1的新判断矩阵P，对其重新进行一致性条件分析；
[0062] 对一致性条件分析并满足要求后，确定各层地理信息要素的权重值：
[0063]
[0064]
[0065] 对各层地理信息要素的权重值，采用栅格叠加分析，计算获得最终的地理数据综合成本值。
[0066] 在步骤S 1 03中，将每条路径的路径地理综合成本值权重输入选线模型，选线模型输出目标区域的目标输电线路径，其中，选线模型基于目标灰狼算法进行选线，目标灰狼算法为引入遗传算法的交叉和变异操作的灰狼算法。
[0067] 其中，目标灰狼算法可以是基于群体智能的优化算法，模拟了自然界中灰狼的社会等级制度和狩猎行为。
[0068] 可以理解的是，本申请实施例通过综合考虑每条路径的地理综合成本值权重，选线模型实现了对经济性、环境影响、技术可行性等多维度因素的全面评估，确保了所选输电线路在整体上的最优或次优性。采用引入遗传算法交叉和变异操作的目标灰狼算法，不仅强化了算法在复杂搜索空间中的高效性，还显著提升了其全局搜索能力和避免局部最优解的能力，从而进一步提高了选线的准确性和精确度。
[0069] 具体地，将遗传算法的交叉和变异算子融入灰狼算法，利用遗传算法在局部搜索方面的优势，增强灰狼算法的全局搜索能力，避免其陷入局部最优解；首先在搜索空间中随机初始化灰狼种群， 其中a是影响 的收敛因子，在[2,0]范围内线性减小， 和 是系数向量：
[0070]
[0071]
[0072]
[0073] 其中， 和 为随机向量，t为当前迭代的次数，tmax为最大迭代次数；
[0074] 完成初始化后，灰狼算法优化迭代计算：
[0075]
[0076]
[0077] 在迭代过程中，每进行一次迭代过程，保留当前种群中最好的三只灰狼(α,β,δ)灰狼的位置会进行更新，更新计算数学模型如下：
[0078]
[0079]
[0080]
[0081] 其中， 是代表α，β，δ的位置向量， 为第t次迭代时的位置向量，是狼群中其他狼与α,β,δ之间的距离， 为第t+1次迭代时的位置向量；
[0082] 对灰狼算法优化流程中融合遗传算法的交叉和变异操作，其中，交叉操作采用两点交叉操作，随机生成一个交叉点，且交叉点位于两个父代解的非零长度范围内，确保交叉后的子代长度与父代相同，交换两点之间的序列，产生两个新的子代解；变异操作是随机生成数，若小于设定的变异率值，则进行变异操作。
[0083] 在本申请实施例中，选线模型基于目标灰狼算法进行选线，包括：对目标灰狼算法和遗传算法的种群进行初始化；设定目标适应度函数，利用目标适应度函数和路径地理综合成本值权重计算适应度值；利用目标灰狼算法中灰狼的位置信息引导其他狼向最优解靠近，使用遗传算法中的两点交叉在狼群中产生新解，使用遗传算法中的变异算子对新解进行局部搜索，根据适应度值选取加入狼群的新解；直到满足迭代停止条件时得到目标输电线路径；将新产生的解根据适应度值进行选择决定其是否加入到狼群。
[0084] 可以理解的是，本申请实施例融合了目标灰狼算法的全局搜索能力和遗传算法的局部搜索及多样性保持优势，通过初始化种群、设定并计算适应度值、灰狼算法引导搜索方向、遗传算法交叉变异生成新解以及基于适应度值的选择机制，能够在复杂多变的环境中快速准确地找到整体最优或次优的输电线路径，从而优化电力资源配置，提高电网运行效率和稳定性。
[0085] 在本申请实施例中，目标适应度函数为：
[0086]
[0087] 其中，a表示路径长度权重；b表示路径地理综合成本值权重；c表示路径连贯性权重；f1为路径长度函数；f2为地理综合成本函数；f3为路径连贯性函数。
[0088] 具体地，路径总长度的最短约束：
[0089]
[0090] 其中，li为路径第i段相邻的两栅格间的距离；n为路径中节点个数；
[0091] li为：
[0092]
[0093] 地理综合成本最小约束为：
[0094]
[0095] 其中，wi为路径中第i个栅格的地理综合成本值；
[0096] 路径的连贯性约束可以通过计算夹角来判断：
[0097] f3＝|θi+1‑θi|
[0098]
[0099] 其中，θi是第i个节点与规划路径的夹角；θi+1是第i+1个节点与规划路径的夹角；
[0100] 目标适应度函数为：
[0101]
[0102] 其中，a表示路径长度权重；b表示路径地理综合成本值权重；c表示路径连贯性权重；f1为路径长度函数；f2为地理综合成本函数；f3为路径连贯性函数。
[0103] 根据本申请实施例提出的输电线选线方法，通过整合多源地理信息并运用先进的分类处理技术，为输电线路选线构建了精准的数据分析框架。通过计算路径地理综合成本值权重，实现了经济性与综合效益的最优平衡，选出了更具成本效益的输电线路径。引入遗传算法的交叉和变异操作到灰狼算法中，形成了新的目标灰狼算法，不仅保留了灰狼算法在解决优化问题上的优势，还通过遗传算法的交叉和变异机制增强了算法的局部搜索能力和跳出局部最优解的能力，使得输电线路的选线过程更加智能化和精细化。由此，解决了现有技术中输电线规划成本高、效率低、精度差且主观性强等问题。
[0104] 下面将结合图2对输电线选线方法进行具体阐述，内容如下：
[0105] S1、选取研究区域，利用GIS处理地理信息数据；
[0106] 具体地，选定浙江省嘉兴市某地区作为研究区域并获取其遥感卫星图像；在ArcMap软件中采用随机森林分类的方法对研究区域进行分类，具体类别包括居民地、道路、河流、田地、树木共5个类别；基于初步分类结果，根据输电线建设等级要求将多源地理信息按照5级标准划分等级进行重分类。
[0107] S2、采用三角模糊数层次分析法确定权重和成本值，在目标灰狼算法中融入遗传算法的交叉和变异操作；
[0108] S3、设计目标函数；
[0109] 其中，目标适应度函数为：
[0110]
[0111] 其中，a表示路径长度权重；b表示路径地理综合成本值权重；c表示路径连贯性权重；f1为路径长度函数；f2为地理综合成本函数；f3为路径连贯性函数。
[0112] S4、使用改进的灰狼算法在地图数据中寻找最优路径；
[0113] 对获得地理信息综合成本值提取到表格中，将表格中的数据转为二进制数据，以便于进行计算；使用改进的灰狼算法进行路径规划，以此找到最优的路径。
[0114] 综上，本申请实施例结合多源地理信息可以更加全面考虑影响路径规划的因素，从而提高路径规划的精确度。改进的灰狼算法能够更好地适应复杂地形和多变的环境条件，使选线结果更加符合实际需求。同时融合了遗传算法中交叉和变异操作后的灰狼算法，不易陷入局部最优解，提高了全局搜索的能力。
[0115] 其次参照附图描述根据本申请实施例提出的输电线选线装置。
[0116] 图3是本申请实施例的输电线选线装置的方框示意图。
[0117] 如图3所示，该输电线选线装置10包括：获取模块100、计算模块200和输出模块300。
[0118] 其中，获取模块100用于获取目标区域的多源地理信息；计算模块200用于对多源地理信息进行分类处理得到目标分类结果，根据目标分类结果计算目标区域中每条输电线路径的路径地理综合成本值权重；输出模块300用于将每条路径的路径地理综合成本值权重输入选线模型，选线模型输出目标区域的目标输电线路径，其中，选线模型基于目标灰狼算法进行选线，目标灰狼算法为引入遗传算法的交叉和变异操作的灰狼算法。
[0119] 需要说明的是，前述对输电线选线方法实施例的解释说明也适用于该实施例的输电线选线装置，此处不再赘述。
[0120] 根据本申请实施例提出的输电线选线装置，通过整合多源地理信息并运用先进的分类处理技术，为输电线路选线构建了精准的数据分析框架。通过计算路径地理综合成本值权重，实现了经济性与综合效益的最优平衡，选出了更具成本效益的输电线路径。引入遗传算法的交叉和变异操作到灰狼算法中，形成了新的目标灰狼算法，不仅保留了灰狼算法在解决优化问题上的优势，还通过遗传算法的交叉和变异机制增强了算法的局部搜索能力和跳出局部最优解的能力，使得输电线路的选线过程更加智能化和精细化。由此，解决了现有技术中输电线规划成本高、效率低、精度差且主观性强等问题。
[0121] 图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0122] 存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
[0123] 处理器402执行程序时实现上述实施例中提供的输电线选线方法。
[0124] 进一步地，电子设备还包括：
[0125] 通信接口403，用于存储器401和处理器402之间的通信。
[0126] 存储器401，用于存放可在处理器402上运行的计算机程序。
[0127] 存储器401可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
[0128] 如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0129] 可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
[0130] 处理器402可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
[0131] 本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的输电线选线方法。
[0132] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0133] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0134] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
[0135] 应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
[0136] 本技术领域的普通技术人员可以理解实现上述实施例的方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，上述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0137] 尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
