CN109063898A - 一种基于片区面积及云推理的区域负荷预测方法 - Google Patents

一种基于片区面积及云推理的区域负荷预测方法 Download PDF

Info

Publication number
CN109063898A
CN109063898A CN201810729186.2A CN201810729186A CN109063898A CN 109063898 A CN109063898 A CN 109063898A CN 201810729186 A CN201810729186 A CN 201810729186A CN 109063898 A CN109063898 A CN 109063898A
Authority
CN
China
Prior art keywords
section
distance
transition probability
load
cloud
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
Application number
CN201810729186.2A
Other languages
English (en)
Inventor
翁蓓蓓
梅鑫
段小峰
吴倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co Ltd
Taizhou Power Supply Co of Jiangsu Electric Power Co
Taizhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Taizhou Power Supply Co of Jiangsu Electric Power Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co Ltd, Taizhou Power Supply Co of Jiangsu Electric Power Co filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN201810729186.2A priority Critical patent/CN109063898A/zh
Publication of CN109063898A publication Critical patent/CN109063898A/zh
Pending legal-status Critical Current

Links

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)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力系统负荷预测领域，尤其涉及一种基于片区面积及云推理的区域负荷预测方法。该方法结合云推力理论以及CA模型的负荷指标优选方法，通过建立区间影响要素的优选模型，实现了用电负荷以及空间分布的预测，该方法充分利用不确定性评价的云推理模型在复杂区间的时空动态演化上的优势，将其与一段时间内用电负荷的规划和预测相结合，使得用地发展的不确定性以及模糊性能够融合进负荷预测的结果，使得预测结论更加贴近实际情形以及符合未来发展趋势，能够对在电力负荷的发展演化的方向推进负荷预测以及电力规划等工作的进行，在复杂地区电力规划和预测上具有广泛的应用前景。

