CN105069538A - 一种基于细胞元成长模型的空间负荷预测方法 - Google Patents
一种基于细胞元成长模型的空间负荷预测方法 Download PDFInfo
- Publication number
- CN105069538A CN105069538A CN201510530075.5A CN201510530075A CN105069538A CN 105069538 A CN105069538 A CN 105069538A CN 201510530075 A CN201510530075 A CN 201510530075A CN 105069538 A CN105069538 A CN 105069538A
- Authority
- CN
- China
- Prior art keywords
- cell unit
- load
- cell
- unit
- electric load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于细胞元成长模型的空间负荷预测方法,它包括以下过程:建立细胞元成长模型;选择与划定时空数据库中细胞元样区;定义电力负荷细胞元;建立电力负荷细胞元的转换规则;建立电力负荷细胞元样本子数据库;获取中心电力负荷细胞元及邻居细胞元相关属性数据;通过负荷属性数据判别中心电力负荷细胞元的活力值;利用电力负荷细胞元的转换规则确定中心电力负荷细胞元的负荷值,并将在规划期内可能发生变化的细胞元数据存入优化细胞元数据表中;对所有电力负荷细胞元进行空间负荷预测并输出空间负荷预测值。本发明解决了地块数据不全、各个地块相互影响考虑欠缺从而导致负荷预测不够准确的问题。
Description
技术领域
本发明涉及一种电力负荷预测方法,具体地说是一种基于细胞元成长模型的空间负荷预测方法。
背景技术
负荷预测的结果对于电力网络和供电电源点的确定具有指导意义,是电网规划的重要依据,也是城市规划和经济发展所需的必不可少的基础数据。目前在中长期负荷预测中常用的方法主要有S曲线法、弹性系数法、灰色系统法、模糊算法等以及以上述方法为基础的综合法,这些方法一般只能预测出总负荷而不能确定负荷的具体分布。而在配电系统规划中对于负荷预测不仅要求能预测负荷的总量,而且还要求能预测未来负荷增长的位置信息,因为只有确定了配电网供电区域内未来负荷分布,才能合理地进行配电系统的网架规划。
空间负荷预测方法正是针对配电系统规划需要负荷的空间分布特性这一特定需求产生的,它弥补了一些传统方法的不足,能够提供未来负荷的空间分布信息,对规划区域内负荷的地理位置分布和数值大小等进行预测。
为了获得高精度的预测结果,空间负荷预测方法需要搜集预测区域中各个地块的GDP、经济增长率、人口、各行业的产值等一系列的因素,而比较大一点的城市将会有成千上万个这样的地块,实际操作中很难获得这么多地块的详细数据,并且目前的空间负荷预测方法只是单纯的依靠地块的历史数据来预测地块的未来发展情况,因此,预测结果的精确度很难得到保障。
发明内容
为克服上述现有技术存在的不足,本发明提供了一种基于细胞元成长模型的空间负荷预测方法,从多个方面多个角度多个因素综合考虑负荷的发展模式,对规划区域未来的空间负荷分布值及其发展趋势做出一定的预测,解决了地块数据不全、各个地块相互影响考虑欠缺从而导致负荷预测不够准确的问题。
本发明解决其技术问题所采取的技术方案是:一种基于细胞元成长模型的空间负荷预测方法,其特征是,包括以下过程:
建立细胞元成长模型:所述细胞元成长模型包括细胞元、细胞元状态、细胞元空间、邻居细胞元、细胞元转换规则;
选择与划定时空数据库中细胞元样区:所述时空数据库能够反映整个规划区域电力负荷的空间分布和发展演化规律,细胞元样区为电网规划所涉及的区域;
定义电力负荷细胞元:定义电力负荷细胞元的状态、时间、空间、发展方式和邻居;
建立电力负荷细胞元的转换规则:根据电力负荷细胞元的发展方式,从影响电力负荷空间分布和发展的地理因素、城市用地发展规划、经济发展规划、负荷的历史状况考虑,建立电力负荷细胞元的转换规则;
建立电力负荷细胞元样本子数据库:所述电力负荷细胞元样本子数据库用以存储电力负荷细胞元样本数据、原始细胞元数据表和优化细胞元数据表;
获取中心电力负荷细胞元及邻居细胞元相关属性数据;
通过负荷属性数据判别中心电力负荷细胞元的活力值;
利用电力负荷细胞元的转换规则确定中心电力负荷细胞元的负荷值,并将在规划期内可能发生变化的细胞元数据存入优化细胞元数据表中;
对所有电力负荷细胞元进行空间负荷预测并输出空间负荷预测值。
优选地,细胞元成长模型的具体构成如下:
细胞元是细胞元成长模型的最基本的组成部分,分布在离散的一维、二维或多维欧几里德空间的晶格点上;
细胞元的状态为{0,1}的二进制形式或者整数形式的离散集;
细胞元空间为细胞元所分布在的空间网点的集合,由几何划分、边界条件和构形3个要素组成;
邻居细胞元为摩尔型邻居细胞元,中心细胞元的邻域半径r为1,在维数为d时,则邻居个数为(3d-1),其邻居细胞元定义为如式(1)所示:
Nmoore=vi=(vix,viy),i=1,2,…,8
(1)
s.t.|vix-v0x|≤1,|viy-v0y|≤1,(vix,viy)∈Z2
式中:Nmoore=vi为邻居细胞元;v0x、v0y为中心细胞元的横坐标、纵坐标,vix、viy为邻居细胞元的横坐标、纵坐标,Z为整数矩阵亦细胞元的集合,维数为2;
细胞元转换规则是根据中心细胞元当前状态及其邻居状况确定下一时刻该中心细胞元状态的一个状态转移函数f,其表达式如式(2)所示:
式中:Si t为t时刻中心细胞元i的状态;SN t为t时刻邻居细胞元状态的组合;f为细胞元的局部映射或局部规则。
