CN107169589A - 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 - Google Patents
一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 Download PDFInfo
- Publication number
- CN107169589A CN107169589A CN201710237039.9A CN201710237039A CN107169589A CN 107169589 A CN107169589 A CN 107169589A CN 201710237039 A CN201710237039 A CN 201710237039A CN 107169589 A CN107169589 A CN 107169589A
- Authority
- CN
- China
- Prior art keywords
- grid
- mrow
- mtd
- load
- msub
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 15
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims 8
- 230000003698 anagen phase Effects 0.000 claims 1
- 230000012010 growth Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000191 radiation effect Effects 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于低压配电网负荷预测技术领域，提供一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，该方法首先结合KNN算法对所有网格依照发展程度开展分类工作，然后找出区域中的大用户落脚网格，计算各类型网格以不同速度增长的概率，最后采用轮盘赌算法计算其负荷增长，并每年更新其内指标以完成其发展程度更新，从而完成负荷的随机动态预测。本发明预测方法有效利用城市规划与地块性质等与低压用户负荷强相关的非电量信息来辅助电力预测工作，同时兼顾实际网格的负荷发展随机性，负荷预测更加可靠高效。
Description
技术领域
本发明属于低压配电网负荷预测技术领域，具体涉及一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法。
背景技术
低压配电网面向用户，直接为居民住宅、商场、工厂等提供电能，其往往受气候、人口流量、用户性质、地块所处地理位置等条件的影响，低压配电网存在支路庞杂、负荷多样等复杂情况，且0.4kV供电台区量大面广，针对低压用户开展负荷预测难以获取准确的一手资料，是城市电网规划工作的盲区。
传统预测方法难以准确刻画负荷的多样化发展规律，按照大用户包装容量预留的电源及设计网架往往没有注意到大商圈或者高新产业的辐射效应，如某地块规划为大负荷区域(如建立商圈或者高新产业园)，必将带动自身与周围网格发展，而且各个网格由于自身特性(主要为商业区、工业区或民宅等)发展速率将会有所不同，因此开展低压用户负荷用电预测时需因地制宜，避免后续低压网架结构的不合理设计。
发明内容
本发明的目的是为了克服上述现有技术的不足之处，提出一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，该方法有效利用城市规划与地块性质等与低压用户负荷强相关的非电量数据来辅助电力预测工作，同时兼顾实际网格的负荷发展随机性，负荷预测更加可靠高效。
本发明的目的是通过以下技术措施实现的。
一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，包括以下步骤：
(1)依据地图中的道路规划或行政区域将城市划分为大小不一的网格，并分别赋予唯一编号，同时收集各网格内的地块信息，地块信息包括历史电量、地理信息数据和城市控制性详细规划等；
(2)根据网格中的地理信息数据(非电量信息)，利用K最近邻分类算法对网格进行分类，将网格划分为3种典型类型：成熟、快速发展、新开发；
(3)根据网格中的用电量，将网格分为非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格，至此，每个网格既有根据非电量信息的发展程度分类标识，又有根据电量信息的分类标识；通过历史负荷数据的训练，确认非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格中各典型类型(成熟、快速发展、新开发)网格负荷高、中、低速增长概率；
(4)采用轮盘赌算法进行网格负荷预测，非大用户落脚以及非大用户毗邻网格、大用户毗邻网格仅考虑负荷自然增长，大用户落脚网格则要结合城市控制性详细规划获取大用户容量得到其网格负荷预测值；同时每年更新一次网格负荷以及网格内各用户数量，并结合步骤(2)对网格发展程度进行重新分类。
在上述技术方案中，步骤(1)中所述的收集各网格内的地块信息是指利用网络爬虫借由地理开放平台获得地块信息，地块信息包括不限于：高能耗企业或手工作坊等工业用户数量，宾馆、饭店、购物商场等商业用户数量，公寓、平房、别墅等居民用户数量，银行、证券公司等金融用户数量，学校、政府、写字楼等办公用户数量，同时收集城市控制性详细规划信息来预测未来大用户建设情况。