Description

一种基于片区面积及云推理的区域负荷预测方法
技术领域
本发明属于电力系统负荷预测领域，尤其涉及一种基于片区面积及云推理的区域负荷预测方法。
背景技术
作为电力系统规划及设计的重要组成部分，对用电区域及供电区域进行负荷预测是提高电网系统安全性和经济性的重要手段，负荷预测从实际需要出发，对未来区域用电及供电负荷作出合理预测，其内容涉及对电力未来需求量以及未来用电量的多方面预测。进而根据负荷预测的结果对电力资源的配置、电力使用的规划以及电力系统运行方式及检修计划作出合理布置。因此，国家规范根据实际需要制订了《民用建筑电气规范》，电力系统也发布了《配电网规划设计手册》等规划设计标准依据，但上述规划设计标准指标因素单一，在短期、单一的用电区域能够作出较好的负荷预测。但由于人们生活水平的快速发展，上述标准依据难以顾及到经济发展、气候变化、区域发展带来的不确定因素，标准依据只能在小范围短期内适用，无法对区域长期用电环境进行很好的预测和规划，因此需要更好的预测方法方法以提高电力系统负荷预测的准确性和有效性。
发明内容
本发明创造的目的在于，提供一种基于片区面积及云推理的区域负荷预测方法，通过结合实际的地形、区域要素以及历史数据，使区域负荷预测结果更加符合实际情形以及发展规律，便于与用电规划向适应，提高规划效率。
为实现上述目的，本发明创造采用如下技术方案。
本发明的一种基于片区面积及云推理的区域负荷预测方法，包括如下步骤：
步骤1.初始化GIS平台，利用GIS平台的空间分析功能进行空间信息的提取，以待规划区域的实际形状和各区域之间的位置关系为基础，按照功能划分不规则的片区，建立与实际情况一致的的片区空间；对各片区进行编号，记录片区的属性值；建立CA模型，得到待发展片区样本数据表；
步骤2.提取反映片区的发展年限、区域空间变量、邻域及约束条件等相关信息；具体是指以下空间信息：包括
反映片区发展年限的变量：
1)中心片区的发展年限要素Q1
反映片区区域空间的变量：
2)与市中心的距离要素Q2；
3)与商业中心的距离Q3
4)与主干道的距离要素Q4
反映片区空间及邻居的变量：
5)邻接的已发展的片区要素Q5；通过GIS平台的数据系统，生成各片区数据；
步骤3.建立各影响因素建的云模型以及云推理规则，利用云发生器计算不同影响因素作用下的片区转换概率，包括建立“片区发展年限Q1”的云推理规则如下：
a.If片区发展年限“大”，片区转换概率“小”；
b.If片区发展年限“较大”，片区转换的可能性“较小”；
c.If片区发展年限“一般”，片区转换的可能性“一般”；
d.If片区发展年限“较小”，片区转换的可能性“较大”；
e.If片区发展年限“小”，片区转换的可能性“大”；
建立“片区发展年限”的各取值云模型：
CQ12＝C(10，10/3，0.05)
CQ13＝C(15，10/3，0.05)
CQ14＝C(20，10/3，0.05)
其中，CQij表示影响因素Qi的第j个取值的模型；
“片区转换概率”，的取值云模型：
CH1＝C(90，5，0.05)
CH2＝C(70，5，0.05)
CH3＝C(50，5，0.05)
CH4＝C(30，5，0.05)
CH5＝C(10，5，0.05)
其中，CHi表示“片区转换概率”的模型；将t+1时刻片区在发展年限影响下的转换概率记为
建立“与市中心的距离”的云推理规则如下：
a.If与市中心的距离“远”’片区转换概率“小”；
b.If与市中心的距离“较远”，片区转换概率“较小”；
c.If与市中心的距离“一般”，片区转换概率“一般”；
d.If与市中心的距离“较近”，片区转换概率“较大”；
e.If与市中心的距离“近，’片区转换概率“大”；
将t+1时刻片区k在“与市中心的距离”影响下的转换概率记为
“与市中心的距离”的取值云模型：
CQ22＝C(1300，100，0.05)
CQ23＝C(1000，50，0.05)
CQ24＝C(700，100，0.05)
建立“与商业中心的距离”的云推理规则如下：
a.与商业中心的距离“远”，片区转换概率“小”；
b.与商业中心的距离“较远”，片区转换概率“较小”；
c.与商业中心的距离“一般”，片区转换概率“一般”；
d.与商业中心的距离“较近”，片区转换概率“较大”；
e.与商业中心的距离“近”，片区转换概率“大”；
