CN105426988A - 一种基于模糊规则的空间负荷预测方法 - Google Patents
一种基于模糊规则的空间负荷预测方法 Download PDFInfo
- Publication number
- CN105426988A CN105426988A CN201510744650.1A CN201510744650A CN105426988A CN 105426988 A CN105426988 A CN 105426988A CN 201510744650 A CN201510744650 A CN 201510744650A CN 105426988 A CN105426988 A CN 105426988A
- Authority
- CN
- China
- Prior art keywords
- community
- land
- fuzzy
- space attribute
- evaluation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 238000013277 forecasting method Methods 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 11
- 244000287680 Garcinia dulcis Species 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 230000032823 cell division Effects 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于模糊规则运算的空间负荷预测方法,包括如下步骤:S1:获取待预测区域的小区划分信息、各类计算定义表、各小区空间数据、动态生成模糊规则表;S2:通过分别对各小区的小区空间数据模糊化、模糊推理及反模糊化计算对各小区进行模糊评价,得到各小区发展各类型用地的综合评价表,并根据该综合评价表按比例分配各小区发展各类型用地的面积;S3:根据各类型用地的负荷密度变化函数以及各小区发展各类型用地的面积,可得出该待测区域各小区的负荷增长情况,进而得出待预测区域的空间负荷预测结果,本发明将较为复杂的推理规则分为二级进行推理,减小了负荷预测的难度、降低了对精确数据的需求、更符合实际且通用性强。
Description
技术领域
本发明涉及一种基于模糊规则的空间负荷预测方法。
背景技术
配电网规划需要确定变电站的位置、容量和馈线的走向及类型,所以配电网负荷预测时,不仅要包含对未来负荷容量的估计,而且包括对负荷类型、地理分布等要求的预测。配电网的负荷预测是配电网规划的基础,为整个规划指明了目标,负荷预测的准确度的高低,将直接影响到规划的效果和可行性。配电网规划涉及到大量的地理位置有关的信息,负荷的地理分布将直接影响到规划的结果,因此,在配电网规划中,对空间负荷的预测必不可少。
对负荷的地理分布进行预测,一般将未来供电范围分为一些区域集合,以预测各区负荷增长情况。大多数现代区域负荷预报法大都采用趋势外推法,即用曲线拟合或者其他方法外推历史负荷高峰,但趋势外推法虽然能够得到各处的峰荷密度,但其对数据精确性要求较高而预测精度较低,且由于用地用途、城市改造等实际情况,用地规则往往难以确定,为实际规划带来困难。
发明内容
本发明的目的是针对现有技术的不足,提出一种采用降低对精确数据的需求、能够满足目前规划的实际情况、更适用于现代电力系统规划的基于模糊规则运算的空间负荷预测方法。
本发明通过以下技术方案实现:
一种基于模糊规则运算的空间负荷预测方法,其特征在于:包括如下步骤:
S1:获取待预测区域的小区划分信息、各类计算定义表、各小区空间数据、动态生成模糊规则表;
S2:通过分别对各小区的小区空间数据模糊化、模糊推理及反模糊化计算对各小区进行模糊评价,得到各小区发展各类型用地的综合评价表,并根据该综合评价表按比例分配各小区发展各类型用地的面积;
S3:根据各类型用地的负荷密度变化函数以及各小区发展各类型用地的面积,可得出该待测区域各小区的负荷增长情况,将各小区的负荷增长情况累加后即可得出待预测区域的空间负荷预测结果。
进一步的,所述各类计算定义表包括各小区的用地类型定义表、空间属性定义表、隶属函数定义表、各类型用地的负荷密度定义表;
所述用地类型定义表中定义了居住用地、商业用地、工业用地三类用地类型;
所述空间属性定义表包括空间属性大类表及空间属性小类表,所述空间属性大类表定义了空间属性的大类以及各个大类相对于发展各类型用地的权重系数,所述空间属性小类表定义了各空间属性大类包含的空间属性小类、各空间属性小类与空间属性大类的关系、各空间属性小类的权重系数。
所述隶属函数定义表根据实际情况定义隶属函数形式;
所述各类型用地的负荷密度定义表定义了各类型用地的负荷密度变化函数,所述负荷密度变化函数如式(1)所示:
其中,α和β为跟预测年份及用地类型有关的系数,S(t)表示负荷密度函数,t表示预测年份,该函数表示了负荷密度随时间的变化。
进一步的,所述模糊规则表定义为以空间属性小类为条件,以发展某用地类型的适应度为结果的表格,所述模糊规则表可通过常识、一般性规律、调查结果、规划人员的知识和经验来建立,并可以根据实际情况的变化进行适当的调整。
