可适用多种场景，新ML框架使用广泛的多模态数据来绘制架空和地下配电网的地图

编辑 | 白菜叶

详细且位置感知的配电网信息是可再生能源并网、野火风险评估和基础设施规划等各种电力系统应用的先决条件。然而，仍然缺乏获取此类信息的通用且可扩展的方法。

在最新的工作中，斯坦福大学（Stanford University）的研究人员开发了一个基于机器学习的框架，使用广泛可用的多模态数据（包括街景图像、道路网络和建筑地图）来绘制架空和地下配电网的地图。

以加美国利福尼亚州公用事业公司拥有的配电网格图为基准，该框架在网格地理空间映射中平均实现了 80% 以上的精度和召回率。利用加州数据开发的框架可以转移应用到撒哈拉以南的非洲地区，并且无需微调即可保持相同的精度水平，证明该框架具有普适性。

此外，该框架可以在总体水平上测量地下电力线的比例，从而估计电网遭受野火的风险时，R^2 达到了 0.63。

该团队的框架是一个开放工具，仅基于可公开访问的数据来绘制和分析配电网，便可以支持世界各地可靠和清洁能源系统的建设和维护。

该研究以「Geospatial mapping of distribution grid with machine learning and publicly-accessible multi-modal data」为题，于 2023 年 8 月 17 日发布在《Nature Communications》。

源代码：https://github.com/wangzhecheng/GridMapping

论文链接：https://www.nature.com/articles/s41467-023-39647-3