将t+1时刻片区在“与商业中心的距离”影响下的转换概率记为
“与商业中心的距离”的取值云模型：
CQ32＝C(1300，100，0.05)
CQ33＝C(1000，50，0.05)
CQ34＝C(700，100，0.05)
建立“与主干道的距离”的云推理规则如下：
a.与主干道的距离“远”，片区转换概率“小”；
b.与主干道的距离“较远”，片区转换概率“较小”；
c.与主干道的距离“一般”，片区转换概率“一般”；
d.与主干道的距离“较近”，片区转换概率“较大”；
e.与主干道的距离“近”，片区转换概率“大”；
将t+1时刻片区：在“与主干道的距离”影响下的转换概率记为
“与主干道的距离”的取值云模型：
CQ42＝C(1300，100，0.05)
CQ43＝C(1000，50，0.05)
CQ44＝C(700，100，0.05)
建立相邻片区影响作用模型：
式中，n为邻居片区的个数；Si代表相邻片区i，i∈[1，n]的发展状况；con是一个条件函数，如果Si代表的片区已发展或在规划年内即将发展，是则返回1，否则返回0；
其中，规则前件由表示影响因素取值的条件云发生器构成，其输入为片区样本中各影响因素的取值，输出为此影响因素对规则前件各取值云模型的隶属度；规则后件由表示影响因素作用下片区转换概率的条件云发生器构成；取规则前件输出的隶属度中的最大值作为相应的规则后件云发生器的输入，输出对应规则前件输入的影响因素作用下的片区转换概率值，基于上述步骤得到片区发展年限、与市中心的距离、与商业中心的距离、与主干道的距离作用下的片区发展概率；
步骤4.综合考虑以上几种转换规则，得到片区发展总概率的模型；其公式表述如下：
表示片区k在t时刻用地性质发生转换的总概率；
设置用地性质转换的初始阈值pth，计算每个片区的发展总概率将其与pth进行比较，如果则该片区在规划期内用地性质转换；否则，片区性质不变；
步骤5.统计各片区的用地面积，并根据IHAP和TOPSIS方法计算各片区的负荷密度指标值，根据片区发展总概率的模型计算出规划区域总量负荷，得出总量负荷在地理位置上的空间分布；
∑LOAD＝∑元胞面积(i)×元胞负荷指标(i)
步骤6.输出各电力片区的空间负荷预测值。
进一步地，所述步骤1中，在建立区域数据时，样本数据的采集期限不小于5年，片区的面积不小于1km2；
进一步地，在步骤2后还设置有步骤2.1、对各片区数据进行优化处理的步骤，具体是指将规划年内用地性质不会发生变化和负荷值很低的片区从原始数据表中剔。
进一步地，所述步骤5中，根据IHAP和TOPSIS方法计算各片区的负荷密度指标值具体是指，包括：
A.建立不同类型用地负荷指标的递阶层次结构层模型，即基于最优负荷指标的目标层、基于影响负荷的指标因素的准则层、基于影响指标因素的具体要素的指标层；
B.基于历史数据以及专家系统，建立指标层对准则层的判断矩阵MG以及准则层对目标层的判断矩阵MR；
C.判断矩阵MG和MR是否一致，其中对于A＝(aij)m×n的一致性区间判定矩阵的充要条件是对于任意的i、j，有若不一致，则修改专家系统要素，返回步骤B，若一致，则继续；
D.根据判断矩阵MG和MR计算各层之间的权重矩阵，以及指标层对目标层的区间数综合权重；
E.对区间数综合权重进行可能度排序，得到可能度排序矩阵，计算指标层对目标层的点值综合权重；
F.根据样本数据建立目标决策矩阵，将目标决策矩阵与点值综合权重矩阵进行加权构造加权决策矩阵；
G.利用TPOSIS选取负荷密度指标。
其有益效果在于：提出了一种基于片区面积及云推理的区域负荷预测方法，该方法结合云推力理论以及CA模型的负荷指标优选方法，通过建立区间影响要素的优选模型，实现了用电负荷以及空间分布的预测，该方法充分利用不确定性评价的云推理模型在复杂区间的时空动态演化上的优势，将其与一段时间内用电负荷的规划和预测相结合，使得用地发展的不确定性以及模糊性能够融合进负荷预测的结果，使得预测结论更加贴近实际情形以及符合未来发展趋势，能够对在电力负荷的发展演化的方向推进负荷预测以及电力规划等工作的进行，在复杂地区电力规划和预测上具有广泛的应用前景。
附图说明
图1是本发明基于片区面积及云推理的区域负荷预测方法的流程示意图。
具体实施方式
以下结合具体实施例对本发明创造作详细说明。
如图1所示，一种基于片区面积及云推理的区域负荷预测方法，包括如下步骤：
