CN108596369A - 一种基于多变量模型与盲数理论的空间负荷预测方法 - Google Patents
一种基于多变量模型与盲数理论的空间负荷预测方法 Download PDFInfo
- Publication number
- CN108596369A CN108596369A CN201810302738.1A CN201810302738A CN108596369A CN 108596369 A CN108596369 A CN 108596369A CN 201810302738 A CN201810302738 A CN 201810302738A CN 108596369 A CN108596369 A CN 108596369A
- Authority
- CN
- China
- Prior art keywords
- electric load
- total amount
- principal element
- amount electric
- variation
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000011161 development Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 12
- 240000002853 Nelumbo nucifera Species 0.000 claims description 8
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 8
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013439 planning Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 13
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013316 zoning 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)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于多变量模型与盲数理论的空间负荷预测方法，其特点是,包括的步骤有：以对影响总量电力负荷变化的众多因素为依据，分别与总量电力负荷进行相关性分析，确定其中影响总量电力负荷变化的主要因素；运用多变量分析方法，构建以影响总量电力负荷变化的主要因素作为输入量的对总量电力负荷进行预测的多变量预测模型；建立评估影响总量电力负荷变化主要因素的发展状况的指标体系，并利用盲数理论计算影响总量电力负荷变化主要因素的目标年值，采用该多变量预测模型对总量电力负荷进行预测；利用总量电力负荷预测结果求得目标年分类电力负荷值，建立包含待预测区用地信息的电力地理信息系统，求出分类电力负荷密度，得到各供电小区的电力负荷值。
Description
本发明涉及城市配电网规划中的空间负荷预测领域，是一种基于多变量模型与盲数理论的空间负荷预测方法。
背景技术
空间负荷预测(spatial load forecasting，SLF)不仅要预测未来负荷的大小，还要预测未来负荷增长的位置。它是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测，因此空间负荷预测是城网规划领域中一个极为重要的研究课题。
空间负荷预测方法主要分为四类：多变量法、趋势法、用地仿真法及负荷密度指标法(分类分区法)，其中，趋势类SLF方法在预测过程中未挖掘负荷与其影响因素之间的关系，难以充分把握负荷发展规律；用地仿真法主要适用于用地规划比较不确定的情况，由于我国城市规划的逐渐规范化，未来城市土地使用性质基本已经明确，所以在国内城网规划中用地仿真法应用较少。
现有技术中，利用多变量预测模型进行空间负荷预测时，各变量目标年值的确定方法普遍采用线性回归、指数平滑、灰色理论等传统方法，这样做在实际应用中难以满足精度的要求。基于盲数理论的空间负荷预测，则普遍存在对负荷影响因素考虑不够充分的问题，并且在取值区间可信度确定时主观性强，没有充分挖掘与历史负荷影响因素相关的评价指标的数据，其预测精度低。
发明内容
本发明的目的是，提供一种方法科学、合理，简单、实用，计算速度快，精度更高，能够充分利用电力负荷数据、影响电力负荷变化的因素以及对各因素产生影响的指标数据、待预测区的用地信息的一种基于多变量模型与盲数理论的空间负荷预测方法。
实现本发明目的所采用的技术方案是，一种基于多变量模型与盲数理论的空间负荷预测方法，其特征在于，它包括以下步骤：
1)总量电力负荷预测
①影响总量电力负荷变化主要因素的确定