优选地,电力负荷细胞元的定义如下:
电力负荷细胞元的状态是根据电力负荷空间分布栅格矢量图按照国家标准把电力负荷用地划分为大类、中类和小类,建立一个状态集S,设大类的个数为n,各大类中所含中类的个数为m,各中类中所含小类的个数为l,则有:
S={s1,s2,s3,...,si,...,sn}(3)
Si={si.1,si.2,si.3,...,si.j,...,si.m}(4)
Sij={sij.1,sij.2,sij.3,...,sij.l}(5)
电力负荷细胞元的空间是根据对样本区域负荷占地的分析,采用不同的细胞元空间尺度,以确保样区矢量图产生足够的网格样本相对准确地反映电力负荷的空间分布情况;
电力负荷细胞元的发展方式包括以下4种方式:①自发式,代表新生电力负荷;②扩展式,随着城市人口的发展、工业商业的发展,电力负荷自然增长的方式;③凝聚式,由于微观相互作用,大型用电企业的扩张,行业结构的调整引起的负荷增长方式;④焦点吸引式,主要产生于一些大的商业中心、工业中心、交通枢纽等,由中心产业带动相关服务或辅助产业的电力负荷的发展;
电力负荷细胞元的邻居采用邻域半径r为1的摩尔邻居模型来描述各细胞元之间的相互关联关系;
电力负荷细胞元的时间以年为单位进行时间段的划分。
优选地,n=10,m=46,l=73。
优选地,电力负荷细胞元的转换规则包括以下规则:
(1)反映电力负荷细胞元活力值的转换规则:为电力负荷细胞元赋予生命的特征,将其发展的趋向用活力值来描述,并根据中心细胞元的活力值来决定t+1时刻该细胞元的用地性质或负荷性质是否发生变化;
如果该细胞元属于新建的居民小区、商业网点或工业园区,则该细胞元的用地性质在近期不会发生变化,且电力负荷呈较快的增长趋势,还有可能吸引相邻的细胞元发生变化,具有较强的生命力,则可定义该细胞元为青年;
如果该细胞元是具有一定历史的居民小区、商业网点或工业园区,规划水平年内自身不会消亡,则该细胞元的用地性质在近期也不会发生变化,但是电力负荷的增长速度会明显下降,趋于饱和状态,则可定义该细胞元为中年;
如果该细胞元拥有此类用地性质已经达到一定的年限,无论是居民小区、商店或者工厂都面临着衰退或重新建设的问题,规划水平年内该细胞元的用地性质可能会发生变化,则定义该细胞元为老年;
对于给定的年龄区间,可以定义t时刻,电力负荷细胞元j的活力值如式(6)所示:
式中:τj为细胞元j产生的时刻,Agej t为t时刻第j个细胞元拥有此类用地性质的实际年限,Ti、Tm分别为青年和中年的该年限的上限;
(2)反映用地规划因素的转换规则:中心电力细胞元在t+1时刻的用地性质,首先按照用地规划要求确定中心细胞元在t+1时刻的用地类型的大类,然后在规划的指导下,通过相关转换原则,确定中心细胞元的具体用地子类;
(3)反映地理及邻域关系的转换规则:根据规划区域各空间电力负荷细胞元的状态,确定影响局部细胞元相互作用的因子,可以引入速率参数μ1、邻域影响转换费用系数fij(x,y)和用地类型关联转换概率Pij(x,y)来描述中心细胞元用地性质如何转换的概念,
1)转换速率参数μ1:应用邻域半径为1的摩尔型邻居模型,找到周围8邻域内符合反映用地规划因素的转换规则定义的同类细胞元的个数,并确定其中所含子类的个数,相关子类细胞元的比例越大,细胞元转换为该类型细胞元的概率越高;邻居细胞元影响力的大小用转换速率参数μ1来描述,则表示为:
式中:η1和η2为速率参数μ1的分段函数值,0<η1<η2;λ1和λ2是转换阈值,0≤λ2≤λ1≤8;
2)邻域影响转换费用系数fij(x,y):假设i为中心细胞元的用地类型的编号,j为邻居细胞元的用地类型的编号,引入邻域影响转换费用系数f(i,j),通过判断8邻域内各细胞元的状态,分析细胞元转换所需的费用系数,以反映不同的地理位置或土地功能定位对电力负荷发展的影响;
3)用地类型关联转换概率Pij(x,y):受相邻细胞元的影响,某一细胞元i转换为与相邻细胞元相同的第j类细胞元的关联转换概率为Pij(x,y),则有:
Pij(x,y)=exp{-μ1×fij(x,y)},j=1,2,…,8(8)
4)细胞元i最终转换为第j类用地的转换概率为:
Pi(x,y)=max{Pij(x,y):j=1,2,…,m}(9)
对于给定的阈值λ3,可以取转换概率统计值的平均值,当转换概率Pj(x,y)>λ3时,该中心细胞元在规划期内的类型才有可能变化为第j类;
(4)反映焦点吸引力的转换规则:焦点吸引力是指城市大型设施、主导产业和商业中心对邻居细胞元发展的影响,距焦点越近,影响力或吸引力越大,电力负荷发展的速度越快,因此,可采用幂函数来量化焦点吸引力:
A(x,y)=exp{-μ2×d(x,y)/dmax}(11)
式中:C1为焦点规模基数,焦点规模越大,规模基数越大,C1>1;μ2为吸引力速率参数,焦点细胞元(x0,y0)的规模越大,吸引力速率参数越小,吸引力越大,其取值范围为[0,1];d(x,y)为中心细胞元(x,y)与焦点细胞元的距离;dmax为规划区域边缘与焦点细胞元的距离,距离越小,吸引力越大;
(5)反映负荷历史状况的转换规则:定义一个历史关联增长因子α和一个负荷密度影响因子β,两者的取值范围均为[0,1],历史关联增长因子α的大小体现不同时期的数据在预测值所起作用的大小,历史关联增长因子α值的选择与检验规则与一次指数平滑预测方法相同,负荷密度越大,负荷密度影响因子β值越大,其转换函数P(t)可量化为:
式中:C2是细胞元的负荷密度基数;P(t)和分别为t时刻该细胞元的实际负荷值和一次平滑值;为t+1时刻该细胞元的一次平滑值,计算时初值可定义为:
式中为的初值;