步骤一、初始化GIS平台，利用GIS平台的空间分析功能进行空间信息的提取，以待规划区域的实际形状和各区域之间的位置关系为基础，按照功能划分不规则的片区，建立与实际情况一致的的片区空间，以表达片区的属性、各片区间位置关系、片区的形状、片区的邻接关系等。由于本发明中利用了趋势法，其基本思路是基于历史负荷数据外推负荷发展趋势，为保证数据的有效性，提高负荷预测的准确性，在建立区域数据时，片区发展历史不能过短，现行电网规划中一般每3-5年进行一次修正，一次在实际应用过程中可规定训练样本的时间期限应当不小于5年，同时片区的面积应当不小于1km2。
对各片区进行编号，记录片区的属性值；建立CA模型，得到待发展片区样本数据表，表格数据形式如表1所示：
表1待发展片区样本数据表形式
与常规均匀规则性状的片区划分方法不同，基于本发明中的不规则片区划分方法：保证划分后得到的各小区的的负荷类型唯一且易于通过GIS系统进行获取；
同时本发明中由相邻片区发展的影响来进行负荷发展预测，因此该片区划分方法受主干线和变电站供电范围变化的影响小；能够与城市规划工作相适应，其基础数据均可由GIS平台直接或者间接获取，数据获取便捷，具有灵活性强、易于获得历史数据的特点。
步骤二、提取反映片区的发展年限、区域空间变量、邻域及约束条件等相关信息；具体是指以下空间信息：
反映片区发展年限的变量：
6)中心片区的发展年限要素Q1
反映片区区域空间的变量：
7)与市中心的距离要素Q2；
8)与商业中心的距离Q3
9)与主干道的距离要素Q4
反映片区空间及邻居的变量：
10)邻接的已发展的片区要素Q5。
基于上述步骤，通过GIS平台的数据系统，生成各片区数据。
步骤三、对各片区数据进行优化处理。优化分为两部分，一部分是在规划年内用地性质不会发生变化和负荷值很低的片区(如河流、水域、公园、绿地等)，可以在原始数据表中剔除；另一部分是在电力负荷发展过程中，现状用地性质与规划用地性质相符的片区，定义为己发展片区，这部分片区的状态在规划年内不会发生变化，可以不参加用地性质预测及转换判断。现状用地性质与规划用地性质不相符的片区，定义为待发展片区。在电力负荷发展过程中，只有现状用地性质与规划用地性质不符的片区，才有转换的可能，在片区数据表中只保留这部分优化处理，可以优化片区数据表的生成，从而提高电力负荷空间分布预测的运行速度和效率。
步骤四、针对各影响因素建立云模型以及云推理规则，利用云发生器计算不同影响因素作用下的片区转换概率，由上述步骤建立的CA模型可知，每一个单独片区的转换受多种因素的影响，影响因素的定性概念与片区发展概率的定量取值之间存在不确定性转换，因此本发明结合云理论模型，通过在转换规则中加入云推力，利用实际的历史影响因素的数据建立相应影响因素与发展概率取值之间的云模型来保证CA模型的模拟情况与实际情形更加接近。本实施例中主要涉及的影响因素与处理方式如下：
一般情况下，片区的发展年限越久，片区的功能和结构越稳定，因此其变化转换的可能性越小，基于此建立“片区发展年限”的云推理规则如下：
f.If片区发展年限“大”，片区转换概率“小”；
g.If片区发展年限“较大”，片区转换的可能性“较小”；
h.If片区发展年限“一般”，片区转换的可能性“一般”；
i.If片区发展年限“较小”，片区转换的可能性“较大”；
j.If片区发展年限“小”，片区转换的可能性“大”。
建立“片区发展年限”的各取值云模型如式①所示：
其中，CQij表示影响因素Qi的第j个取值的模型，例如CQ12＝C(10,10/3，0.05)表示“片区发展年限”的取值为“较大”的模型，其期望为10、熵为10/3、超熵为0.05。
“片区转换概率”，的取值云模型如式②所示：
其中，CHi表示“片区转换概率”的模型，例如CH4＝C(30,5,0.05)表示：“片区转换概率”的取值“较小”的模型期望值为30、熵为5、超熵为0.05；将t+1时刻片区在发展年限影响下的转换概率记为
与“片区发展年限”的处理方法相同。通过云推理规则计算区域空间变量(与市中心、商业中心和主干道的距离等)对每个片区的发展概率。
建立“与市中心的距离”的云推理规则如下：
f.If与市中心的距离“远”’片区转换概率“小”；
g.If与市中心的距离“较远”，片区转换概率“较小”；