给出影响总量电力负荷变化的众多因素，通过对影响总量电力负荷变化的众多因素分别与总量电力负荷进行相关性分析，确定出其中影响总量电力负荷变化的主要因素。
②多变量预测模型的建立
建立以影响总量电力负荷变化的主要因素作为输入量的对总量电力负荷进行预测的多变量预测模型，见公式(1)。
Y＝α0+α1x1+α2x2+...+αixi+...+αnxn+ε (1)
式中，Y表示总量电力负荷；i表示第i个主要因素；i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素的个数；xi表示影响总量电力负荷变化的第i个主要因素的历史数据，α0,α1,α2,…,αi,…,αn表示多变量预测模型的系数；ε表示随机误差。
根据历史年的总量电力负荷以及影响总量电力负荷变化的主要因素，对总量电力负荷与影响总量电力负荷变化的主要因素进行m次观测，得m组观测值，见公式(2)，运用最小二乘法对多变量预测模型的系数进行求解。
式中，Yj表示第j个总量电力负荷，j＝1,2,…,m；m表示总量电力负荷历史数据的个数；xji表示对第j个总量电力负荷变化产生影响的第i个主要因素的历史数据；i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素的个数；α0,α1,α2,…,αi,…,αn表示多变量预测模型的系数；ε表示随机误差。
③目标年各影响总量电力负荷变化主要因素预测值的确定
a、目标年各影响总量电力负荷变化主要因素估计值的计算
运用至少3种趋势类空间负荷预测方法，计算出目标年各影响总量电力负荷变化主要因素的估计值。
b、目标年各影响总量电力负荷变化主要因素预测值取值区间的划分
根据计算出的目标年各影响总量电力负荷变化主要因素的估计值，对目标年各影响总量电力负荷变化主要因素预测值进行取值区间的划分，划分的取值区间个数为选取的影响总量电力负荷变化主要因素的个数。
c、取值区间可信度值的确定
对每个影响总量电力负荷变化的主要因素分别构建衡量其发展状况的指标体系，计算出目标年各影响总量电力负荷变化的主要因素在相应指标体系下的表征值，运用盲数理论，根据目标年各影响总量电力负荷变化主要因素的表征值与已划分的各取值区间中间值的数值差对取值区间进行排序，并以正整数n表示各取值区间的可靠程度，n＝1,2,…,v，v表示对各影响总量电力负荷变化的主要因素所划分的取值区间个数，n取值越大，可靠程度越高，形成判断矩阵Z，见公式(3)。
式中，Zks表示各影响总量电力负荷变化的主要因素在第s个指标下的第k个取值区间的可靠程度，s＝1,2,…,u；u表示评价各影响总量电力负荷变化的主要因素的指标个数；k＝1,2,…,v；v表示各影响总量电力负荷变化的主要因素的取值区间个数。
求出判断矩阵Z的最大特征值所对应的特征向量，并将其作为各影响总量电力负荷变化的主要因素在相应指标体系下的取值区间可信度值，取可信度值最大的取值区间中间值作为目标年各影响总量电力负荷变化主要因素的预测值，见公式(4)。
式中，di表示目标年影响总量电力负荷变化的第i个主要因素的表征值，i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素个数；fi(di)表示影响总量电力负荷变化的第i个主要因素在各取值区间的可信度值；Ait表示影响总量电力负荷变化的第i个主要因素在第t个取值区间的可信度值，t＝1,2,…,v；v表示影响总量电力负荷变化的主要因素的取值区间个数；λit表示影响总量电力负荷变化的第i个主要因素的第t个取值区间。
④目标年总量电力负荷的预测
将目标年各影响总量电力负荷变化的主要因素的预测值带入多变量预测模型中，求出目标年总量电力负荷预测值。
2)空间负荷预测
结合历史年的实测总量电力负荷值与分类电力负荷最大值，通过公式(5)计算出实测总量电力负荷相对于各分类电力负荷最大值之和的同时率，根据计算出的同时率得到目标年的总量电力负荷最大值，根据规划区的产业结构调整变化情况，利用公式(6)计算出目标年相对于历史年各类电力负荷所占总量电力负荷比例的调整系数，得到目标年各类电力负荷最大值占总量电力负荷最大值的比例，进而确定目标年分类电力负荷最大值。
式中，η表示实测总量电力负荷相对于各分类电力负荷最大值之和的同时率；Pa表示总量电力负荷实际值；Pl.max表示历史年第l类电力负荷最大值，l＝1,2,…,g；g表示分类电力负荷个数；P’l.max表示目标年第l类电力负荷最大值；P’max表示目标年总量电力负荷最大值；βl表示目标年相对于历史年第l类电力负荷所占总量电力负荷比例的调整系数；Rl表示历史年第l类电力负荷占总量电力负荷的比例。
建立包含待预测区域用地信息的电力地理信息系统，确定各种用地类型的面积，从而计算出目标年的最大分类电力负荷密度，见公式(7)，按照相连的同一类型用地为一个供电小区的原则，将供电区域中细分成若干个供电小区，得到各供电小区的目标年电力负荷值，见公式(8)，从而实现空间电力负荷预测。