(6)电力负荷预测的总体规则:综合考虑上述5个转换规则进行电力负荷空间分布预测。
优选地,所述电力负荷细胞元样本数据是基于电力负荷空间分布栅格图生成的电力负荷细胞元的空间分布和相关属性数据,并储存在原始细胞元数据表中。
优选地,原始细胞元数据表中的每一行代表一个细胞元,所含字段包括细胞元的ID编号、中心地理坐标、i编号和j编号,t时刻前N年的用地性质编号、历史负荷数据,以及t+1时刻以后细胞元的状态数据,其中,N大于等于5。
优选地,如果原始细胞元数据表中含有用地性质属于河流、水域和开发区负荷细胞元,其用地性质在本规划水平年不会发生变化的,在预测前期可以予以剔除,并将原始细胞元数据表中在规划期内可能变化的细胞元数据保存到优化细胞元数据表中。
本发明的有益效果如下:
本发明通过定义用地小区的活力值,来反映小区当前的状态、以后的发展模式以及对周围小区的影响程度,提出了基于细胞元成长模型的时空数据库的构建模式以及其转换规则,在空间上考虑相邻细胞元之间的影响,在时间上考虑负荷历史数据对未来负荷发展模式的影响,在社会经济发展和地理条件方面考虑焦点吸引力对小区负荷发展的影响,从多个方面多个角度多个因素综合考虑负荷的发展模式,从而对规划区域未来的空间负荷分布值及其发展趋势做出一定的预测,解决了地块数据不全、各个地块相互影响考虑欠缺从而导致负荷预测不够准确的问题。
与现有的空间负荷预测方法相比,本发明具有以下特点:
1、本发明为电力负荷细胞元赋予生命的特征,将其发展的趋向用活力值来描述,并根据中心细胞元的活力值来决定未来规划年间该细胞元的用地性质或负荷性质是否发生变化。
2、本发明对于影响未来小区负荷的因素主要考虑了小区的历史数据、负荷密度和焦点吸引力这三个因素,提高负荷预测的准确性。电力负荷的发展,在很大程度上受着负荷历史数据的制约,一是负荷历史的发展规律会延续到将来的某一个时段,二是电力负荷细胞元的负荷密度越大,负荷的增长速率越小。焦点吸引力是指城市大型设施、主导产业、商业中心等对邻居细胞元发展的影响。距焦点越近,影响力或吸引力越大,电力负荷发展的速度越快。
3、通过采用原始细胞元数据表和优化细胞元数据表,将用地性质在本规划水平年不会发生变化的负荷细胞元,在预测前期予以剔除,不参加用地性质预测及转换判断,而只保留在规划期内可能变化的细胞元数据,以简化预测过程,提高负荷预测的效率。
附图说明
下面结合附图对本发明进一步说明:
图1是本发明的方法流程图;
图2是采用电力负荷预测的总体规则进行电力负荷空间分布预测的具体流程图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明的一种基于细胞元成长模型的空间负荷预测方法,它包括以下过程:
一、建立细胞元成长模型
所述细胞元成长模型包括细胞元、细胞元状态、细胞元空间、邻居细胞元、细胞元转换规则。细胞元又可称为单元或基元,是细胞元成长模型的最基本的组成部分,分布在离散的一维、二维或多维欧几里德空间的晶格点上;细胞元的状态为{0,1}的二进制形式或者整数形式的离散集;细胞元空间为细胞元所分布在的空间网点的集合,由几何划分、边界条件和构形3个要素组成;邻居细胞元为摩尔型邻居细胞元(二维细胞元的邻居类型与栅格数据对应,因此本申请中电力负荷细胞元采用摩尔型的),中心细胞元的邻域半径r为1,在维数为d时,则邻居个数为(3d-1),其邻居细胞元定义为如式(1)所示:
Nmoore=vi=(vix,viy),i=1,2,…,8
(1)
s.t.|vix-v0x|≤1,|viy-v0y|≤1,(vix,viy)∈Z2
式中:Nmoore=vi为邻居细胞元;v0x、v0y为中心细胞元的横坐标、纵坐标,vix、viy为邻居细胞元的横坐标、纵坐标,Z为整数矩阵亦细胞元的集合,维数为2;细胞元转换规则是根据中心细胞元当前状态及其邻居状况确定下一时刻该中心细胞元状态的一个状态转移函数f,其表达式如式(2)所示:
式中:Si t为t时刻中心细胞元i的状态;SN t为t时刻邻居细胞元状态的组合;f为细胞元的局部映射或局部规则。细胞元成长模型中的所有细胞元是相互离散的,在某一时刻一个细胞元只能有一种状态,而且该状态取自一个有限集合。一个细胞元下一刻的状态是上一刻其领域状态的函数。在简单模型中细胞元仅具有双元状态0和1。在复杂模型中细胞元可具有多重性质和属性,而每种性质和属性又可具有多种状态。
二、选择与划定时空数据库中细胞元样区
所述时空数据库能够反映整个规划区域电力负荷的空间分布和发展演化规律,细胞元样区为电网规划所涉及的区域。电力负荷空间分布预测细胞元成长模型时空数据库,是一个基于细胞元概念构建的时空数据库。要反映整个规划区域电力负荷的空间分布和发展演化规律,因此,凡是电网规划所涉及的区域均可以定义为细胞元样区。
三、定义电力负荷细胞元
定义电力负荷细胞元的状态、时间、空间、发展方式和邻居。电力负荷细胞元的状态是根据电力负荷空间分布栅格矢量图,按照国家标准,可以把电力负荷用地划分为10个大类、46个中类和73个小类,建立一个状态集S,设大类的个数为n,各大类中所含中类的个数为m,各中类中所含小类的个数为l,则有:
S={s1,s2,s3,...,si,...,sn}(3)
Si={si.1,si.2,si.3,...,si.j,...,si.m}(4)
Sij={sij.1,sij.2,sij.3,...,sij.l}(5)
