[发明专利]一种基于神经网络的高压配电方法及装置

权利要求书

1.一种基于神经网络的高压配电方法，其特征在于，所述方法包括：

获取待规划的目标区域的城市分布地图；

将所述城市分布地图输入至预先训练好的识别模型中，生成标记有城市区域的第一分布地图；

基于K均值聚类算法，将所述第一分布地图中的各城市区域进行聚类；

基于聚类结果，将所述第一分布地图进行分割，生成多个第二分布地图；其中，每个所述第二分布地图包含一个聚类；

将所述第二分布地图输入至预先训练好的分类模型中，生成标记有根城市区域的第三分布地图；

从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中，获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图；

基于所述目标分布地图中的高压配电网络，构建所述目标区域的高压配电网络。

2.根据权利要求1所述的基于神经网络的高压配电方法，其特征在于，所述基于K均值聚类算法，将所述第一分布地图中的各城市区域进行聚类，包括：

在所述第一分布地图初始化K个城市锚点；

基于其他城市区域与所述K个城市锚点的距离，获取K个聚类；其中，每个所述聚类中的其他城市区域与该聚类中的锚点的距离小于每个所述聚类中的其他城市区域与其他锚点的距离；

获取所述K个聚类中的每个所述聚类的中心；并将获取的中心确定为目标锚点，得到K个目标锚点；

基于所述K个目标锚点，获取K个目标聚类；

获取所述K个目标聚类中的每个所述目标聚类的中心，直至所述目标聚类的中心与所述目标聚类的目标锚点相同时，得到所述第一分布地图中的各城市区域进行聚类的聚类结果。

3.根据权利要求1所述的基于神经网络的高压配电方法，其特征在于，通过如下步骤得到所述识别模型：

获取训练样本数据；其中，所述训练样本数据为包括城市区域以及非城市区域的多张样本训练地图，以及每张所述样本训练地图对应的标记好城市区域的样本比对真值图；

将所述样本训练地图输入至初始模型中，得到所述样本训练地图中的每个像素点为城市区域的概率值；

基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值，并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化，得到所述识别模型。

4.根据权利要求1所述的基于神经网络的高压配电方法，其特征在于，通过如下步骤得到所述分类模型：

获取训练样本数据；其中，所述训练样本数据为包括根城市区域以及子城市区域的多张样本训练地图，以及每张所述样本训练地图对应的标记好根城市区域的样本比对真值图；

将所述样本训练地图输入至初始模型中，得到所述样本训练地图中的每个像素点为城市区域的概率值；

基于所述概率值以及对应的样本比对真值图计算二值交叉熵损失值，并基于所述二值交叉熵损失值对所述初始模型的模型参数进行优化，得到所述分类模型。

5.根据权利要求1所述的基于神经网络的高压配电方法，其特征在于，所述从预先存储有构建好的多个区域的高压配电网络的分布地图的数据库中，获取与所述第三分布地图中的根城市区域的位置相似度大于预设阈值的目标分布地图，包括：

将所述第三分布地图中的根城市区域以及子城市区域的位置映射到位置矩阵中，获得城市分布矩阵；其中，所述城市分布矩阵中的2表示所述第三分布地图中的根城市区域的位置，所述城市分布矩阵中的1表示所述第三分布地图中的子城市区域的位置；所述城市分布矩阵中的0表示所述第三分布地图中的非城市区域的位置；

从所述数据库中获取与所述城市分布矩阵相似度大于所述预设阈值的第一分布矩阵；其中，所述数据库中预先存储有构建好的多个区域的分布地图，每个所述分布地图对应一个分布矩阵；其中，所述第一分布矩阵对应的分布地图即为所述目标分布地图。