Plq·max＝D′l·max*Slq (8)
式中，D’l.max表示目标年第l类最大电力负荷密度，l＝1,2,…,g；g表示分类电力负荷个数；Sl表示第l类电力负荷占地面积；Plq.max表示包含第l类电力负荷的第q个供电小区的电力负荷最大值，q＝1,2,…,j；j表示供电小区的个数；Slq表示包含第l类电力负荷的第q个供电小区的面积。
本发明是一种基于多变量模型与盲数理论的空间负荷预测方法，以影响总量电力负荷变化的众多因素分别与总量电力负荷进行相关性分析，确定其中影响总量电力负荷变化的主要因素；运用多变量分析方法，构建以影响总量电力负荷变化的主要因素作为输入量的对总量电力负荷进行预测的多变量预测模型；建立评估影响总量电力负荷变化主要因素的发展状况的指标体系，并利用盲数理论计算影响总量电力负荷变化主要因素的目标年值，采用该多变量预测模型对总量电力负荷进行预测；利用总量电力负荷预测结果求得目标年分类电力负荷值，建立包含待预测区用地信息的电力地理信息系统，求出分类电力负荷密度，进而得到各供电小区的电力负荷值。具有方法科学、合理，简单、实用，计算速度快，精度更高等优点。
附图说明
图1为一种基于多变量模型与盲数理论的空间负荷预测方法的预测过程示意图；
图2为郑州市某核心区2015年的用地信息图；
图3为郑州市某核心区2015年各供电小区预测结果图。
具体实施方式
下面利用附图和实施例对本发明进行进一步说明。
图1显示了本专利发明的一种基于多变量模型与盲数理论的空间负荷预测方法的实现过程；图2显示了运用本专利发明的一种基于多变量模型与盲数理论的空间负荷预测方法的预测区域范围以及用地信息；图3显示了运用本发明专利的一种基于多变量模型与盲数理论的空间负荷预测方法的预测结果。
本发明实施例的一种基于多变量模型与盲数理论的空间负荷预测方法，包括以下步骤：
1)总量电力负荷预测
①影响总量电力负荷变化主要因素的确定
给出影响总量电力负荷变化的众多因素，通过对影响总量电力负荷变化的众多因素分别与总量电力负荷进行相关性分析，确定出其中影响总量电力负荷变化的主要因素。
通过对郑州市某区域2005-2014年影响总量电力负荷变化的众多因素分别与总量电力负荷进行相关性分析，确定相关系数大于0.97的因素(人口、GDP、用电量)作为影响总量电力负荷变化的主要因素，总量电力负荷值以及各主要因素值如表1所示，相关性分析结果如表2所示。
表1 2005-2014年郑州市某区域的总量电力负荷与各主要因素值
表2各主要因素分别与总量电力负荷相关性分析结果
②多变量预测模型的建立
建立以影响总量电力负荷变化的主要因素作为输入量的对总量电力负荷进行预测的多变量预测模型，见公式(9)。
Y＝α0+α1x1+α2x2+...+αixi+...+αnxn+ε (9)
式中，Y表示总量电力负荷；i表示第i个主要因素；i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素的个数；xi表示影响总量电力负荷变化的第i个主要因素的历史数据，α0,α1,α2,…,αi,…,αn表示多变量预测模型的系数；ε表示随机误差；
根据历史年的总量电力负荷以及影响总量电力负荷变化的主要因素，对总量电力负荷与影响总量电力负荷变化的主要因素进行m次观测，得m组观测值，见公式(10)，运用最小二乘法对多变量预测模型的系数进行求解。
式中，Yj表示第j个总量电力负荷，j＝1,2,…,m；m表示总量电力负荷历史数据的个数；xji表示对第j个总量电力负荷变化产生影响的第i个主要因素的历史数据；i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素的个数；α0,α1,α2,…,αi,…,αn表示多变量预测模型的系数；ε表示随机误差。
得到多变量预测模型如公式(11)所示。
Y＝-7415.8+14.5x1+0.04x2+4.78x3 (11)
式中，Y表示总量电力负荷；x1表示影响总量电力负荷变化的人口因素；x2表示影响总量电力负荷变化的GDP因素；x3表示影响总量电力负荷变化的用电量因素。
③目标年各影响总量电力负荷变化主要因素预测值的确定
a、目标年各影响总量电力负荷变化主要因素估计值的计算
运用至少3种趋势类空间负荷预测方法，计算出目标年各影响总量电力负荷变化主要因素的估计值；
对于目标年人口、GDP和用电量三个影响总量电力负荷变化主要因素的估计值分别利用指数平滑、线性回归和灰色理论三种方法进行计算，其结果见表3。
表3目标年各主要因素估计值
b、目标年各影响总量电力负荷变化主要因素预测值取值区间的划分
根据计算出的目标年各影响总量电力负荷变化主要因素的估计值，对目标年各影响总量电力负荷变化主要因素预测值进行取值区间的划分，划分的取值区间个数为选取的影响总量电力负荷变化主要因素的个数；