电力负荷细胞元的空间是根据对样本区域负荷占地的分析,采用不同的细胞元空间尺度,以确保样区矢量图产生足够的网格样本相对准确地反映电力负荷的空间分布情况;电力负荷的细胞元空间采用摩尔型四方网格排列方式,以保证电力负荷细胞元空间在数据模型层次上与电力负荷空间分布栅格图的一致性。电力负荷细胞元的发展方式包括以下4种方式:①自发式,代表新生电力负荷;②扩展式,随着城市人口的发展、工业商业的发展,电力负荷自然增长的方式;③凝聚式,由于微观相互作用,大型用电企业的扩张,行业结构的调整引起的负荷增长方式;④焦点吸引式,主要产生于一些大的商业中心、工业中心、交通枢纽等,由中心产业带动相关服务或辅助产业的电力负荷的发展。从电力负荷的发展方式来看,电力负荷细胞元的变化,不仅取决于细胞元自身,而且与周围的细胞元的状态有关,所涉及的相关因素均反映在转换规则当中,因此,电力负荷细胞元的邻居采用邻域半径r为1的摩尔邻居模型来描述各细胞元之间的相互关联关系。电力负荷细胞元的时间以年为单位进行时间段的划分,对于电网发展规划,一般以年为单位进行时间段的划分,与规划周期相对应,因此,电力负荷细胞元的时间定义从t到t+1时刻的时间间隔为1年,所需历史样本数据一般不少于5年。
四、建立电力负荷细胞元的转换规则
根据电力负荷细胞元的发展方式,本申请本着由简到繁,逐步完善转换规则的思路,从影响电力负荷空间分布和发展的地理因素、城市用地发展规划、经济发展规划、负荷的历史状况考虑,建立电力负荷细胞元的转换规则。
(1)反映电力负荷细胞元活力值的转换规则:为电力负荷细胞元赋予生命的特征,将其发展的趋向用活力值来描述,并根据中心细胞元的活力值来决定t+1时刻该细胞元的用地性质或负荷性质是否发生变化;
如果该细胞元属于新建的居民小区、商业网点或工业园区,则该细胞元的用地性质在近期不会发生变化,且电力负荷呈较快的增长趋势,还有可能吸引相邻的细胞元发生变化,具有较强的生命力,则可定义该细胞元为青年;
如果该细胞元是具有一定历史的居民小区、商业网点或工业园区,规划水平年内自身不会消亡,则该细胞元的用地性质在近期也不会发生变化,但是电力负荷的增长速度会明显下降,趋于饱和状态,则可定义该细胞元为中年;
如果该细胞元拥有此类用地性质已经达到一定的年限,无论是居民小区、商店或者工厂都面临着衰退或重新建设的问题,规划水平年内该细胞元的用地性质可能会发生变化,则定义该细胞元为老年;
如果该细胞元拥有此类用地性质已经达到一定的年限,无论是居民小区、商店,还是工厂等都面临着衰退或重新建设的问题,规划水平年内该细胞元的用地性质可能会发生变化,则定义该细胞元为老年。对于给定的年龄区间,可以定义t时刻,电力负荷细胞元j的活力值如式(6)所示:
式中:τj为细胞元j产生的时刻,Agej t为t时刻第j个细胞元拥有此类用地性质的实际年限,Ti、Tm分别为青年和中年的该年限的上限。
(2)反映用地规划因素的转换规则:中心电力细胞元在t+1时刻的用地性质,必须符合城乡建设发展规划,这是非常重要的。因此,在应用其它转换原则进行分析之前,首先按照用地规划要求确定中心细胞元在t+1时刻的用地类型的大类,然后在规划的指导下,通过相关转换原则,确定中心细胞元的具体用地子类。
(3)反映地理及邻域关系的转换规则:根据规划区域各空间电力负荷细胞元的状态,确定影响局部细胞元相互作用的因子,可以引入速率参数μ1、邻域影响转换费用系数fij(x,y)和用地类型关联转换概率Pij(x,y)来描述中心细胞元用地性质如何转换的概念。
1)转换速率参数μ1:应用邻域半径为1的摩尔型邻居模型,找到周围8邻域内符合反映用地规划因素的转换规则定义的同类细胞元的个数,并确定其中所含子类的个数,相关子类细胞元的比例越大,细胞元转换为该类型细胞元的概率越高;邻居细胞元影响力的大小用转换速率参数μ1来描述,则表示为:
式中:η1和η2为速率参数μ1的分段函数值,0<η1<η2;λ1和λ2是转换阈值,0≤λ2≤λ1≤8。
2)邻域影响转换费用系数fij(x,y):假设i为中心细胞元的用地类型的编号,j为邻居细胞元的用地类型的编号,引入邻域影响转换费用系数f(i,j),通过判断8邻域内各细胞元的状态,分析细胞元转换所需的费用系数,以反映不同的地理位置或土地功能定位对电力负荷发展的影响。由于土地的转换具有一定的不可逆性,因此,如果按照城市建设发展规划要求,将用地类型细分为k类,则需定义k×k个费用系数,并用矩阵F来描述。各种费用系数的确定,需要行业专家进行综合评估或采用典型数据。
3)用地类型关联转换概率Pij(x,y):受相邻细胞元的影响,某一细胞元i转换为与相邻细胞元相同的第j类细胞元的关联转换概率为Pij(x,y),则有:
Pij(x,y)=exp{-μ1×fij(x,y)},j=1,2,…,8(8)
4)细胞元i最终转换为第j类用地的转换概率为:
Pi(x,y)=max{Pij(x,y):j=1,2,…,m}(9)
对于给定的阈值λ3,可以取转换概率统计值的平均值,当转换概率Pj(x,y)>λ3时,该中心细胞元在规划期内的类型才有可能变化为第j类。
(4)反映焦点吸引力的转换规则:焦点吸引力是指城市大型设施、主导产业和商业中心对邻居细胞元发展的影响,距焦点越近,影响力或吸引力越大,电力负荷发展的速度越快,因此,可采用幂函数来量化焦点吸引力:
A(x,y)=exp{-μ2×d(x,y)/dmax}(11)
式中:C1为焦点规模基数,焦点规模越大,规模基数越大,C1>1;μ2为吸引力速率参数,焦点细胞元(x0,y0)的规模越大,吸引力速率参数越小,吸引力越大,其取值范围为[0,1];d(x,y)为中心细胞元(x,y)与焦点细胞元的距离;dmax为规划区域边缘与焦点细胞元的距离,距离越小,吸引力越大;对于中小型城市,可以将焦点细胞元的位置定义为城市中心,且有Y(x,y)≥1。