h.If与市中心的距离“一般”，片区转换概率“一般”；
i.If与市中心的距离“较近”，片区转换概率“较大”；
j.If与市中心的距离“近，’片区转换概率“大”。
将t+1时刻片区k在“与市中心的距离”影响下的转换概率记为
“与市中心的距离”的取值云模型如式③所示：
建立“与商业中心的距离”的云推理规则如下：
f.与商业中心的距离“远”，片区转换概率“小”；
g.与商业中心的距离“较远”，片区转换概率“较小”；
h.与商业中心的距离“一般”，片区转换概率“一般”；
i.与商业中心的距离“较近”，片区转换概率“较大”；
j.与商业中心的距离“近”，片区转换概率“大”。
将t+1时刻片区在“与商业中心的距离”影响下的转换概率记为
“与商业中心的距离”的取值云模型如式④所示：
建立“与主干道的距离”的云推理规则如下：
f.与主干道的距离“远”，片区转换概率“小”；
g.与主干道的距离“较远”，片区转换概率“较小”；
h.与主干道的距离“一般”，片区转换概率“一般”；
i.与主干道的距离“较近”，片区转换概率“较大”；
j.与主干道的距离“近”，片区转换概率“大”。
将t+1时刻片区：在“与主干道的距离”影响下的转换概率记为
“与主干道的距离”的取值云表示如式⑤所示：
除上述影响因素外，小区的发展还受到周围土地利用的制约。因此，在模型中，考虑了邻域片区对中心片区的影响。不同于规则划分的片区，不规则片区的邻居片区是不确定的，为此本文给出不规则片区的邻居定义：即在中心片区的上、下、左、右、左上、右上、左下、右下八个方向的片区，只要与中心片区有接触，就定义为中心片区的邻居，模型以空间负荷发展趋于紧凑为原则，相邻片区影响作用描述如下
式中，n为邻居片区的个数；Si代表相邻片区i，i∈[1，n]的发展状况；con是一个条件函数，如果Si代表的片区已发展或在规划年内即将发展，是则返回1，否则返回0。
规则前件由表示影响因素取值的条件云发生器构成，其输入为片区样本中各影响因素的取值，输出为此影响因素对规则前件各取值云模型的隶属度；规则后件由表示影响因素作用下片区转换概率的条件云发生器构成，各条件云发生器的模型与规则前件的模型是一一对应的，取规则前件输出的隶属度中的最大值作为相应的规则后件云发生器的输入，输出对应规则前件输入的影响因素作用下的片区转换概率值，从而得到各种影响因素作用下的片区转换规则。根据上述方法，分别可以得到片区发展年限、与市中心的距离、与商业中心的距离、与主干道的距离作用下的片区发展概率。
步骤五、综合考虑以上几种转换规则，得到片区发展总概率的模型。其公式表述如下：
表示片区k在t时刻用地性质发生转换的总概率。计算开始之前，设置用地性质转换的初始阈值pth，计算每个片区的发展总概率将其与pth进行比较，如果则该片区在规划期内用地性质转换；否则，片区性质不变。
步骤六、统计各片区的用地面积，并根据IHAP和TOPSIS方法计算各片区的负荷密度指标值具体是指，包括：
H.建立不同类型用地负荷指标的递阶层次结构层模型，即基于最优负荷指标的目标层、基于影响负荷的指标因素的准则层、基于影响指标因素的具体要素的指标层；
I.基于历史数据以及专家系统，建立指标层对准则层的判断矩阵MG以及准则层对目标层的判断矩阵MR；
J.判断矩阵MG和MR是否一致，其中对于A＝(aij)m×n的一致性区间判定矩阵的充要条件是对于任意的i、j，有若不一致，则修改专家系统要素，返回步骤B，若一致，则继续；
K.根据判断矩阵MG和MR计算各层之间的权重矩阵，以及指标层对目标层的区间数综合权重；
L.对区间数综合权重进行可能度排序，得到可能度排序矩阵，计算指标层对目标层的点值综合权重；
M.根据样本数据建立目标决策矩阵，将目标决策矩阵与点值综合权重矩阵进行加权构造加权决策矩阵；
N.利用TPOSIS选取负荷密度指标。
基于上述结果数据，计算出规划区域总量负荷，且可以得出总量负荷在地理位置上的空间分布；
∑LOAD＝∑元胞面积(i)×元胞负荷指标(i)
步骤七、输出各电力片区的空间负荷预测值。
最后应当说明的是，以上实施例仅用以说明本发明创造的技术方案，而非对本发明创造保护范围的限制，尽管参照较佳实施例对本发明创造作了详细地说明，本领域的普通技术人员应当理解，可以对本发明创造的技术方案进行修改或者等同替换，而不脱离本发明创造技术方案的实质和范围。