由于影响总量电力负荷变化的主要因素为三个，因此对目标年各主要因素预测值划分为三个取值区间。
c、取值区间可信度值的确定
对每个影响总量电力负荷变化的主要因素分别构建衡量其发展状况的指标体系，计算出目标年各影响总量电力负荷变化的主要因素在相应指标体系下的表征值，运用盲数理论，根据目标年各影响总量电力负荷变化主要因素的表征值与已划分的各取值区间中间值的数值差对取值区间进行排序，并以正整数n表示各取值区间的可靠程度，n＝1,2,…,v，v表示对各影响总量电力负荷变化的主要因素所划分的取值区间个数，n取值越大，可靠程度越高，形成判断矩阵Z，见公式(12)；
式中，Zks表示各影响总量电力负荷变化的主要因素在第s个指标下的第k个取值区间的可靠程度，s＝1,2,…,u；u表示评价各影响总量电力负荷变化的主要因素的指标个数；k＝1,2,…,v；v表示各影响总量电力负荷变化的主要因素的取值区间个数。
求出判断矩阵Z的最大特征值所对应的特征向量，并将其作为各影响总量电力负荷变化的主要因素在相应指标体系下的取值区间可信度值，取可信度值最大的取值区间中间值作为目标年各影响总量电力负荷变化主要因素的预测值，见公式(13)。
式中，di表示目标年影响总量电力负荷变化的第i个主要因素的表征值，i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素个数；fi(di)表示影响总量电力负荷变化的第i个主要因素在各取值区间的可信度值；Ait表示影响总量电力负荷变化的第i个主要因素在第t个取值区间的可信度值，t＝1,2,…,v；v表示影响总量电力负荷变化的主要因素的取值区间个数；λit表示影响总量电力负荷变化的第i个主要因素的第t个取值区间。
对于目标年各影响总量电力负荷变化的主要因素取值区间可信度值的确定，通过将各影响总量电力负荷变化的主要因素与对主要因素变化产生影响的各种指标进行相关性分析，确定建成区面积，恩格尔系数，人口密度三个指标作为计算目标年人口因素各取值区间可信度值的指标体系；确定固定资产投资，人均可支配收入，工业占比三个指标作为计算目标年GDP因素各取值区间可信度值的指标体系；确定一产用电量，二产用电量，三产用电量三个指标作为计算目标年用电量因素各取值区间可信度值的指标体系，2005-2014年各指标值如表4所示。
表4 2005-2014年各指标值
对各影响总量电力负荷变化的主要因素所划分的各取值区间的可信度值如公式(14)、公式(15)、公式(16)所示。
式中，d1表示目标年影响总量电力负荷变化的人口因素的表征值；f1(d1)表示影响总量电力负荷变化的人口因素在各取值区间的可信度值；d2表示目标年影响总量电力负荷变化的GDP因素的表征值；f2(d2)表示影响总量电力负荷变化的GDP因素在各取值区间的可信度值；d3表示目标年影响总量电力负荷变化的用电量因素的表征值；f3(d3)表示影响总量电力负荷变化的用电量因素在各取值区间的可信度值。
取目标年各影响总量电力负荷变化主要因素的取值区间可信度值最大的取值区间中间值作为目标年各主要因素的预测值，如表5所示。
表5该市某区域目标年各主要因素的预测值
④目标年总量电力负荷的预测
将目标年各影响总量电力负荷变化的主要因素的预测值带入多变量预测模型中，求出目标年总量电力负荷预测值。
将目标年各影响总量电力负荷变化的主要因素的预测值带入公式(10)，求出目标年总量电力负荷值为9556MW。
2)空间负荷预测
结合历史年的实测总量电力负荷值与分类电力负荷最大值，通过公式(17)计算出实测总量电力负荷相对于分类电力负荷最大值之和的同时率，根据计算出的同时率得到目标年的总量电力负荷最大值，根据规划区的产业结构调整变化情况，利用公式(18)计算出目标年相对于历史年各类电力负荷所占总量电力负荷比例的调整系数，得到目标年各类电力负荷最大值占总量电力负荷最大值的比例，进而确定目标年分类电力负荷最大值。
式中，η表示实测总量电力负荷相对于分类电力负荷最大值之和的同时率；Pa表示总量电力负荷实际值；Pl.max表示历史年第l类电力负荷最大值，l＝1,2,…,g；g表示分类电力负荷个数；P’l.max表示目标年第l类电力负荷最大值；P’max表示目标年总量电力负荷最大值；βl表示目标年相对于历史年第l类电力负荷所占总量电力负荷比例的调整系数；Rl表示历史年第l类电力负荷占总量电力负荷的比例。
建立包含待预测区域用地信息的电力地理信息系统，确定各种用地类型的面积，从而计算出目标年的最大分类电力负荷密度，见公式(19)，按照相连的同一类型用地为一个供电小区的原则，将供电区域中细分成若干个供电小区，得到各供电小区的目标年电力负荷值，见公式(20)，实现空间电力负荷预测。
Plq·max＝Dl′·max*Slq(20)