在上述技术方案中，步骤(2)中所述利用K最近邻分类算法对网格进行分类的具体方式如下：
步骤一，利用步骤(1)中收集到的地理信息数据，对各类数据进行归一化：
式中，i代表待预测区域的网格总数，j代表每个网格内包含的所有指标，表示某网格中某指标的数量的原始值，m、n分别可以为(1,2,3,......,i),(1,2,3,......,j)中的任何值；
步骤二，对于具有显著特征的网格，可以明确获知网格发展程度类型，城市中心老城区可以作为成熟网格；城市正在开展大规模建设的网格可以作为快速发展网格；城市规划建设区作为新开发网格，将上述网格作为三种典型类型网格的样本；
步骤三，对于特征不明显的网格，无法获知网格发展程度类型的，计算待分类网格与样本集中所有网格样本的距离，该距离的计算公式为：
式中，drs表式第r个待分类网格与第s个已完成分类网格的距离，j代表每个网格内包含的所有指标；
步骤四，找到第r个待分类网格与已完成分类的距离最小典型网格，则待分类网格类型与该典型网格类型相同；
步骤五，重复步骤三、四，直到所有待分类网格完成分类。
在上述技术方案中，步骤(3)所述的根据网格中的用电量，将网格分为非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格的判断标准是：网格内工业用户年用电量为8000万千瓦时以上，商业用户年用电量为5000万千瓦时以上时，此网格为大用户落脚网格。
在上述技术方案中，步骤(4)中所述采用轮盘赌算法进行网格负荷预测的具体方式如下：
步骤一，现已知某网格现状年的负荷大小为Load初始，首先结合步骤(3)计算得出的网格增长概率，考虑负荷发展的随机性，采用轮盘赌算法进行负荷预测工作，该网格负荷大小的预测值为：
Load第一年＝Load初始*(1+p轮盘赌计算结果)
p轮盘赌计算结果＝p1 or p2 or p3
其中，p1、p2、p3分别为该网格负荷高、中、低速增长概率；
步骤二，非大用户落脚以及非大用户毗邻网格、大用户毗邻网格仅考虑负荷自然增长；大用户落脚网格则根据城市规划，除去负荷自然增长因素外，考虑重大市政项目大用户负荷自身释放系数，大用户落脚网格负荷大小的预测值为：
Load大用户落脚网格＝Load大用户落脚网格初始*(1+p轮盘赌计算结果)+Load新增大用户负荷*p大用户负荷第一年释放系数
p轮盘赌计算结果＝p1 or p2 or p3
其中，p1、p2、p3分别为该网格负荷高、中、低速增长概率；
步骤三，考虑负荷发展的连贯性，在完成每年的网格负荷预测后，需要更新网格内的各指标，再采用K最近邻分类算法重新确定其发展程度，并以此为基础开展后续年份的负荷预测工作；更新指标工作具体如下：
根据用轮盘赌算法选定的网格负荷增长概率，假定网格内各指标数量按与负荷增长相同的速率增加，从而体现网格发展程度变化；
步骤四，重复步骤一至三，直到完成所有网格从现状年到目标年的负荷预测工程。
与现有技术相比，本发明的有益效果为：
本发明提出了一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，首先结合KNN算法对所有网格依照发展程度开展分类工作，然后找出区域中的大用户落脚网格，计算各类型网格以不同速度增长的概率，最后采用轮盘赌算法计算其负荷增长，并每年更新其内指标以完成其发展程度更新，从而完成负荷的随机动态预测，该预测方法有效利用城市规划与地块性质等与低压用户负荷强相关的非电量信息来辅助电力预测工作，同时兼顾实际网格的负荷发展随机性，负荷预测更加可靠高效。
附图说明
图1是本发明预测方法的流程图。
具体实施方式
下面结合附图及实施例对本发明作进一步详细描述。
如图1所示，本发明实施例提供一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，一是为了解决实际负荷预测中各网格负荷发展速率随机性的问题，二是考虑城市社会发展对供电区域的影响，该预测方法包括以下步骤：
(1)依据地图中的道路规划或行政区域将城市划分为大小不一的网格，并分别赋予唯一编号，同时收集各网格内的地块信息，地块信息包括历史电量、地理信息数据和城市控制性详细规划；
(2)根据网格中的地理信息数据，利用K最近邻分类算法对网格进行分类，将网格划分为3种典型类型：成熟、快速发展、新开发；
(3)根据网格中的用电量，将网格分为非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格，至此，每个网格既有根据非电量信息的发展程度分类标识，又有根据电量信息的分类标识；通过历史负荷数据的训练，确认非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格中各典型类型网格负荷高、中、低速增长概率；
(4)采用轮盘赌算法进行网格负荷预测，非大用户落脚以及非大用户毗邻网格、大用户毗邻网格仅考虑负荷自然增长，大用户落脚网格则要结合城市控制性详细规划获取大用户容量得到其网格负荷预测值；同时每年更新一次网格负荷以及网格内各用户数量，并结合步骤(2)对网格发展程度进行重新分类。
在上述实施例中，所述步骤(1)包含以下步骤：
根据道路分界或行政区域将城市划分为大小不一的网格，并分别赋予唯一编号，利用网络爬虫借由地理开放平台，如百度地图等，获得地块信息，地块信息包括不限于：高能耗企业或手工作坊等工业用户数量，宾馆、饭店、购物商场等商业用户数量，公寓、平房、别墅等居民用户数量，银行、证券公司等金融用户数量，学校、政府、写字楼等办公用户数量，同时收集城市控制性详细规划信息来预测未来大用户建设情况。
在上述实施例中，所述步骤(2)包含以下步骤：