Claims (4)

1.一种基于片区面积及云推理的区域负荷预测方法，其特征在于，包括如下步骤：
步骤1.初始化GIS平台，利用GIS平台的空间分析功能进行空间信息的提取，以待规划区域的实际形状和各区域之间的位置关系为基础，按照功能划分不规则的片区，建立与实际情况一致的的片区空间；对各片区进行编号，记录片区的属性值；建立CA模型，得到待发展片区样本数据表；
步骤2.提取反映片区的发展年限、区域空间变量、邻域及约束条件等相关信息；具体是指以下空间信息：包括
反映片区发展年限的变量：
1)中心片区的发展年限要素Q1
反映片区区域空间的变量：
2)与市中心的距离要素Q2；
3)与商业中心的距离Q3
4)与主干道的距离要素Q4
反映片区空间及邻居的变量：
5)邻接的已发展的片区要素Q5；通过GIS平台的数据系统，生成各片区数据；
步骤3.建立各影响因素建的云模型以及云推理规则，利用云发生器计算不同影响因素作用下的片区转换概率，包括建立“片区发展年限Q1”的云推理规则如下：
a.If片区发展年限“大”，片区转换概率“小”；
b.If片区发展年限“较大”，片区转换的可能性“较小”；
c.If片区发展年限“一般”，片区转换的可能性“一般”；
d.If片区发展年限“较小”，片区转换的可能性“较大”；
e.If片区发展年限“小”，片区转换的可能性“大”；
建立“片区发展年限”的各取值云模型：
CQ12＝C(10，10/3，0.05)
CQ13＝C(15，10/3，0.05)
CQ14＝C(20，10/3，0.05)
其中，CQij表示影响因素Qi的第j个取值的模型；
“片区转换概率”，的取值云模型：
CH1＝C(90，5，0.05)
CH2＝C(70，5，0.05)
CH3＝C(50，5，0.05)
CH4＝C(30，5，0.05)
CH5＝C(10，5，0.05)
其中，CHi表示“片区转换概率”的模型；将t+1时刻片区在发展年限影响下的转换概率记为
建立“与市中心的距离”的云推理规则如下：
a.If与市中心的距离“远”’片区转换概率“小”；
b.If与市中心的距离“较远”，片区转换概率“较小”；
c.If与市中心的距离“一般”，片区转换概率“一般”；
d.If与市中心的距离“较近”，片区转换概率“较大”；
e.If与市中心的距离“近，’片区转换概率“大”；
将t+1时刻片区k在“与市中心的距离”影响下的转换概率记为
“与市中心的距离”的取值云模型：
CQ22＝C(1300，100，0.05)
CQ23＝C(1000，50，0.05)
CQ24＝C(700，100，0.05)
建立“与商业中心的距离”的云推理规则如下：
a.与商业中心的距离“远”，片区转换概率“小”；
b.与商业中心的距离“较远”，片区转换概率“较小”；
c.与商业中心的距离“一般”，片区转换概率“一般”；
d.与商业中心的距离“较近”，片区转换概率“较大”；
e.与商业中心的距离“近”，片区转换概率“大”；
将t+1时刻片区在“与商业中心的距离”影响下的转换概率记为
“与商业中心的距离”的取值云模型：
CQ32＝C(1300，100，0.05)
CQ33＝C(1000，50，0.05)
CQ34＝C(700，100，0.05)
建立“与主干道的距离”的云推理规则如下：
a.与主干道的距离“远”，片区转换概率“小”；
b.与主干道的距离“较远”，片区转换概率“较小”；
c.与主干道的距离“一般”，片区转换概率“一般”；
d.与主干道的距离“较近”，片区转换概率“较大”；
e.与主干道的距离“近”，片区转换概率“大”；
将t+1时刻片区：在“与主干道的距离”影响下的转换概率记为
“与主干道的距离”的取值云模型：
CQ42＝C(1300，100，0.05)