进一步的,所述模糊评价为二级模糊评价,所述二级模糊评价首先根据在某空间属性大类包括的各空间属性小类因素下对待预测区域发展某用地类型的适应度进行评价,再根据所述评价结果得出在该空间属性大类因素下待预测区域发展某用地类型的适应度评价。
进一步的,所述步骤S1包括如下步骤:
S11:借助地理信息系统获取待测区域的小区划分信息,待测区域划分为n个小区,进入步骤S12;
S12:根据实际需要判断是否选择典型模式,若是,进入步骤S13,所述典型模式指将各计算定义表按照顺序编号的编号规则存储在典型模板库中,需要进行空间负荷预测时,可直接从典型模板库中找到并导出相应计算定义表,若否,则选择自定义模式,进入步骤S14,所述自定义模式指每次进行空间预测时,都对各类计算定义表进行新的定义;
S13:从典型模板库中导出各类计算定义表;
S14:借助地理信息系统及实际情况自定义各类计算定义表,并将定义好的各类计算定义表装载入典型模板库中,进入步骤S15;
S15:根据所述待预测区域的用地类型定义表及空间属性小类定义表,动态生成模糊规则表;
S16:利用地理信息系统获取各小区的空间数据,生成空间数据表;
其中,n为整数且n≥1。
进一步的,所述步骤S2包括如下步骤:
S21:判断所有小区是否都已经计算完毕,若是,进入步骤S34,若否,进入步骤S22;
S22:根据隶属函数定义表中定义的隶属函数将第i小区的空间数据表中的空间数据模糊化;
S23:采用Mamdani推理原则,结合模糊规则表及二级模糊评价,得出第i小区发展某种用地类型的模糊规则集合G(x),所述模糊规则集合G(x)将空间属性小类作为推理条件,第i小区发展某种用地类型的适应度作为推理结果;
S24:结合隶属函数定义表及模糊规则集合G(x),采用如式(2)所示的反模糊化公式,对第i小区的模糊化数据进行反模糊化,得到第i小区在每条模糊规则下发展各类型用地的适应度评价分值:
其中,Z={ε1,ε2,Λεm},ε1,ε2,Λεm分别为第一个空间属性小类、第二个空间属性小类、…、第m个空间属性小类对距离隶属函数μdis(Z)的隶属度,μSP(Z)、表示不同适应度的隶属函数,m为整数且m≥1;
S25:第i小区在各个空间属性大类因素下,依据各条模糊规则所计算的的最大值即为发展各用地类型的适应度评价分值,将该评价分值及各空间属性大类相对各用地类型的权重系数填入属性评价表中;
S26:按照式(3)所示的公式,对步骤S26的结果进行计算,得到第i小区的各类型用地的综合评价表,所述综合评价表中包括第i小区发展各用地类型的综合评分值:
其中,P为发展某用地类型的综合评分值,r为空间属性大类相对某用地类型的权重系数,x为空间属性大类因素下,发展某用地类型的适应度评价分值;
S27:根据所述综合评价表中各用地类型的综合评分值,按比例分配第i小区发展各类型用地的面积;
其中,i为小区编号,1≤i≤n。
进一步的,步骤S3包括以下步骤:
S31:从统计部门获得第一个预测年份的负荷密度初始值S0、负荷密度变化函数的系数α和β在不同预测年份下的数值;
S32:对第一个预测年份,将第i小区发展各类型用地的面积乘以负荷密度变化函数,对相乘结果进行积分,初始值取S0,系数α和β取第一个预测年份下对应的值,并将积分结果作为下一个预测年份的负荷密度的初始值;
S33:重复步骤S32,直到所有预测年份都计算完成,即得到第i小区的负荷变化情况,进入步骤S21;
S34:将各小区的负荷增长情况进行累加,即可得出待预测区域的空间负荷预测结果。
本发明具有如下有益效果:
1、本发明在负荷预测过程中,结合模糊规则运算,在降低了对精确数据的需求的情况下,能够满足目前规划的实际情况,更适于现代电力系统的规划。
2、本发明根据待预测区域空间属性及实际用地类型动态生成模糊规则表,更符合实际且通用性强;
3、本发明在计算过程中,采用二级模糊评价的方法,将较为复杂的推理规则分为二级进行推理,降低每一级评价的复杂度,减小了负荷预测的难度;
4、本发明在动态生成模糊规则表时,针对每一个空间属性大类生成单独的一张模糊规则表并按照一定的规律进行命名保存,降低了计算的复杂性、提高了效率。
附图说明
下面结合附图对本发明做进一步详细说明。
图1为本发明的步骤流程图。
图2为本发明一实施例中的距离隶属函数。
图3为本发明一实施例中的适应度隶属函数。
图4为本发明一实施例中A小区的空间负荷预测结果。
具体实施方式
如图1所示为本发明的步骤流程图,在本发明中,首先从地理信息系统获取待预测区域的小区划分信息,待预测区域被划分为n个小区,再分别对每个小区进行空间负荷预测,将每个小区的预测结果进行累加,即为待预测区域的空间负荷预测结果,其中,n为整数且n≥1。
每个小区进行空间负荷预测的步骤主要包括信息收集、土地使用决策及负荷预测三个步骤,所诉信息收集包括获取待预测区域的小区划分信息、获取各类计算定义表、动态生成模糊规则表、获取各小区空间数据;所诉土地使用决策,通过对各小区的小区空间数据模糊化、模糊推理及反模糊化计算对各小区进行模糊评价,得到各小区发展各类型用地的综合评价表,并根据该综合评价表按比例分配各小区发展各类型用地的面积;所诉负荷预测根据各类型用地的负荷密度变化函数以及各小区发展各类型用地的面积,可得出该待测区域各小区的负荷增长情况,进而得出待预测区域的空间负荷预测结果。