(5)反映负荷历史状况的转换规则:电力负荷的发展,在很大程度上受着负荷历史数据的制约,一是负荷历史的发展规律会延续到将来的某一个时段,二是电力负荷细胞元的负荷密度越大,负荷的增长速率越小。因此,定义一个历史关联增长因子α和一个负荷密度影响因子β,两者的取值范围均为[0,1],历史关联增长因子α的大小体现不同时期的数据在预测值所起作用的大小,历史关联增长因子α值的选择与检验规则与一次指数平滑预测方法相同,负荷密度越大,负荷密度影响因子β值越大,其转换函数P(t)可量化为:
式中:C2是细胞元的负荷密度基数;P(t)和分别为t时刻该细胞元的实际负荷值和一次平滑值;为t+1时刻该细胞元的一次平滑值,计算时初值可定义为:
式中为的初值。
(6)电力负荷预测的总体规则:综合考虑上述5个转换规则进行电力负荷空间分布预测。
五、建立电力负荷细胞元样本子数据库
基于电力负荷空间分布栅格图生成电力负荷细胞元样本数据,必须对原始数据进行转换、辨识和预处理,并建立相应的数据表。所述电力负荷细胞元样本子数据库用以存储电力负荷细胞元样本数据、原始细胞元数据表和优化细胞元数据表。所述电力负荷细胞元样本数据是基于电力负荷空间分布栅格图生成的电力负荷细胞元的空间分布和相关属性数据,并储存在原始细胞元数据表中。原始细胞元数据表中的每一行代表一个细胞元,所含字段包括细胞元的ID编号、中心地理坐标、i编号和j编号,t时刻前5年的用地性质编号、历史负荷数据,以及t+1时刻以后细胞元的状态数据。如果原始细胞元数据表中含有用地性质属于河流、水域和开发区负荷细胞元,其用地性质在本规划水平年不会发生变化的,在预测前期可以予以剔除,并将原始细胞元数据表中在规划期内可能变化的细胞元数据保存到优化细胞元数据表中。
六、获取中心电力负荷细胞元及邻居细胞元相关属性数据;在电力GIS平台上,应用GIS功能生成栅格图,通过负荷管理模块,获取各中心电力负荷细胞元及邻居细胞元相关属性数据。
七、通过负荷属性数据判别中心电力负荷细胞元的活力值;为电力负荷细胞元赋予生命的特征,将其发展的趋向用活力值来描述,并根据中心细胞元的活力值来决定未来规划年间该细胞元的用地性质或负荷性质是否发生变化。
八、利用电力负荷细胞元的转换规则确定中心电力负荷细胞元的负荷值,并将在规划期内可能发生变化的细胞元数据存入优化细胞元数据表中;如果原始细胞元数据表中含有用地性质属于河流、水域、开发区等负荷细胞元,其用地性质在本规划水平年不会发生变化的,在预测前期可以予以剔除,不参加用地性质预测及转换判断。在原始细胞元数据表中只保留在规划期内可能变化的细胞元数据,生成优化细胞元数据表,以简化预测过程,提高负荷预测的效率。
九、重复上述过程六至过程八,对所有电力负荷细胞元进行空间负荷预测并输出空间负荷预测值。
如图2所示,采用电力负荷预测的总体规则进行电力负荷空间分布预测的具体流程如下:
(1)工作开始。
(2)在电力GIS平台上运行程序,进行初始化,此时计数器k=1。
(3)应用GIS功能生成栅格图,通过负荷管理模块,获取各中心电力负荷细胞元及邻居细胞元相关属性数据。
(4)通过负荷属性数据判别中心电力负荷细胞元的活力值。如果该细胞元属于新建的居民小区、商业网点或工业园区等等,则定义该细胞元为青年;如果该细胞元是具有一定历史的居民小区、商业网点或工业园区等等,规划水平年内自身不会消亡,则定义该细胞元为中年;如果该细胞元拥有此类用地性质已经达到一定的年限,无论是居民小区、商店或者工厂等都面临着衰退或重新建设的问题,则定义该细胞元为老年;如果该细胞元不属于上述情况则定义该细胞元为空地。
(5)如果细胞元为青年或者中年,则判定其用地性质不变,进入下一步骤;如果细胞元为老年或者空地则进入步骤(8)。
(6)根据该电力负荷细胞元的负荷密度确定其历史关联增长因子α和负荷密度影响因子β的值。
(7)通过式(13)的转换函数计算该中心电力负荷细胞元的负荷值。
(8)根据反映用地规划因素的转换规则判断该细胞元用地是否发生变化,如果发生变化则进入下一步,否则转入步骤(6)。
(9)如果转换概率Pj(x,y)>λ3,则进入下一步,否则转入步骤(6)。
(10)将该中心电力负荷细胞元在规划期内的类型转换用地为第j类。
(11)利用第j类用地典型负荷密度重复步骤步骤(6)和(7)确定其负荷值。
(12)判断计数器与细胞元总个数的关系,K为细胞元总个数,如果k≥K则进入下一步,否则计数器k累计加1后转入步骤(3),重复执行步骤(3)至(11)直至对所有电力负荷细胞元进行空间负荷预测为止。
(13)输出空间负荷预测值.
(14)工作结束。
以上所述只是本发明的优选实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也被视为本发明的保护范围。
Claims (9)
1.一种基于细胞元成长模型的空间负荷预测方法,其特征是,包括以下过程:
建立细胞元成长模型:所述细胞元成长模型包括细胞元、细胞元状态、细胞元空间、邻居细胞元、细胞元转换规则;
选择与划定时空数据库中细胞元样区:所述时空数据库能够反映整个规划区域电力负荷的空间分布和发展演化规律,细胞元样区为电网规划所涉及的区域;
定义电力负荷细胞元:定义电力负荷细胞元的状态、时间、空间、发展方式和邻居;
建立电力负荷细胞元的转换规则:根据电力负荷细胞元的发展方式,从影响电力负荷空间分布和发展的地理因素、城市用地发展规划、经济发展规划、负荷的历史状况考虑,建立电力负荷细胞元的转换规则;
建立电力负荷细胞元样本子数据库:所述电力负荷细胞元样本子数据库用以存储电力负荷细胞元样本数据、原始细胞元数据表和优化细胞元数据表;
获取中心电力负荷细胞元及邻居细胞元相关属性数据;
通过负荷属性数据判别中心电力负荷细胞元的活力值;
利用电力负荷细胞元的转换规则确定中心电力负荷细胞元的负荷值,并将在规划期内可能发生变化的细胞元数据存入优化细胞元数据表中;
对所有电力负荷细胞元进行空间负荷预测并输出空间负荷预测值。