CQ43＝C(1000，50，0.05)
CQ44＝C(700，100，0.05)
建立相邻片区影响作用模型：
式中，n为邻居片区的个数；Si代表相邻片区i，i∈[1，n]的发展状况；con是一个条件函数，如果Si代表的片区已发展或在规划年内即将发展，是则返回1，否则返回0；
其中，规则前件由表示影响因素取值的条件云发生器构成，其输入为片区样本中各影响因素的取值，输出为此影响因素对规则前件各取值云模型的隶属度；规则后件由表示影响因素作用下片区转换概率的条件云发生器构成；取规则前件输出的隶属度中的最大值作为相应的规则后件云发生器的输入，输出对应规则前件输入的影响因素作用下的片区转换概率值，基于上述步骤得到片区发展年限、与市中心的距离、与商业中心的距离、与主干道的距离作用下的片区发展概率；
步骤4.综合考虑以上几种转换规则，得到片区发展总概率的模型；其公式表述如下：
表示片区k在t时刻用地性质发生转换的总概率；
设置用地性质转换的初始阈值pth，计算每个片区的发展总概率将其与pth进行比较，如果则该片区在规划期内用地性质转换；否则，片区性质不变；
步骤5.统计各片区的用地面积，并根据IHAP和TOPSIS方法计算各片区的负荷密度指标值，根据片区发展总概率的模型计算出规划区域总量负荷，得出总量负荷在地理位置上的空间分布；
∑LOAD＝∑元胞面积(i)×元胞负荷指标(i)
步骤6.输出各电力片区的空间负荷预测值。
2.根据权利要求1所述一种基于片区面积及云推理的区域负荷预测方法，其特征在于，所述步骤1中，在建立区域数据时，样本数据的采集期限不小于5年，片区的面积不小于1km2。
3.根据权利要求1所述一种基于片区面积及云推理的区域负荷预测方法，其特征在于，在步骤2后还设置有步骤2.1、对各片区数据进行优化处理的步骤，具体是指将规划年内用地性质不会发生变化和负荷值很低的片区从原始数据表中剔。
4.根据权利要求1所述一种基于片区面积及云推理的区域负荷预测方法，其特征在于，所述步骤5中，根据IHAP和TOPSIS方法计算各片区的负荷密度指标值具体是指，包括：
A.建立不同类型用地负荷指标的递阶层次结构层模型，即基于最优负荷指标的目标层、基于影响负荷的指标因素的准则层、基于影响指标因素的具体要素的指标层；
B.基于历史数据以及专家系统，建立指标层对准则层的判断矩阵MG以及准则层对目标层的判断矩阵MR；
C.判断矩阵MG和MR是否一致，其中对于A＝(aij)m×n的一致性区间判定矩阵的充要条件是对于任意的i、j，有若不一致，则修改专家系统要素，返回步骤B，若一致，则继续；
D.根据判断矩阵MG和MR计算各层之间的权重矩阵，以及指标层对目标层的区间数综合权重；
E.对区间数综合权重进行可能度排序，得到可能度排序矩阵，计算指标层对目标层的点值综合权重；
F.根据样本数据建立目标决策矩阵，将目标决策矩阵与点值综合权重矩阵进行加权构造加权决策矩阵；
G.利用TPOSIS选取负荷密度指标。
CN201810729186.2A 2018-07-05 2018-07-05 一种基于片区面积及云推理的区域负荷预测方法 Pending CN109063898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810729186.2A CN109063898A (zh) 2018-07-05 2018-07-05 一种基于片区面积及云推理的区域负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810729186.2A CN109063898A (zh) 2018-07-05 2018-07-05 一种基于片区面积及云推理的区域负荷预测方法