步骤2.1，利用步骤(1)中收集到的原始地块信息，对其各类数据进行归一化：
式中，i代表待预测区域的网格总数，j代表每个网格内包含的所有指标(如工业、商业、居民、金融、办公等)，表示网格中某指标的数量的原始值，如每平方千米商业用户(宾馆、饭店与购物街等)的总数，m、n分别可以取(1,2,3,......,i),(1,2,3,......,j)中的任意值。
步骤2.2，对于具有显著特征，可以明确获知网格发展程度类型：如城市中心老城区可以作为成熟网格；城市正在开展大规模建设的网格可以作为快速发展网格；城市规划建设区作为新开发网格。将上述网格作为三种典型网格的样本。
步骤2.3，对于特征不明显的网格，无法获知网格发展情况类型的：计算待分类网格与样本集中所有网格样本的距离，该距离的计算公式为：
式中，drs表式第r个待分类网格与第s个已完成分类网格的距离，j代表每个网格内包含的所有指标(如工业、商业、居民、金融、办公等)。
步骤2.4，找到第r个待分类网格与已完成分类的距离最小典型网格，则待分类网格类型与该典型网格类型相同。
步骤2.5，重复步骤2.3、2.4，直到所有待分类网格完成分类。
在上述实施例中，所述步骤(3)包含以下步骤：
步骤3.1，在完成各类型网格的发展程度分类后，依据《年电力大用户与发电企业直接交易工作有关事项的通知》等参考文件，根据网格中的用电量，将网格分为非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格，判断标准是：网格内工业用户年用电量为8000万千瓦时以上，商业用户年用电量为5000万千瓦时以上时，此网格为大用户落脚网格。(各地依据其实际负荷情况，大用户落脚网格界定标准有所不同)。
步骤3.2，对于非大用户落脚以及非大用户毗邻网格，通过对其历史数据的训练，计算得出各典型类型网格高、中、低速的增长概率：如该地区存在10个成熟的非大用户落脚以及非大用户毗邻网格，其中1个网格历史负荷增长速率在4～8％之间，2个长速率在2-4％之间，7个增长速率在0-2％之间，则其成熟网格对应高、中、低速增长概率分别为10％、20％、70％。表1和表2分别给出了各类型网格高、中、低速增长的可能概率以及对应负荷自然增长速率。
表1非大用户落脚以及非大用户毗邻网格负荷以不同速度增长的可能概率
表2负荷自然增长速率的参考取值
| 负荷发展类型 | 负荷自然增长速率 |
| 高速增长 | 4～8％ |
| 中速增长 | 2～4％ |
| 低速增长 | 0～2％ |
步骤3.3，同步骤3.2计算大用户落脚和大用户毗邻网格负荷高、中、低速增长概率，考虑到大用户负荷对周边网格的辐射型影响，表3给出了大用户落脚以及大用户毗邻网格高、中、低速增长的可能概率。
表3大用户落脚以及大用户毗邻网格负荷以不同速度增长的可能概率。
在上述实施例中，所述步骤(4)包含以下步骤：
步骤4.1，现已知某网格现状年的负荷大小为Load初始，现在以其第一年的负荷预测过程为例，首先结合步骤(3)计算得出的网格增长概率，考虑负荷发展的随机性，采用轮盘赌算法进行负荷预测工作：
将网格负荷以高、中、低速的增长分别作为事件A、B、C，事件A、B、C发生的概率分别为p1、p2、p3，在轮盘上表示为所占扇区的百分比，以非大用户落脚以及非大用户毗邻成熟网格为例，p1＝10％，p2＝20％，p3＝70％，则p1、p2、p3分别表示扇区占轮盘总面积的10％、20％、70％；
为便于计算，可以把一个网格的负荷增长速度选择问题看成是(0，1)区间内的随机数的取值概率问题。计算负荷增长的累积概率，q1＝p1＝0.1，q2＝p1+p2＝0.1+0.2＝0.3，q3＝p1+p2+p3＝1，利用计算机随机数生成器生成一个在0-1之间的数a，如果a＜q1，则成熟网格的负荷以高速增长；如果q1＜a＜q2，则成熟网格的负荷以中速增长；如果q2＜a＜q3，则成熟网格的负荷以中速增长。
因此第一年该网格负荷大小的预测值为：
Load第一年＝Load初始*(1+p轮盘赌计算结果)
p轮盘赌计算结果＝(4-8％)10％or(2-4％)20％or(0-2％)70％
显然按照轮盘赌算法该成熟网格以低速增长的可能性较高，但是其也有高速与中速增长的可能性，从而模拟了负荷的随机性发展过程。
步骤4.2，结合各类网格现状负荷，非大用户落脚以及非大用户毗邻网格、大用户毗邻网格仅考虑负荷自然增长；大用户落脚网格则根据城市规划，除去负荷自然增长因素外，考虑重大市政项目大用户负荷自身释放系数，表4给出了各类型大用户负荷释放系数。
Load大用户落脚网格＝Load大用户落脚网格初始*(1+p轮盘赌计算结果)+Load新增大用户负荷*p大用户负荷第一年释放系数
p轮盘赌计算结果＝(4-8％)10％or(2-4％)20％or(0-2％)70％
表4大用户负荷释放系数(网格自身)
| 用户类别 | 投入用电当年 | 投入后第二年 | 投入后第三年 | 投入第四年以后 |
| 工业 | 60-80％ | 80-100％ | 100％ | 100％ |
| 商业、市政 | 30-40％ | 40-50％ | 50-80％ | 80-100％ |
| 居民 | 10-20％ | 20-40％ | 40-60％ | 60-80％ |
步骤4.3，考虑负荷发展的连贯性，在完成每年的网格负荷预测后，需要更新其各指标，再采用KNN算法重新确定其发展程度，并以此为基础开展后续年份的负荷预测工作，更新指标工作具体如下：
根据用轮盘赌算法选定的网格负荷发展速率，假定网格内工业、商业、居民、金融等用户数量按与负荷增长相同的速率增加，比如某网格内原每平方千米商业建筑指标归一化后为0.1，当年确定的负荷增长速率是8％，则一年后的商业建筑指标为0.108，其它指标同理，从而体现网格发展程度变化。重复步骤4.1-4.3，直到完成所有网格从现状年到目标年的负荷预测工程。