由于每个小区进行空间负荷预测的实施步骤均相同,所以在本实施例中仅以其中一个小区为例对本发明的方法进行详细阐述。
在本实施例中,以A小区为例进行说明,A小区可用面积为1.8km2,由以下步骤实现对A小区的空间负荷预测。
S11:借助地理信息系统获取待预测区域的小区划分信息,A小区为待预测区域划分的其中一个小区;
S12:本实施例选择自定义模式,进入步骤S14,所述自定义模式指每次进行空间预测时,都对各类计算定义表进行新的定义;
S14:借助地理信息系统及实际情况自定义各类计算定义表,并将定义好的各类计算定义表装载入典型模板库中,进入步骤S15;
其中,步骤S13、步骤S14中涉及的各类计算定义表包括A小区的用地类型定义表、空间属性定义表、隶属函数定义表、各类型用地的负荷密度定义表。现分别对本实施例中的各类计算定义表的具体内容进行说明:
所述用地类型定义表可从统计部门得到,具体内容如表1所示,在本实施例中,仅关注“大类”内容:
大类 | 小类 |
居住用地 | 住宅楼,别墅区,校区 |
商业用地 | 零售业,娱乐业,写字楼,高层建筑 |
工业用地 | 大中型工业,仓储,厂房 |
表1
所述空间属性定义表包括空间属性大类定义表及空间属性小类定义表,所述空间属性大类表定义了空间属性的大类以及各个大类对发展各用地类型的权重系数,所述权重系数用于表示该类属性对A小区发展某用地类型的影响程度,所述空间属性小类表定义了各空间属性大类包含的空间属性小类定义、各空间属性小类与空间属性大类的关系、各空间属性小类的权重系数。
空间属性大类及各大类相对各用地类型的权重系数如表2所示:
表2
空间属性小类表如表3所示,本实施例中,未考虑空间属性小类的权重系数:
小类 | 所属大类 |
距市中心距离 | 距中心的距离 |
距区中心距离 | 距中心的距离 |
距交通干道距离 | 地理位置 |
距最近学校距离 | 地理位置 |
距最近商场距离 | 地理位置 |
距相邻居住区距离 | 环境因素 |
距相邻商业区距离 | 环境因素 |
距相邻工业区距离 | 环境因素 |
表3
所述隶属函数定义表根据实际情况定义隶属函数形式,以便把某个属性用模糊性的语义恰当地表示出来。在本实施例中,对于距离,定义了三个模糊集“近”、“中等”、“远”来表示距离的概念,距离隶属函数如图2所示,其中“C”表示“近”、“M”表示“中等”、“F”表示“远”,当隶属函数为1时,表示某个距离完全符合概念所表达的含义,当隶属函数为0时,表示某个距离完全不符合概念所表达的含义。图2中三个隶属函数之间有20%-50%的交叉部分,表现出了概念的模糊性,例如对于1.5km的距离,表示距离“近”的隶属程度为0.25,表示距离“中等”的隶属程度为0.75,即该距离既可称之为“近”,也可称之为“中等”。
本实施例中还定义了表示各类型用地适应度的隶属度函数,所述各用地类型适应度表示A小区在某一空间属性因素下发展某类型用地的适宜程度,即A小区适于发展某类型用地的程度,定义了五个模糊集来表示适应度概念:SA表示很不适应,MA表示较不适应,NT表示一般,MP表示较适应,SP表示很适应,具体五个隶属函数如图3所示,各隶属函数之间各有部分交叉,体现了适应度的模糊性,例如对于适应度x=0.4,其隶属函数值对应μMA=0.5,对应μNT=0.5,表示该适应度x含有MA的含义,又含有NT的含义。但是x没有SA、MP、SP的含义,因为此时这三个概念的隶属函数值表示为0。
所述各类型用地的负荷密度定义表定义了各类型用地的负荷密度变化函数,所述负荷密度变化函数如下式所示:
其中,α和β为跟预测年份及用地类型有关的系数,S(t)表示负荷密度函数,t表示预测年份,该函数表示了负荷密度随时间的变化。各类型用地的负荷总量增长统计数据可以通过时间负荷预测系统获取,负荷密度变化函数的系数值可由统计部门获得,本实施例中各系数值如表4所示:
表4
表4中,C为表示预测年份的常数,S0表示在计算第一个预测年份的负荷预测时所用的初始值,之后每一年使用的初始值均为上一年计算的结果。
S15:根据所述A小区的用地类型定义表及空间属性小类定义表,动态生成模糊规则表;
为了使模糊规则表便于使用,方便进行二级模糊评价,在动态生成模糊规则表时,结合空间属性定义表的定义方法,针对每一个空间属性大类生成单独的一张模糊规则表并按照一定的规律进行命名,这样,当该类发生变化时,只需重新生成相应的模糊规则表,而不需要影响到其他的模糊规则表,相对于针对所有空间属性大类生成一张大的模糊规则表,可以大大提高使用效率。且在进行模糊推理时,可以减少条件的个数,有效降低推理的复杂度。例如对于“距中心位置”这个空间属性大类,包括“距市中心距离”和“距区中心距离”两个小类,针对该空间属性大类生成的模糊规则表如表5所示:
规则 | 距市中心距离 | 距区中心距离 | 居住适应度 | 商业适应度 | 工业适应度 |
1 | |||||
2 | |||||
3 |
表5
表5中,“距市中心距离”、“距区中心距离”作为模糊规则的条件,“居住适应度”、“商业适应度”、“工业适应度作”为模糊规则的结果,模糊规则为:
If距市中心距离AND距区中心距离then某用地类型适应度
当“地理位置”作为模糊规则的条件,“居住适应度”、“商业适应度”、“工业适应度作”为模糊规则的结果,按如下模糊规则可生成如表5所示的模糊规则表:
If距交通干道距离AND距最近学校距离AND距最近商场距离then某用地类型适应度
当“环境因素”作为模糊规则的条件,“居住适应度”、“商业适应度”、“工业适应度作”为模糊规则的结果,按如下模糊规则可生成如表5所示的模糊规则表:
If距相邻居住区距离AND距相邻商业区距离AND距相邻工业区距离then某用地类型适应度
在实际应用中,根据获得的某小区数据中空间属性的类型,对如表5所示的模糊规则表中的某几项规则进行触发,从而形成与A小区相适应的模糊规则表。
S16:利用地理信息系统获取A小区的空间数据,生成空间数据表如表6所示,进入步骤S23;
区域 | 空间属性小类 | 空间属性大类 | 数据 |
A | 距市中心距离 | 距中心的距离 | 3.5km |
A | 距区中心距离 | 距中心的距离 | 2km |
A | 距交通干道距离 | 地理位置 | 1km |
A | 距最近学校距离 | 地理位置 | 0.7km |
A | 距最近商场距离 | 地理位置 | 0.4km |
A | 距相邻居住区距离 | 环境因素 | 0.4km |
A | 距相邻商业区距离 | 环境因素 | 1.2km |
A | 距相邻工业区距离 | 环境因素 | 8km |
表6
S22:根据距离隶属度函数μdis(Z)(图2)将A小区的空间数据模糊化:
空间属性小类 | 空间属性大类 | 数据 | 近(C) | 中等(M) | 远(F) |
距市中心距离 | 距中心的距离 | 3.5km | 0 | 1 | 0 |
距区中心距离 | 距中心的距离 | 2km | 0 | 1 | 0 |
距最近商场距离 | 地理位置 | 0.2km | 0.8 | 0.2 | 0 |
距交通干线距离 | 地理位置 | 1km | 0.5 | 0.5 | 0 |
距最近学校距离 | 地理位置 | 0.7km | 0.65 | 0.35 | 0 |
距相邻居住区距离 | 环境因素 | 0.4km | 0.8 | 0.2 | 0 |
距相邻商业区距离 | 环境因素 | 1.2km | 0.4 | 0.6 | 0 |
距相邻工业区距离 | 环境因素 | 8km | 0 | 0 | 1 |
表7
S23:采用Mamdani推理原则,结合如表5所示的模糊规则表及相应的模糊规则、二级模糊评价,得出A小区发展某种用地类型的模糊规则集合G(x),所述模糊规则集合G(x)中的模糊规则将空间属性小类作为推理条件,A小区发展某种用地类型的适应度作为推理结果;
本实施例中,根据上文所述的模糊规则,对于发展居住类型用地,空间属性大类“距中心的距离”的模糊规则表如表8-1所示;空间属性大类“地理位置”的模糊规则表如表8-2所示;空间属性大类“环境因素”的模糊规则表如表8-3所示:
规则 | 距市中心距离 | 距区中心距离 | 居住适应度 |
1-1 | 远(F) | 近(C) | 很不适应(SA) |
1-2 | 远(F) | 远(F) | 较不适应(MA) |
1-3 | 中等(M) | 远(F) | 一般(NT) |
1-4 | 近(C) | 近(C) | 较适应(MP) |
1-5 | 中等(M) | 中等(M) | 很适应(SP) |
表8-1
规则 | 距最近商场距离 | 距交通干线距离 | 距最近学校距离 | 居住适应度 |
2-1 | 远(F) | 近(C) | 远(F) | 很不适应(SA) |
2-2 | 远(F) | 近(C) | 近(C) | 较不适应(MA) |
2-3 | 中等(M) | 中等(M) | 中等(M) | 一般(NT) |
2-4 | 近(C) | 远(F) | 中等(M) | 较适应(MP) |
2-5 | 近(C) | 中等(M) | 近(C) | 很适应(SP) |
表8-2
规则 | 距相邻居住区距离 | 距相邻商业区距离 | 距相邻工业区距离 | 居住适应度 |
3-1 | 远(F) | 远(F) | 近(C) | 很不适应(SA) |
3-2 | 远(F) | 远(F) | 中等(M) | 较不适应(MA) |
3-3 | 中等(M) | 中等(M) | 中等(M) | 一般(NT) |
3-4 | 近(C) | 中等(M) | 中等(M) | 较适应(MP) |
3-5 | 近(C) | 中等(M) | 远(F) | 很适应(SP) |
表8-3
S24:结合G(x)及适应度隶属函数(图3所示),根据公式对A小区的模糊化数据进行反模糊化,得到A小区在每一条模糊规则下发展各类型用地的适应度评价分值,如表9所示:
其中,Z={ε1,ε2,Λεm},ε1,ε2,Λεm分别为第一个空间属性小类、第二个空间属性小类、…、第m个空间属性小类对距离隶属函数μdis(Z)的隶属度,如表7中“近(C)”、“中等(M)”、“远(F)”所对应的值,G(x)表示所有模糊规则的集合,根据二级模糊评价,将所有模糊规则按空间属性大类分为三类,分别如表8-1、表8-2、表8-3所示,μSP(Z)表示适应度隶属函数,如图3所示,表示A小区在每一条模糊规则下发展各类型用地的适应度评价分值,其中,“隶属度1”、“隶属度2”、“隶属度3”对应表7中的“近(C)”、“中等(M)”、“远(F)”,“适应度1”、“适应度2”、“适应度3”为将“隶属度1”、“隶属度2”、“隶属度3”带入如图3所示的隶属函数μSP(Z),并结合模糊规则所得的数值,该数值的获取采用了最小隶属度法,即取隶属度对应的适应度区间的最小值,“规则适应度”即为取在每一条规则下各适应度的最小值:
规则序号 | 隶属度1 | 适应度1 | 隶属度2 | 适应度2 | 隶属度3 | 适应度3 | 规则适应度 |
1-1 | 0 | 0 | 0 | 0 | / | / | 0 |
1-2 | 0 | 0 | 0 | 0 | / | / | 0 |
1-3 | 1 | 0.5 | 0 | 0.3 | / | / | 0.3 |
1-4 | 0 | 0.5 | 0 | 0.5 | / | / | 0.5 |
1-5 | 1 | 1 | 1 | 1 | / | / | 1 |
2-1 | 0 | 0 | 0.5 | 0.1 | 0 | 0 | 0 |
2-2 | 0 | 0 | 0.5 | 0.1 | 0.65 | 0.13 | 0 |
2-3 | 0.2 | 0.34 | 0.5 | 0.4 | 0.35 | 0.37 | 0.34 |
2-4 | 0.8 | 0.66 | 0 | 0.5 | 0.35 | 0.57 | 0.5 |
2-5 | 0.8 | 0.96 | 0.5 | 0.9 | 0.65 | 0.93 | 0.9 |
3-1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
3-2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
3-3 | 0.2 | 0.34 | 0.6 | 0.42 | 0 | 0.3 | 0.3 |
3-4 | 0.8 | 0.66 | 0.6 | 0.62 | 0 | 0.5 | 0.5 |
3-5 | 0.8 | 0.96 | 0.6 | 0.92 | 1 | 1 | 0.92 |
表9
获得A小区各个空间属性大类对发展商业类型用地、工业类型用地的适应度的评价分值的步骤与上述步骤相同。
S25:在各个空间属性大类因素下,依据各条模糊规则所计算出的的最大值即为A小区发展各用地类型的适应度评价分值,将该评价分值及各空间属性大类相对某用地类型的权重填入属性评价表中,如表10所示:
表10
S26:按照式(3)所示的公式,对步骤S26的结果进行计算,得到A小区的各类型用地的综合评价表,所述综合评价表包括A小区发展各用地类型的综合评分值,如表11所示:
其中,P为发展某用地类型的综合评分值,r为空间属性大类相对某用地类型的权重系数,x为空间属性大类因素下,发展某用地类型的适应度评价分值;
S27:根据表11,按发展各用地类型的综合评分值所占的比例分配A小区各类型用地的面积,进入步骤S31:
居住用地面积为:
商业用地面积为:
工业用地面积为:
S31:从统计部门获得负荷密度函数在第一个预测年份的负荷密度初始值S0、系数α和β在不同预测年份下的数值,如表4所示;
S32:对第一个预测年份,将A小区各类型用地的面积乘以负荷密度变化函数对相乘结果进行积分,初始值取S0,系数α和β取第一个预测年份下对应的值,并将积分结果作为下一个预测年份的负荷密度的初始值;
S33:重复步骤S32,直到所有预测年份都计算完成,即得到A小区的负荷增长情况,如图4所示,其中,针对每一预测年份,各用地类型的负荷量之和应等于总负荷量。
上述以A小区为例,对空间负荷预测方法进行说明,在实际应用中,针对待预测区域划分的各个小区,均采用上述方法进行空间负荷预测,然后将各小区的预测结果进行累加,即可得到待预测小区的空间负荷结果。
以上所述,仅为本发明的较佳实施例而已,故不能以此限定本发明实施的范围,即依本发明申请专利范围及说明书内容所作的等效变化与修饰,皆应仍属本发明专利涵盖的范围内。
Claims (7)
1.一种基于模糊规则运算的空间负荷预测方法,其特征在于:包括如下步骤:
S1:获取待预测区域的小区划分信息、各类计算定义表、各小区空间数据、动态生成模糊规则表;
S2:通过分别对各小区的小区空间数据模糊化、模糊推理及反模糊化计算对各小区进行模糊评价,得到各小区发展各类型用地的综合评价表,并根据该综合评价表按比例分配各小区发展各类型用地的面积;
S3:根据各类型用地的负荷密度变化函数以及各小区发展各类型用地的面积,可得出该待测区域各小区的负荷增长情况,将各小区的负荷增长情况累加后即可得出待预测区域的空间负荷预测结果。
2.根据权利要求1所述的一种基于模糊规则运算的空间负荷预测方法,其特征在于:所述各类计算定义表包括各小区的用地类型定义表、空间属性定义表、隶属函数定义表、各类型用地的负荷密度定义表;
所述用地类型定义表中定义了居住用地、商业用地、工业用地三类用地类型;
所述空间属性定义表包括空间属性大类表及空间属性小类表,所述空间属性大类表定义了空间属性的大类以及各个大类相对于发展各类型用地的权重系数,所述空间属性小类表定义了各空间属性大类包含的空间属性小类、各空间属性小类与空间属性大类的关系、各空间属性小类的权重系数。
所述隶属函数定义表根据实际情况定义隶属函数形式;
所述各类型用地的负荷密度定义表定义了各类型用地的负荷密度变化函数,所述负荷密度变化函数如式(1)所示:
其中,α和β为跟预测年份及用地类型有关的系数,S(t)表示负荷密度函数,t表示预测年份,该函数表示了负荷密度随时间的变化。
3.根据权利要求1所述的一种基于模糊规则运算的空间负荷预测方法,其特征在于:所述模糊规则表定义为以空间属性小类为条件,以发展某用地类型的适应度为结果的表格,所述模糊规则表可通过常识、一般性规律、调查结果、规划人员的知识和经验来建立,并可以根据实际情况的变化进行适当的调整。
4.根据权利要求1或2所述的一种基于模糊规则运算的空间负荷预测方法,其特征在于:所述模糊评价为二级模糊评价,所述二级模糊评价首先根据在某空间属性大类包括的各空间属性小类因素下对待预测区域发展某用地类型的适应度进行评价,再根据所述评价结果得出在该空间属性大类因素下待预测区域发展某用地类型的适应度评价。
5.根据权利要求1或2所述的一种基于模糊规则运算的空间负荷预测方法,其特征在于:所述步骤S1包括如下步骤:
S11:借助地理信息系统获取待测区域的小区划分信息,待测区域划分为n个小区,进入步骤S12;
S12:根据实际需要判断是否选择典型模式,若是,进入步骤S13,所述典型模式指将各计算定义表按照顺序编号的编号规则存储在典型模板库中,需要进行空间负荷预测时,可直接从典型模板库中找到并导出相应计算定义表,若否,则选择自定义模式,进入步骤S14,所述自定义模式指每次进行空间预测时,都对各类计算定义表进行新的定义;
S13:从典型模板库中导出各类计算定义表;
S14:借助地理信息系统及实际情况自定义各类计算定义表,并将定义好的各类计算定义表装载入典型模板库中,进入步骤S15;
S15:根据所述待预测区域的用地类型定义表及空间属性小类定义表,动态生成模糊规则表;
S16:利用地理信息系统获取各小区的空间数据,生成空间数据表;
其中,n为整数且n≥1。
6.根据权利要求1或2或3或4所述的一种基于模糊规则运算的空间负荷预测方法,其特征在于:所述步骤S2包括如下步骤:
S21:判断所有小区是否都已经计算完毕,若是,进入步骤S34,若否,进入步骤S22;
S22:根据隶属函数定义表中定义的隶属函数将第i小区的空间数据表中的空间数据模糊化;
S23:采用Mamdani推理原则,结合模糊规则表及二级模糊评价,得出第i小区发展某种用地类型的模糊规则集合G(x),所述模糊规则集合G(x)将空间属性小类作为推理条件,第i小区发展某种用地类型的适应度作为推理结果;
S24:结合隶属函数定义表及模糊规则集合G(x),采用如式(2)所示的反模糊化公式,对第i小区的模糊化数据进行反模糊化,得到第i小区在每条模糊规则下发展各类型用地的适应度评价分值:
其中,Z={ε1,ε2,Λεm},ε1,ε2,Λεm分别为第一个空间属性小类、第二个空间属性小类、…、第m个空间属性小类对距离隶属函数μdis(Z)的隶属度,μSP(Z)、(z)表示不同适应度的隶属函数,m为整数且m≥1;
S25:第i小区在各个空间属性大类因素下,依据各条模糊规则所计算的的最大值即为发展各用地类型的适应度评价分值,将该评价分值及各空间属性大类相对各用地类型的权重系数填入属性评价表中;
S26:按照式(3)所示的公式,对步骤S26的结果进行计算,得到第i小区的各类型用地的综合评价表,所述综合评价表中包括第i小区发展各用地类型的综合评分值:
其中,P为发展某用地类型的综合评分值,r为空间属性大类相对某用地类型的权重系数,x为空间属性大类因素下发展某用地类型的适应度评价分值;
S27:根据所述综合评价表中各用地类型的综合评分值,按比例分配第i小区发展各类型用地的面积;
其中,i为小区编号,1≤i≤n。
7.根据权利要求1或2或6所述的一种基于模糊规则运算的空间负荷预测方法,其特征在于:步骤S3包括以下步骤:
S31:从统计部门获得第一个预测年份的负荷密度初始值S0、负荷密度变化函数的系数α和β在不同预测年份下的数值;
S32:对第一个预测年份,将第i小区发展各类型用地的面积乘以负荷密度变化函数,对相乘结果进行积分,初始值取S0,系数α和β取第一个预测年份下对应的值,并将积分结果作为下一个预测年份的负荷密度的初始值;
S33:重复步骤S32,直到所有预测年份都计算完成,即得到第i小区的负荷变化情况,进入步骤S21;
S34:将各小区的负荷增长情况进行累加,即可得出待预测区域的空间负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510744650.1A CN105426988A (zh) | 2015-11-05 | 2015-11-05 | 一种基于模糊规则的空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510744650.1A CN105426988A (zh) | 2015-11-05 | 2015-11-05 | 一种基于模糊规则的空间负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105426988A true CN105426988A (zh) | 2016-03-23 |
Family