Publications (1)

Publication Number Publication Date
CN109063898A true CN109063898A (zh) 2018-12-21

Family

ID=64819238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810729186.2A Pending CN109063898A (zh) 2018-07-05 2018-07-05 一种基于片区面积及云推理的区域负荷预测方法

Country Status (1)

Country Link
CN (1) CN109063898A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993360A (zh) * 2019-03-29 2019-07-09 国网山东省电力公司费县供电公司 一种供电数据的预测方法和装置
CN110264010A (zh) * 2019-06-26 2019-09-20 国网江西省电力有限公司经济技术研究院 新型乡村电力饱和负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘自发等: "基于IAHP和TOPSIS方法的负荷密度指标计算", 《电力系统自动化》 *
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》 *
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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993360A (zh) * 2019-03-29 2019-07-09 国网山东省电力公司费县供电公司 一种供电数据的预测方法和装置
CN110264010A (zh) * 2019-06-26 2019-09-20 国网江西省电力有限公司经济技术研究院 新型乡村电力饱和负荷预测方法
CN110264010B (zh) * 2019-06-26 2023-04-18 国网江西省电力有限公司经济技术研究院 新型乡村电力饱和负荷预测方法

Similar Documents

Publication Publication Date Title
Nzotcha et al. Integrated multi-criteria decision making methodology for pumped hydro-energy storage plant site selection from a sustainable development perspective with an application
Jin et al. Designing a spatial pattern to rebalance the orientation of development and protection in Wuhan
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
CN109146204A (zh) 一种多层次综合评估的风电场升压站自动选址方法
Değirmenci et al. MCDM analysis of wind energy in Turkey: decision making based on environmental impact
Ohunakin et al. A comparative study of selected multi-criteria decision-making methodologies for location selection of very large concentrated solar power plants in Nigeria
CN112085250B (zh) 一种人口空间分布模拟方法、终端设备及存储介质
Li et al. Urban function orientation based on spatiotemporal differences and driving factors of urban construction land
CN107527133A (zh) 城市群国土空间利用质量提升辅助决策系统
Badang et al. Geographic information system (GIS) and multicriteria decision making (MCDM) for optimal selection of hydropower location in Rogongon, Iligan City
CN110209757A (zh) 基于土地价值评估的山地城镇空间形态导控系统
Wang et al. Method multi-criteria decision-making method for site selection analysis and evaluation of urban integrated energy stations based on geographic information system
CN109063898A (zh) 一种基于片区面积及云推理的区域负荷预测方法
Asadi et al. A global evaluation model applied to wind power plant site selection
CN116451931A (zh) 一种公共服务设施选址行政管理决策的数据处理方法
CN116976692A (zh) 一种基于适应性循环路径的传统村落分类分区保护控制方法
Zhang et al. Analyzing space-time evolution of rural transition in a rapidly urbanizing region: A case study of Suzhou, China
CN113361899A (zh) 农田规划处理方法、装置、电子设备及可读存储介质
Wu et al. An innovative method for offshore wind farm site selection based on the interval number with probability distribution
Rodríguez Gámez et al. Local development applied to the energy scheme using the geographic information system for decision making
Khanna et al. Integrated Water Resource Management (IWRM): A Case Study of Durlung Watershed, Bagmati Zone, Nepal.
Di Grazia et al. Floating photovoltaic technology definition aided with multi-criteria decision analysis: a case study
CN116644809B (zh) 一种集成地理大数据和机器学习的城镇开发边界划定方法
Ahmadi et al. Study And Analysis of Optimized Site-selection for Urban Green Space by Using Fuzzy logic: Case Study: Seventh Region of Ahvaz Municipality
Međimorec et al. Wind energy and environmental protection: Using GIS to evaluate the compatibility of Croatian strategies

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: Ji Kunyu

Inventor after: Gao Song

Inventor after: Qi Hui

Inventor after: Jiang Wei

Inventor after: Weng Beibei

Inventor after: Feng Wei

Inventor after: Duan Xiaofeng

Inventor after: Wu Qian

Inventor after: Mei Xin

Inventor before: Weng Beibei

Inventor before: Mei Xin

Inventor before: Duan Xiaofeng

Inventor before: Wu Qian

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221

RJ01 Rejection of invention patent application after publication