Claims (5)
1.一种基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，其特征在于该方法包括以下步骤：
(1)依据地图中的道路规划或行政区域将城市划分为大小不一的网格，并分别赋予唯一编号，同时收集各网格内的地块信息，地块信息包括历史电量、地理信息数据和城市控制性详细规划；
(2)根据网格中的地理信息数据，利用K最近邻分类算法对网格进行分类，将网格划分为3种典型类型：成熟、快速发展、新开发；
(3)根据网格中的用电量，将网格分为非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格，至此，每个网格既有根据非电量信息的发展程度分类标识，又有根据电量信息的分类标识；通过历史负荷数据的训练，确认非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格中各典型类型网格负荷高、中、低速增长概率；
(4)采用轮盘赌算法进行网格负荷预测，非大用户落脚以及非大用户毗邻网格、大用户毗邻网格仅考虑负荷自然增长，大用户落脚网格则要结合城市控制性详细规划获取大用户容量得到其网格负荷预测值；同时每年更新一次网格负荷以及网格内各用户数量，并结合步骤(2)对网格发展程度进行重新分类。
2.根据权利要求1所述的基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，其特征是：步骤(1)中所述的收集各网格内的地块信息是指利用网络爬虫借由地理开放平台获得地块信息，地块信息包括不限于：高能耗企业或手工作坊类工业用户数量，宾馆、饭店、购物商场类商业用户数量，公寓、平房、别墅类居民用户数量，银行、证券公司类金融用户数量，学校、政府、写字楼类办公用户数量，同时收集城市控制性详细规划信息来预测未来大用户建设情况。
3.根据权利要求1所述的基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，其特征是步骤(2)中所述利用K最近邻分类算法对网格进行分类的具体方式如下：
步骤一，利用步骤(1)中收集到的地理信息数据，对各类数据进行归一化：
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mo>*</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<mi>min</mi>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>max</mi>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mi>min</mi>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mo>*</mo>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mfrac>
</mrow>
式中，i代表待预测区域的网格总数，j代表每个网格内包含的所有指标，表示网格中某指标的数量的原始值，m、n分别为(1,2,3,......,i),(1,2,3,......,j)中的任何值；
步骤二，对于具有显著特征的网格，可以明确获知网格发展程度类型，城市中心老城区可以作为成熟网格；城市正在开展大规模建设的网格可以作为快速发展网格；城市规划建设区作为新开发网格，将上述网格作为三种典型类型网格的样本；
步骤三，对于特征不明显的网格，无法获知网格发展程度类型的，计算待分类网格与样本集中所有网格样本的距离，该距离的计算公式为：
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>s</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
式中，drs表式第r个待分类网格与第s个已完成分类网格的距离，j代表每个网格内包含的所有指标；
步骤四，找到第r个待分类网格与已完成分类的距离最小典型网格，则待分类网格类型与该典型网格类型相同；
步骤五，重复步骤三、四，直到所有待分类网格完成分类。
4.根据权利要求1所述的基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，其特征是步骤(3)所述的根据网格中的用电量，将网格分为非大用户落脚以及非大用户毗邻网格、大用户落脚网格和大用户毗邻网格的判断标准是：网格内工业用户年用电量为8000万千瓦时以上，商业用户年用电量为5000万千瓦时以上时，此网格为大用户落脚网格。
5.根据权利要求1所述的基于KNN和轮盘赌算法的低压网格精细化负荷预测方法，其特征是步骤(4)中所述采用轮盘赌算法进行网格负荷预测的具体方式如下：
步骤一，现已知某网格现状年的负荷大小为Load初始，首先结合步骤(3)计算得出的网格增长概率，考虑负荷发展的随机性，采用轮盘赌算法进行负荷预测工作，该网格负荷大小的预测值为：
Load第一年＝Load初始*(1+p轮盘赌计算结果)
p轮盘赌计算结果＝p1 or p2 or p3
其中，p1、p2、p3分别为该网格负荷高、中、低速增长概率；
步骤二，非大用户落脚以及非大用户毗邻网格、大用户毗邻网格仅考虑负荷自然增长；大用户落脚网格则根据城市规划，除去负荷自然增长因素外，考虑重大市政项目大用户负荷自身释放系数，大用户落脚网格负荷大小的预测值为：
Load大用户落脚网格＝Load大用户落脚网格初始*(1+p轮盘赌计算结果)+Load新增大用户负荷*p大用户负荷第一年释放系数p轮盘赌计算结果＝p1 or p2 or p3
其中，p1、p2、p3分别为该网格负荷高、中、低速增长概率；
步骤三，考虑负荷发展的连贯性，在完成每年的网格负荷预测后，需要更新网格内的各指标，再采用K最近邻分类算法重新确定其发展程度，并以此为基础开展后续年份的负荷预测工作；更新指标工作具体如下：
根据用轮盘赌算法选定的网格负荷增长概率，假定网格内各指标数量按与负荷增长相同的速率增加，从而体现网格发展程度变化；
步骤四，重复步骤一至三，直到完成所有网格从现状年到目标年的负荷预测工程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710237039.9A CN107169589A (zh) | 2017-04-12 | 2017-04-12 | 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710237039.9A CN107169589A (zh) | 2017-04-12 | 2017-04-12 | 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107169589A true CN107169589A (zh) | 2017-09-15 |
Family
ID=59849447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710237039.9A Pending CN107169589A (zh) | 2017-04-12 | 2017-04-12 | 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107169589A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
| CN108764565A (zh) * | 2018-05-25 | 2018-11-06 | 广州有轨电车有限责任公司 | 一种储能式有轨电车最大续航里程的预测方法 |
| CN109376907A (zh) * | 2018-09-25 | 2019-02-22 | 国网浙江省电力有限公司经济技术研究院 | 适应输配电网一体化规划的高压配网变电站负荷预测方法 |
| CN112541617A (zh) * | 2020-11-30 | 2021-03-23 | 国网河北省电力有限公司经济技术研究院 | 变电站的定容及选址方法、存储介质 |
-
2017
- 2017-04-12 CN CN201710237039.9A patent/CN107169589A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
| CN108764565A (zh) * | 2018-05-25 | 2018-11-06 | 广州有轨电车有限责任公司 | 一种储能式有轨电车最大续航里程的预测方法 |
| CN109376907A (zh) * | 2018-09-25 | 2019-02-22 | 国网浙江省电力有限公司经济技术研究院 | 适应输配电网一体化规划的高压配网变电站负荷预测方法 |
| CN109376907B (zh) * | 2018-09-25 | 2022-06-28 | 国网浙江省电力有限公司经济技术研究院 | 适应输配电网一体化规划的高压配网变电站负荷预测方法 |
| CN112541617A (zh) * | 2020-11-30 | 2021-03-23 | 国网河北省电力有限公司经济技术研究院 | 变电站的定容及选址方法、存储介质 |
| CN112541617B (zh) * | 2020-11-30 | 2022-11-22 | 国网河北省电力有限公司经济技术研究院 | 变电站的定容及选址方法、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tegou et al. | Environmental management framework for wind farm siting: Methodology and case study | |
| CN105303882B (zh) | 基于时空维度动态停车收费策略的停车管理系统及方法 | |
| Aryanfar et al. | Multi-criteria photovoltaic potential assessment using fuzzy logic in decision-making: A case study of Iran | |
| CN104156786B (zh) | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 | |
| CN105528660A (zh) | 一种基于日负荷曲线的变电站负荷模型参数预测方法 | |
| Barzehkar et al. | Decision support tools for wind and solar farm site selection in Isfahan Province, Iran | |
| CN107169589A (zh) | 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 | |
| CN102520464B (zh) | 区域积涝预报系统及其预报方法 | |
| Wu et al. | Prediction and analysis of water resources demand in Taiyuan City based on principal component analysis and BP neural network | |
| CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
| CN107590568A (zh) | 一种基于空间细分的精细化负荷预测方法 | |
| CN112541617B (zh) | 变电站的定容及选址方法、存储介质 | |
| CN102867217A (zh) | 基于投影寻踪的设施农业气象灾害风险评价方法 | |
| 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 | |
| Noori et al. | A reliable GIS-based FAHP-FTOPSIS model to prioritize urban water supply management scenarios: A case study in semi-arid climate | |
| CN104636834A (zh) | 一种改进的联合概率规划模型系统优化方法 | |
| Wu et al. | Assessment of waterlogging risk in the deep foundation pit projects based on projection pursuit model | |
| Shenavr et al. | Comparison of Multi-criteria evaluation (AHP and WLC approaches) for land capability assessment of urban development in GIS | |
| Kharazi et al. | Delineation of suitable sites for groundwater dams in the semi-arid environment in the northeast of Iran using GIS-based decision-making method | |
| Li et al. | Risk assessment and management method of urban flood disaster | |
| Li et al. | The promising future of developing large-scale PV solar farms in China: A three-stage framework for site selection | |
| Nguyen et al. | Gis-based simulation for solar farm site selection in south-central Vietnam | |
| Zeng et al. | A land-indicator-based optimization model with trading mechanism in wetland ecosystem under uncertainty | |
| Wang et al. | Geographic information system and system dynamics combination technique for municipal solid waste treatment station site selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Chunfang Inventor after: Cao Naiwen Inventor after: Liang Tangjie Inventor after: Du Mingqiu Inventor after: Wang Tianzhi Inventor after: Peng Yinding Inventor after: Sheng Mengyu Inventor after: Li Yan Inventor after: Wang Shaorong Inventor after: Nie Jingyu Inventor before: Liu Chunfang Inventor before: Peng Yinding Inventor before: Nie Jingyu Inventor before: Cao Naiwen Inventor before: Du Mingqiu Inventor before: Sheng Mengyu Inventor before: Li Yan Inventor before: Wang Shaorong Inventor before: Zhu Minjie Inventor before: Liang Tangjie Inventor before: Zhao Hong Inventor before: Wang Tianzhi |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170915 |
|
| RJ01 | Rejection of invention patent application after publication |