ID=55505182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510744650.1A Pending CN105426988A (zh) | 2015-11-05 | 2015-11-05 | 一种基于模糊规则的空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426988A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169878A (zh) * | 2017-04-12 | 2017-09-15 | 华中科技大学 | 一种基于开源信息自主收集空间负荷基础数据的方法 |
CN107403239A (zh) * | 2017-07-25 | 2017-11-28 | 南京工程学院 | 一种用于电力系统中控制设备的参数分析方法 |
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 |
CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
CN113112090A (zh) * | 2021-04-29 | 2021-07-13 | 内蒙古电力(集团)有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
CN113256274A (zh) * | 2021-07-14 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 基于专家系统的业务处理方法及装置 |
CN117348383A (zh) * | 2023-12-04 | 2024-01-05 | 广州泛美实验室系统科技股份有限公司 | 基于实验室环境监测的通风柜变风量控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1825345A (zh) * | 2006-04-07 | 2006-08-30 | 上海电力学院 | 基于模糊最大贴近度理论的负荷密度指标求取方法 |
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 |
CN104240040A (zh) * | 2014-09-28 | 2014-12-24 | 华北电力大学 | 基于土地转换风险的城市智能电网规划方法 |
CN104252652A (zh) * | 2014-10-17 | 2014-12-31 | 广东电网公司电网规划研究中心 | 电力系统中空间负荷预测方法 |
-
2015
- 2015-11-05 CN CN201510744650.1A patent/CN105426988A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1825345A (zh) * | 2006-04-07 | 2006-08-30 | 上海电力学院 | 基于模糊最大贴近度理论的负荷密度指标求取方法 |
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 |
CN104240040A (zh) * | 2014-09-28 | 2014-12-24 | 华北电力大学 | 基于土地转换风险的城市智能电网规划方法 |
CN104252652A (zh) * | 2014-10-17 | 2014-12-31 | 广东电网公司电网规划研究中心 | 电力系统中空间负荷预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169878A (zh) * | 2017-04-12 | 2017-09-15 | 华中科技大学 | 一种基于开源信息自主收集空间负荷基础数据的方法 |
CN107403239A (zh) * | 2017-07-25 | 2017-11-28 | 南京工程学院 | 一种用于电力系统中控制设备的参数分析方法 |
CN107403239B (zh) * | 2017-07-25 | 2021-02-12 | 南京工程学院 | 一种用于电力系统中控制设备的参数分析方法 |
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 |
CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
CN113112090A (zh) * | 2021-04-29 | 2021-07-13 | 内蒙古电力(集团)有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
CN113112090B (zh) * | 2021-04-29 | 2023-12-19 | 内蒙古电力(集团)有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
CN113256274A (zh) * | 2021-07-14 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 基于专家系统的业务处理方法及装置 |
CN113256274B (zh) * | 2021-07-14 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 基于专家系统的业务处理方法及装置 |
CN117348383A (zh) * | 2023-12-04 | 2024-01-05 | 广州泛美实验室系统科技股份有限公司 | 基于实验室环境监测的通风柜变风量控制方法 |
CN117348383B (zh) * | 2023-12-04 | 2024-03-12 | 广州泛美实验室系统科技股份有限公司 | 基于实验室环境监测的通风柜变风量控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426988A (zh) | 一种基于模糊规则的空间负荷预测方法 | |
Yang et al. | Scenario simulation of land system change in the Beijing-Tianjin-Hebei region | |
Zhang et al. | Farmland function evolution in the Huang-Huai-Hai Plain: Processes, patterns and mechanisms | |
CN101807222B (zh) | 基于站点的城市公交线网优化配置方法 | |
Aydin et al. | Sustainability assessment of urban water distribution systems | |
Jia et al. | A multi-objective best compromise decision model for real-time flood mitigation operations of multi-reservoir system | |
CN104462685B (zh) | 基于网格GIS和Floyd算法的输电线路设计方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
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 | |
CN102509240A (zh) | 一种基于多指标多层次的电网投资效益评估方法 | |
CN101976842A (zh) | 基于电气分区的关键断面自动获取方法 | |
CN106600063B (zh) | 一种基于模糊粗糙集理论和时空信息的空间负荷预测方法 | |
CN104933505A (zh) | 一种基于模糊评估的智能配电网群决策评价方法 | |
CN107730027A (zh) | 一种基于区域建筑性质的负荷预测方法及装置 | |
CN103942422A (zh) | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 | |
CN110288133A (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 | |
CN103116812A (zh) | 一种新型的变电站布点方法 | |
Wang et al. | Evaluating construction land use efficiency under carbon emission constraints: A comparative study of China and the USA | |
Mortezaei et al. | A hybrid model for multi-objective capacitated facility location network design problem | |
CN104331847A (zh) | 一种利用Delaunay三角剖分的供电分区方法 | |
CN106408119A (zh) | 基于类气象分区综合评价的大电网负荷预测方法 | |
Zavadskas et al. | Evaluation of buildings’ redevelopment alternatives with an emphasis on the multipartite sustainability | |
Munshi et al. | Development of employment sub-centres in the city of Ahmedabad, India | |
Zhu et al. | Bi-level optimization for determining operating strategies for inter-basin water transfer-supply reservoirs | |
Liang et al. | The impact of bus fleet size on performance of self-equalise bus headway control method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |
|
RJ01 | Rejection of invention patent application after publication |