Компьютерные науки > Машинное обучение [представлено 19 июня 2026 года (v1), последний пересмотренный вариант от 9 октября 2026 г. (эта версия, v2)) Название: Urban Power Grid Topology and Hearchy Indition from Open Data Vie View PDF HTML (экспериментальное) резюме: Понимание сложной топологии и иерархии городской энергосистемы имеет решающее значение для прогнозирования энергетики, управления потоками энергии и анализа устойчивости систем. Вместе с тем подробная информация о сетях по-прежнему в значительной степени является защищенной правами собственности. Тем не менее эта информация имеет исключительно важное значение для анализа распределительных сетей, соединяющих отдельные здания. В настоящем документе эта проблема решается путем разработки открытой системы данных для выявления топологии городских энергосистем, начиная с высоковольтной передачи и заканчивая индивидуальными соединениями в зданиях. Мы интегрируем данные общественной инфраструктуры (линии электропередачи, подстанции, трансформаторы, столбы) для картирования высоко- и средневольтных скелетов. Затем мы используем геопространственное машинное обучение на основе данных о строительстве OpenStreetMap для определения групповой нагрузки спроса на энергию. После кластеризации мы разрабатываем физическую топологию окончательных линий распределения, связывающих сгруппированные здания и низковольтные распределительные сети. Наша производная топология сетки включает физические и географические ограничения, такие как…
Идентификация топографических данных и иерархии городских сетей с использованием открытых данных
arXiv: 2606.21352v2 Тип уведомления: заменить резюме: понимание сложной топологии и иерархии городской энергосистемы имеет решающее значение для прогнозирования в области энергетики, регулирования потоков энергии и анализа устойчивости систем. Вместе с тем подробная информация о сетях по-прежнему в значительной степени является защищенной правами собственности. Тем не менее эта информация имеет исключительно важное значение для анализа распределительных сетей, соединяющих отдельные здания. В настоящем документе эта проблема решается путем разработки открытой системы данных для выявления топологии городских энергосистем, начиная с высоковольтной передачи и заканчивая индивидуальными соединениями в зданиях. Мы интегрируем данные общественной инфраструктуры (линии электропередачи, подстанции, трансформаторы, столбы) для картирования высоко- и средневольтных скелетов. Затем мы используем геопространственное машинное обучение на основе данных о строительстве OpenStreetMap для определения групповой нагрузки спроса на энергию. После объединения мы разрабатываем физическую топологию окончательных линий распределения, связывающих кластерные здания и низковольтный дистриб