式中，D’l.max表示目标年第l类最大电力负荷密度，l＝1,2,…,g；g表示分类电力负荷个数；Sl表示第l类电力负荷占地面积；Plq.max表示包含第l类电力负荷的第q个供电小区的电力负荷最大值，q＝1,2,…,j；j表示供电小区的个数；Slq表示包含第l类电力负荷的第q个供电小区的面积。
以该市某区域中的一个核心区为例进行预测，利用电力地理信息系统求得核心区内各类用地信息如表6所示，2014年分类电力负荷最大值及占比如表7所示，由于该市2014-2015年没有发生大的产业结构调整，因此调整系数都取1，并且同时率为0.83。
表6 2015年该市某区域内各类用地信息
表7 2014年各分类电力负荷最大值及占比
对2015年该市某区域中的核心区内98个供电小区的电力负荷值进行预测，预测结果的具体数值见表8，预测结果的图形表示见图3。
表8空间负荷预测结果
本发明的具体实施例已对本发明的内容做出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。
Claims (1)
1.一种基于多变量模型与盲数理论的空间负荷预测方法，其特征在于，它包括以下步骤：
1)总量电力负荷预测
①影响总量电力负荷变化主要因素的确定
给出影响总量电力负荷变化的众多因素，通过对影响总量电力负荷变化的众多因素分别与总量电力负荷进行相关性分析，确定出其中影响总量电力负荷变化的主要因素；
②多变量预测模型的建立
建立以影响总量电力负荷变化的主要因素作为输入量的对总量电力负荷进行预测的多变量预测模型，见公式(1)；
Y＝α0+α1x1+α2x2+...+αixi+...+αnxn+ε (1)
式中，Y表示总量电力负荷；i表示第i个主要因素；i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素的个数；xi表示影响总量电力负荷变化的第i个主要因素的历史数据，α0,α1,α2,…,αi,…,αn表示多变量预测模型的系数；ε表示随机误差；
根据历史年的总量电力负荷以及影响总量电力负荷变化的主要因素，对总量电力负荷与影响总量电力负荷变化的主要因素进行m次观测，得m组观测值，见公式(2)，运用最小二乘法对多变量预测模型的系数进行求解；
式中，Yj表示第j个总量电力负荷，j＝1,2,…,m；m表示总量电力负荷历史数据的个数；xji表示对第j个总量电力负荷变化产生影响的第i个主要因素的历史数据；i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素的个数；α0,α1,α2,…,αi,…,αn表示多变量预测模型的系数；ε表示随机误差；
③目标年各影响总量电力负荷变化主要因素预测值的确定
a、目标年各影响总量电力负荷变化主要因素估计值的计算
运用至少3种趋势类空间负荷预测方法，计算出目标年各影响总量电力负荷变化主要因素的估计值；
b、目标年各影响总量电力负荷变化主要因素预测值取值区间的划分
根据计算出的目标年各影响总量电力负荷变化主要因素的估计值，对目标年各影响总量电力负荷变化主要因素预测值进行取值区间的划分，划分的取值区间个数为选取的影响总量电力负荷变化主要因素的个数；
c、取值区间可信度值的确定
对每个影响总量电力负荷变化的主要因素分别构建衡量其发展状况的指标体系，计算出目标年各影响总量电力负荷变化的主要因素在相应指标体系下的表征值，运用盲数理论，根据目标年各影响总量电力负荷变化主要因素的表征值与已划分的各取值区间中间值的数值差对取值区间进行排序，并以正整数n表示各取值区间的可靠程度，n＝1,2,…,v，v表示对各影响总量电力负荷变化的主要因素所划分的取值区间个数，n取值越大，可靠程度越高，形成判断矩阵Z，见公式(3)；
式中，Zks表示各影响总量电力负荷变化的主要因素在第s个指标下的第k个取值区间的可靠程度，s＝1,2,…,u；u表示评价各影响总量电力负荷变化的主要因素的指标个数；k＝1,2,…,v；v表示各影响总量电力负荷变化的主要因素的取值区间个数；
求出判断矩阵Z的最大特征值所对应的特征向量，并将其作为各影响总量电力负荷变化的主要因素在相应指标体系下的取值区间可信度值，取可信度值最大的取值区间中间值作为目标年各影响总量电力负荷变化主要因素的预测值，见公式(4)；
式中，di表示目标年影响总量电力负荷变化的第i个主要因素的表征值，i＝1,2,…,n；n表示影响总量电力负荷变化的主要因素个数；fi(di)表示影响总量电力负荷变化的第i个主要因素在各取值区间的可信度值；Ait表示影响总量电力负荷变化的第i个主要因素在第t个取值区间的可信度值，t＝1,2,…,v；v表示影响总量电力负荷变化的主要因素的取值区间个数；λit表示影响总量电力负荷变化的第i个主要因素的第t个取值区间；
④目标年总量电力负荷的预测
将目标年各影响总量电力负荷变化的主要因素预测值带入多变量预测模型中，求出目标年总量电力负荷预测值；
2)空间负荷预测