2.根据权利要求1所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,
细胞元是细胞元成长模型的最基本的组成部分,分布在离散的一维、二维或多维欧几里德空间的晶格点上;
细胞元的状态为{0,1}的二进制形式或者整数形式的离散集;
细胞元空间为细胞元所分布在的空间网点的集合,由几何划分、边界条件和构形3个要素组成;
邻居细胞元为摩尔型邻居细胞元,中心细胞元的邻域半径r为1,在维数为d时,则邻居个数为3d-1个,其邻居细胞元定义为如式(1)所示:
Nmoore=vi=(vix,viy),i=1,2,…,8
(1)
s.t.|vix-v0x|≤1,|viy-v0y|≤1,(vix,viy)∈Z2
式中:Nmoore=vi为邻居细胞元;v0x、v0y为中心细胞元的横坐标、纵坐标,vix、viy为邻居细胞元的横坐标、纵坐标,Z为整数矩阵亦细胞元的集合,维数为2;
细胞元转换规则是根据中心细胞元当前状态及其邻居状况确定下一时刻该中心细胞元状态的一个状态转移函数f,其表达式如式(2)所示:
式中:Si t为t时刻中心细胞元i的状态;SN t为t时刻邻居细胞元状态的组合;f为细胞元的局部映射或局部规则。
3.根据权利要求1所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,
电力负荷细胞元的状态是根据电力负荷空间分布栅格矢量图按照国家标准把电力负荷用地划分为大类、中类和小类,建立一个状态集S,设大类的个数为n,各大类中所含中类的个数为m,各中类中所含小类的个数为l,则有:
S={s1,s2,s3,...,si,...,sn}(3)
Si={si.1,si.2,si.3,...,si.j,...,si.m}(4)
Sij={sij.1,sij.2,sij.3,...,sij.l}(5)
电力负荷细胞元的空间是根据对样本区域负荷占地的分析,采用不同的细胞元空间尺度,以确保样区矢量图产生足够的网格样本相对准确地反映电力负荷的空间分布情况;
电力负荷细胞元的发展方式包括以下4种方式:①自发式,代表新生电力负荷;②扩展式,随着城市人口的发展、工业商业的发展,电力负荷自然增长的方式;③凝聚式,由于微观相互作用,大型用电企业的扩张,行业结构的调整引起的负荷增长方式;④焦点吸引式,主要产生于一些大的商业中心、工业中心、交通枢纽等,由中心产业带动相关服务或辅助产业的电力负荷的发展;
电力负荷细胞元的邻居采用邻域半径r为1的摩尔邻居模型来描述各细胞元之间的相互关联关系;
电力负荷细胞元的时间以年为单位进行时间段的划分。
4.根据权利要求3所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,n=10,m=46,l=73。
5.根据权利要求1所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,电力负荷细胞元的转换规则包括以下规则:
(1)反映电力负荷细胞元活力值的转换规则:为电力负荷细胞元赋予生命的特征,将其发展的趋向用活力值来描述,并根据中心细胞元的活力值来决定t+1时刻该细胞元的用地性质或负荷性质是否发生变化;
如果该细胞元属于新建的居民小区、商业网点或工业园区,则该细胞元的用地性质在近期不会发生变化,且电力负荷呈较快的增长趋势,还有可能吸引相邻的细胞元发生变化,具有较强的生命力,则可定义该细胞元为青年;
如果该细胞元是具有一定历史的居民小区、商业网点或工业园区,规划水平年内自身不会消亡,则该细胞元的用地性质在近期也不会发生变化,但是电力负荷的增长速度会明显下降,趋于饱和状态,则可定义该细胞元为中年;
如果该细胞元拥有此类用地性质已经达到一定的年限,无论是居民小区、商店或者工厂都面临着衰退或重新建设的问题,规划水平年内该细胞元的用地性质可能会发生变化,则定义该细胞元为老年;
对于给定的年龄区间,可以定义t时刻,电力负荷细胞元j的活力值如式(6)所示:
式中:τj为细胞元j产生的时刻,Agej t为t时刻第j个细胞元拥有此类用地性质的实际年限,Ti、Tm分别为青年和中年的该年限的上限;
(2)反映用地规划因素的转换规则:中心电力细胞元在t+1时刻的用地性质,首先按照用地规划要求确定中心细胞元在t+1时刻的用地类型的大类,然后在规划的指导下,通过相关转换原则,确定中心细胞元的具体用地子类;
(3)反映地理及邻域关系的转换规则:根据规划区域各空间电力负荷细胞元的状态,确定影响局部细胞元相互作用的因子,可以引入速率参数μ1、邻域影响转换费用系数fij(x,y)和用地类型关联转换概率Pij(x,y)来描述中心细胞元用地性质如何转换的概念,
1)转换速率参数μ1:应用邻域半径为1的摩尔型邻居模型,找到周围8邻域内符合反映用地规划因素的转换规则定义的同类细胞元的个数,并确定其中所含子类的个数,相关子类细胞元的比例越大,细胞元转换为该类型细胞元的概率越高;邻居细胞元影响力的大小用转换速率参数μ1来描述,则表示为:
式中:η1和η2为速率参数μ1的分段函数值,0<η1<η2;λ1和λ2是转换阈值,0≤λ2≤λ1≤8;
2)邻域影响转换费用系数fij(x,y):假设i为中心细胞元的用地类型的编号,j为邻居细胞元的用地类型的编号,引入邻域影响转换费用系数f(i,j),通过判断8邻域内各细胞元的状态,分析细胞元转换所需的费用系数,以反映不同的地理位置或土地功能定位对电力负荷发展的影响;
3)用地类型关联转换概率Pij(x,y):受相邻细胞元的影响,某一细胞元i转换为与相邻细胞元相同的第j类细胞元的关联转换概率为Pij(x,y),则有:
Pij(x,y)=exp{-μ1×fij(x,y)},j=1,2,…,8(8)
4)细胞元i最终转换为第j类用地的转换概率为:
Pi(x,y)=max{Pij(x,y):j=1,2,…,m}(9)
对于给定的阈值λ3,可以取转换概率统计值的平均值,当转换概率Pj(x,y)>λ3时,该中心细胞元在规划期内的类型才有可能变化为第j类;
(4)反映焦点吸引力的转换规则:焦点吸引力是指城市大型设施、主导产业和商业中心对邻居细胞元发展的影响,距焦点越近,影响力或吸引力越大,电力负荷发展的速度越快,因此,可采用幂函数来量化焦点吸引力:
A(x,y)=exp{-μ2×d(x,y)/dmax}(11)
式中:C1为焦点规模基数,焦点规模越大,规模基数越大,C1>1;μ2为吸引力速率参数,焦点细胞元(x0,y0)的规模越大,吸引力速率参数越小,吸引力越大,其取值范围为[0,1];d(x,y)为中心细胞元(x,y)与焦点细胞元的距离;dmax为规划区域边缘与焦点细胞元的距离,距离越小,吸引力越大;
(5)反映负荷历史状况的转换规则:定义一个历史关联增长因子α和一个负荷密度影响因子β,两者的取值范围均为[0,1],历史关联增长因子α的大小体现不同时期的数据在预测值所起作用的大小,历史关联增长因子α值的选择与检验规则与一次指数平滑预测方法相同,负荷密度越大,负荷密度影响因子β值越大,其转换函数P(t)可量化为:
式中:C2是细胞元的负荷密度基数;P(t)和分别为t时刻该细胞元的实际负荷值和一次平滑值;为t+1时刻该细胞元的一次平滑值,计算时初值可定义为:
式中为的初值;
(6)电力负荷预测的总体规则:综合考虑上述5个转换规则进行电力负荷空间分布预测。
6.根据权利要求1所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,所述电力负荷细胞元样本数据是基于电力负荷空间分布栅格图生成的电力负荷细胞元的空间分布和相关属性数据,并储存在原始细胞元数据表中。
7.根据权利要求1所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,原始细胞元数据表中的每一行代表一个细胞元,所含字段包括细胞元的ID编号、中心地理坐标、i编号和j编号,t时刻前N年的用地性质编号、历史负荷数据,以及t+1时刻以后细胞元的状态数据。
8.根据权利要求7所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,N大于等于5。
9.根据权利要求1所述的一种基于细胞元成长模型的空间负荷预测方法,其特征是,如果原始细胞元数据表中含有用地性质属于河流、水域和开发区负荷细胞元,其用地性质在本规划水平年不会发生变化的,在预测前期可以予以剔除,并将原始细胞元数据表中在规划期内可能变化的细胞元数据保存到优化细胞元数据表中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510530075.5A CN105069538B (zh) | 2015-08-26 | 2015-08-26 | 一种基于细胞元成长模型的空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510530075.5A CN105069538B (zh) | 2015-08-26 | 2015-08-26 | 一种基于细胞元成长模型的空间负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105069538A true CN105069538A (zh) | 2015-11-18 |
CN105069538B CN105069538B (zh) | 2018-08-24 |
Family
ID=54498898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510530075.5A Active CN105069538B (zh) | 2015-08-26 | 2015-08-26 | 一种基于细胞元成长模型的空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069538B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590568A (zh) * | 2017-09-20 | 2018-01-16 | 上海合泽电力工程设计咨询有限公司 | 一种基于空间细分的精细化负荷预测方法 |
CN110728403A (zh) * | 2019-10-11 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103544385A (zh) * | 2013-10-14 | 2014-01-29 | 华北电力大学 | 顾及空间异质性的多尺度空间负荷预测方法 |
CN104239971A (zh) * | 2014-09-05 | 2014-12-24 | 东北电力大学 | 一种基于多尺度空间分辨率的空间负荷预测误差评价方法 |
-
2015
- 2015-08-26 CN CN201510530075.5A patent/CN105069538B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103544385A (zh) * | 2013-10-14 | 2014-01-29 | 华北电力大学 | 顾及空间异质性的多尺度空间负荷预测方法 |
CN104239971A (zh) * | 2014-09-05 | 2014-12-24 | 东北电力大学 | 一种基于多尺度空间分辨率的空间负荷预测误差评价方法 |
Non-Patent Citations (1)
Title |
---|
刘自发等: "基于云理论和元胞自动机理论的城市配电网空间负荷预测", 《中国电机工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590568A (zh) * | 2017-09-20 | 2018-01-16 | 上海合泽电力工程设计咨询有限公司 | 一种基于空间细分的精细化负荷预测方法 |
CN110728403A (zh) * | 2019-10-11 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
CN110728403B (zh) * | 2019-10-11 | 2023-04-18 | 国网江西省电力有限公司经济技术研究院 | 农村中长期电网负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105069538B (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | A decision support model for reducing electric energy consumption in elementary school facilities | |
Cao et al. | Sustainable land use optimization using Boundary-based Fast Genetic Algorithm | |
CN105761192A (zh) | 村镇区域土地利用规划智能化方法和智能化集成系统 | |
CN104751249A (zh) | 一种空间负荷预测方法 | |
CN107730027A (zh) | 一种基于区域建筑性质的负荷预测方法及装置 | |
CN110555654A (zh) | 一种社区生鲜连锁店的物流配送中心选址方法及装置 | |
CN110288133B (zh) | 基于远景年饱和负荷分布图的规划变电站自动选址方法 | |
CN115238950A (zh) | 一种基于蚁群算法的输电线路路径智能选择方法及系统 | |
CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
He et al. | Forecasting the urban power load in China based on the risk analysis of land-use change and load density | |
CN101599142A (zh) | 基于空间数据场的土地评价指标分类量化方法 | |
Zhuang et al. | Simulation of urban land expansion in China at 30 m resolution through 2050 under shared socioeconomic pathways | |
Zambrano-Asanza et al. | Integrating artificial neural networks and cellular automata model for spatial-temporal load forecasting | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Zhang et al. | Optimized scheduling for urban-scale mobile charging vehicle | |
CN105069538A (zh) | 一种基于细胞元成长模型的空间负荷预测方法 | |
Rozos et al. | Exploring the link between urban development and water demand: The impact of water-aware technologies and options | |
CN103020290A (zh) | 电网信息校验方法及系统 | |
Bai et al. | [Retracted] Evaluation for Development Effect of Enterprise Innovation with Neural Network from Low‐Carbon Economy | |
CN115879652B (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
Wu et al. | An innovative method for offshore wind farm site selection based on the interval number with probability distribution | |
Jin et al. | Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths | |
CN115456247A (zh) | 线路规划方法、装置、计算机设备和可读存储介质 | |
CN106447123A (zh) | 基于典型日负荷特性的变电站选址方法及变电站选址装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |