用机器学习和公开可访问的多模式数据对配电网进行地理空间映射

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 地理空间分析是什么

背景情况:

• 准确的配电网信息对于电力系统应用,如可再生能源整合和野火风险评估至关重要.
• 现有的方法缺乏通用性和可扩展性,无法获得详细的网格数据.
• 需要一个强大的框架来绘制上空和地下电网的地图.

研究的目的:

• 开发一个机器学习框架,利用多模式,公开可用的数据来绘制配电网.
• 评估框架在不同地理区域的准确性,回忆力和通用性.
• 评估框架在估计电网暴露于野火中的实用性.

主要方法:

• 利用机器学习方法整合街景图像,道路网络和建筑地图.
• 训练并将框架与加利福尼亚州公用事业所有的配电网数据进行基准测试.
• 通过将其应用于撒哈拉以南非洲的数据而没有微调,测试了框架的通用性.

主要成果:

• 在分布网的地理空间绘图中实现了超过80%的精度和回忆.
• 证明了高度的通用性,在不需要再培训的情况下在撒哈拉以南非洲保持表现.
• 在评估野火风险评估中估计地下电力线的比例时获得了0.63的R2.

结论:

• 开发的框架提供了一个可扩展和通用化的解决方案,用于利用可访问数据绘制分布网.
• 该工具支持关键电力系统应用,包括可再生能源整合和野火风险减轻.
• 这种开源框架有助于在全球范围内构建和维护可靠和清洁的能源系统.