结合历史年的实测总量电力负荷值与分类电力负荷最大值，通过公式(5)计算出实测总量电力负荷相对于各分类电力负荷最大值之和的同时率，根据计算出的同时率得到目标年的总量电力负荷最大值，根据规划区的产业结构调整变化情况，利用公式(6)计算出目标年相对于历史年各类电力负荷所占总量电力负荷比例的调整系数，得到目标年各类电力负荷最大值占总量电力负荷最大值的比例，进而确定目标年分类电力负荷最大值；
式中，η表示实测总量电力负荷相对于各分类电力负荷最大值之和的同时率；Pa表示总量电力负荷实际值；Pl.max表示历史年第l类电力负荷最大值，l＝1,2,…,g；g表示分类电力负荷个数；P，l.max表示目标年第l类电力负荷最大值；P，max表示目标年总量电力负荷最大值；βl表示目标年相对于历史年第l类电力负荷所占总量电力负荷比例的调整系数；Rl表示历史年第l类电力负荷占总量电力负荷的比例；
建立包含待预测区域用地信息的电力地理信息系统，确定各种用地类型的面积，从而计算出目标年的最大分类电力负荷密度，见公式(7)，按照相连的同一类型用地为一个供电小区的原则，将供电区域中细分成若干个供电小区，得到各供电小区的目标年电力负荷值，见公式(8)，从而实现空间电力负荷预测；
Plq·max＝Dl′·max*Slq (8)
式中，D，l.max表示目标年第l类最大电力负荷密度，l＝1,2,…,g；g表示分类电力负荷个数；Sl表示第l类电力负荷占地面积；Plq.max表示包含第l类电力负荷的第q个供电小区的电力负荷最大值，q＝1,2,…,j；j表示供电小区的个数；Slq表示包含第l类电力负荷的第q个供电小区的面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810302738.1A CN108596369B (zh) | 2018-04-06 | 2018-04-06 | 一种基于多变量模型与盲数理论的空间负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810302738.1A CN108596369B (zh) | 2018-04-06 | 2018-04-06 | 一种基于多变量模型与盲数理论的空间负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108596369A true CN108596369A (zh) | 2018-09-28 |
| CN108596369B CN108596369B (zh) | 2021-07-02 |
Family
ID=63625509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810302738.1A Active CN108596369B (zh) | 2018-04-06 | 2018-04-06 | 一种基于多变量模型与盲数理论的空间负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596369B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086951A (zh) * | 2018-10-10 | 2018-12-25 | 东北电力大学 | 一种计及城市发展程度的多阶段空间负荷预测方法 |
| CN109103881A (zh) * | 2018-10-24 | 2018-12-28 | 国网江西省电力有限公司经济技术研究院 | 适用于多场景的电力负荷预测方法 |
| CN110428095A (zh) * | 2019-07-22 | 2019-11-08 | 中国海洋石油集团有限公司 | 一种海上油田中长期电力负荷预测方法 |
| CN110705902A (zh) * | 2019-10-14 | 2020-01-17 | 国网山东省电力公司泰安供电公司 | 配电网同时率估值范围计算方法、系统、终端及存储介质 |
| CN113507111A (zh) * | 2021-06-24 | 2021-10-15 | 东北电力大学 | 基于盲数理论的规划目标年电力盈亏评估方法 |
Citations (6)
| 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 |
| 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 |
| CN105224997A (zh) * | 2015-09-01 | 2016-01-06 | 国家电网公司 | 一种含有多种不确定性因素影响的规划负荷预测方法 |
| CN105631547A (zh) * | 2015-12-28 | 2016-06-01 | 国家电网公司 | 一种基于负荷密度协调系数的空间电力负荷预测方法 |
| CN106600063A (zh) * | 2016-12-16 | 2017-04-26 | 东北电力大学 | 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 |
| 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 |
-
2018
- 2018-04-06 CN CN201810302738.1A patent/CN108596369B/zh active Active
Patent Citations (6)
| 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 |
| 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 |
| CN105224997A (zh) * | 2015-09-01 | 2016-01-06 | 国家电网公司 | 一种含有多种不确定性因素影响的规划负荷预测方法 |
| CN105631547A (zh) * | 2015-12-28 | 2016-06-01 | 国家电网公司 | 一种基于负荷密度协调系数的空间电力负荷预测方法 |
| CN106600063A (zh) * | 2016-12-16 | 2017-04-26 | 东北电力大学 | 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 |
| 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 |
Non-Patent Citations (6)
| Title |
|---|
| R.E.BROWN 等: "Long range spatial load forecasting using non-uniform areas", 《1999 IEEE TRANSMISSION AND DISTRIBUTION CONFERENCE (CAT. NO. 99CH36333)》 * |
| 孙威: "基于负荷密度指标法的配电网空间负荷预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 杨修宇: "基于负荷密度指标的空间负荷预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 肖白 等: "基于GIS的空间电力负荷预测平台的研究与开发", 《中国电力》 * |
| 肖白 等: "基于多变量分析的城市电网空间负荷预测方法", 《东北电力大学学报》 * |
| 肖白 等: "空间电力负荷预测方法综述与展望", 《中国电机工程学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109086951A (zh) * | 2018-10-10 | 2018-12-25 | 东北电力大学 | 一种计及城市发展程度的多阶段空间负荷预测方法 |
| CN109086951B (zh) * | 2018-10-10 | 2021-10-01 | 东北电力大学 | 一种计及城市发展程度的多阶段空间负荷预测方法 |
| CN109103881A (zh) * | 2018-10-24 | 2018-12-28 | 国网江西省电力有限公司经济技术研究院 | 适用于多场景的电力负荷预测方法 |
| CN110428095A (zh) * | 2019-07-22 | 2019-11-08 | 中国海洋石油集团有限公司 | 一种海上油田中长期电力负荷预测方法 |
| CN110705902A (zh) * | 2019-10-14 | 2020-01-17 | 国网山东省电力公司泰安供电公司 | 配电网同时率估值范围计算方法、系统、终端及存储介质 |
| CN110705902B (zh) * | 2019-10-14 | 2022-12-16 | 国网山东省电力公司泰安供电公司 | 配电网同时率估值范围计算方法、系统、终端及存储介质 |
| CN113507111A (zh) * | 2021-06-24 | 2021-10-15 | 东北电力大学 | 基于盲数理论的规划目标年电力盈亏评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108596369B (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596369A (zh) | 一种基于多变量模型与盲数理论的空间负荷预测方法 | |
| Wu et al. | Regional water resource carrying capacity evaluation based on multi-dimensional precondition cloud and risk matrix coupling model | |
| He et al. | Urban long term electricity demand forecast method based on system dynamics of the new economic normal: the case of Tianjin | |
| Ye et al. | A data-driven bottom-up approach for spatial and temporal electric load forecasting | |
| Huang et al. | Monthly streamflow prediction using modified EMD-based support vector machine | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN103093643B (zh) | 一种确定公共停车场泊位数的方法 | |
| CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
| Jiang et al. | Optimization of fuzzy membership function of runoff forecasting error based on the optimal closeness | |
| Fidalgo et al. | A new clustering algorithm for load profiling based on billing data | |
| CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
| Majumder et al. | Trapezoidal fuzzy BWM-TOPSIS approach and application on water resources | |
| CN107527131A (zh) | 一种集群电机系统能耗水平评价方法及装置 | |
| CN101739614A (zh) | 层级组合预测通信业务的方法 | |
| Chen et al. | Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems | |
| Wu et al. | Use of a multi-objective correlation index to analyze the power generation, water supply and ecological flow mutual feedback relationship of a reservoir | |
| CN111859787A (zh) | 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法 | |
| CN106355443A (zh) | 一种基于设备构成的变压器价格评估方法 | |
| CN108364136B (zh) | 一种基于证据推理的水资源短缺风险分析方法及系统 | |
| CN104463683A (zh) | 一种含多源电网中长期负荷预测装置及方法 | |
| Yang et al. | Regional Water Environmental Carrying Capacity: Changing Trends and Direction, Obstacle Factors, and Implications | |
| CN109447362A (zh) | 一种基于模糊信息粒化与支持向量机的空间负荷预测方法 | |
| Lin et al. | Conception and evaluation methodology of water resources carrying capacity based on three-level analysis | |
| Huo | Study on a green degree evaluation model of construction for prefabricated buildings | |
| Wen et al. | Structural optimization of sectoral exports from the perspective of water footprint: A study from Henan Province, China |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |