CN110264010B - 新型乡村电力饱和负荷预测方法 - Google Patents
新型乡村电力饱和负荷预测方法 Download PDFInfo
- Publication number
- CN110264010B CN110264010B CN201910560794.XA CN201910560794A CN110264010B CN 110264010 B CN110264010 B CN 110264010B CN 201910560794 A CN201910560794 A CN 201910560794A CN 110264010 B CN110264010 B CN 110264010B
- Authority
- CN
- China
- Prior art keywords
- land
- load
- area
- property
- adopting
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 238000011161 development Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 20
- 230000001413 cellular effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
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
-
- 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
- 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
本发明公开了一种新型乡村电力饱和负荷预测方法,包括采用遥感影像数据识别待分析区域的地块性质;采用用电信息数据识别建设用地的地块性质;确定地块边界;采用演化算法对待分析区域的地块的用地性质进行预测;对乡村电力饱和负荷进行预测。本发明提供的这种新型乡村电力饱和负荷预测方法,不仅可以给出地区规划年整体负荷大小,而且还可以给出各地块负荷大小、负荷曲线及其演变过程,解决了乡村地区负荷预测缺乏合理依据,难以系统、动态分析的难题,预测结果可靠性高、客观且有效。
Description
技术领域
本发明具体涉及一种新型乡村电力饱和负荷预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。同时,随着我国农村地区的发展,电能已经成为了农村地区发展的重要支撑。
目前,国内外关于电力系统负荷预测方面的研究很多,从传统的单耗法、弹性系数法、统计分析法,到经典的回归分析法、时间序列分析法、灰色预测法和模糊数学法,甚至到现代的神经网络法、优选组合法和小波分析法等,不同的预测方法有其不同的适用场景,进而导致预测精度也各不相同。在中长期负荷预测方面,陈章潮等在电力系统自动化(1993年第17卷第7期20-24页)上发表的技术文献(“应用改进的灰色GM(1,1)模型进行长期电力需求预测”)采用灰色系统预测模型,针对长期电力需求预测的特点,提出了分段最优灰色系统预测模型;韦凌云等在电力系统自动化(2000年第24卷第16期44-47页)上发表的技术文献(“基于系统动力学的电力系统中长期负荷预测”)提出将系统动力学方法应用于中长期负荷预测,并结合专家经验对历史电力负荷建模分析;毛李帆等在电网技术(2008年第32卷第19期71-77页)上发表的技术文献(“基于偏最小二乘回归分析的中长期电力负荷预测”)集主成分分析、典型相关分析和多元线性回归分析于一体,可有效处理自变量系统中样本数据量少及变量间多重相关性严重而导致的建模困难问题。然而,因地区发展阶段、发展目标存在多样化,各种中长期负荷预测结果差异极大,结果难以让人信服。由于空间负荷预测法基于土地利用与现有发展数据,充分考虑了城镇发展与人们生产生活间的关系,因此所得结果相对严谨。唐玮等在电力系统保护与控制(2019年第46卷第24期76-82页)上发表的技术文献(“基于GRA-LSSVM的配电网空间负荷预测方法研究”)提出了一种基于最小二乘支持向量机的新型配电网空间负荷密度预测算法,以解决预测方法中样本有限、不易识别等问题;沈浩等在电气自动化(2018年第40卷第3期57-59页)上发表的技术文献(“基于空间饱和负荷密度的负荷预测方法”)根据某市的远期发展规划,对市各功能分区的饱和负荷值进行了预测,最终得到了某市至饱和年的饱和负荷。但是,这些方法均是针对城市等规划按地块性质已知的地区,而乡村没有控制性详细规划,地区规划更多是基于愿景层面,难以采用空间负荷预测方法。若采用不同城镇发展横向对比的平均负荷密度法或人均定额法又难以考虑农村土地利用类型、功能演变及驱动力等因素,只能给出一个粗略的结果,无法进行系统的、动态的分析和研究,严重影响规划决策的科学性。
因此,目前还没有科学可靠且客观有效的针对农村地区发展的电力负荷的中长期预测方法。
发明内容
本发明的目的在于提供一种可靠性高、客观且有效的新型乡村电力饱和负荷预测方法。
本发明提供的这种新型乡村电力饱和负荷预测方法,包括如下步骤:
S1.采用遥感影像数据识别待分析区域的地块性质;
S2.根据步骤S1识别得到的地块性质,采用用电信息数据识别建设用地的地块性质;
S3.确定地块边界;
S4.采用演化算法,对待分析区域的地块的用地性质进行预测;
S5.根据步骤S4的预测结果,对乡村电力饱和负荷进行预测。
步骤S1所述的采用遥感影像数据识别待分析区域的地块性质,具体为获取landsat TM 5/6/7遥感卫星影像数据,然后用ENVI软件对待分析区域的地块性质进行识别;所述的地块性质包括耕地、林地、水域、草地、未利用土地和建设用地。
步骤S2所述的采用用电信息数据识别建设用地的地块性质,具体为以建设用地内的配电台区为单位,基于各个台区的供电负荷曲线数据,采用聚类算法得到地区的典型地块类型以及各类典型地块的用电负荷肖像;所述的典型地块类型包括农业用地、居民用地、手工业用地、商业用地、行政办公用地和综合用地等。
步骤S3所述的确定地块边界,具体为采用沃罗诺伊图形法确定地块边界。
所述的采用沃罗诺伊图形法确定地块边界,具体为采用如下步骤确定地块边界:
A.以台区变压器的位置坐标为离散点;
B.采用沃罗诺伊图形算法对空间进行分割,同时保证每个希森多边形内仅含有一个离散点,且该希森多边形内的任意点到该离散点的距离要小于该任意点到剩余离散点的距离;
C.采用沃罗诺伊图形分割的边界替代变压器实际的供电范围边界,从而得到地块边界。
步骤S4所述的采用演化算法,对待分析区域的地块的用地性质进行预测,具体为在已知现状年的地区各地块的性质基础上,根据地区自然因素、交通因素、区位因素和城镇社会经济因素,结合地区发展定位、自然资源数据和地区规划方案,采用智能算法对地区未来发展进程进行精细模拟,预测并确定规划年各地块用地性质。
步骤S5所述的对乡村电力饱和负荷进行预测,具体为确定各个地块的负荷密度指标,并根据地块的性质和大小,采用空间负荷预测算法对乡村电力饱和负荷进行预测。
本发明提供的这种新型乡村电力饱和负荷预测方法,通过遥感地理影像和电力负荷聚类的方法识别现状年乡村地块性质,并以变压器供电范围为最小地块,通过沃罗诺伊图形法确定各地块边界;然后结合地区资源禀赋和发展定位等因素,精细模拟乡村发展进程,预测规划年地块性质;最后根据规划年地块性质,采用空间负荷预测法对地区饱和负荷进行预测;本发明方法不仅可以给出地区规划年整体负荷大小,而且还可以给出各地块负荷大小、负荷曲线及其演变过程,解决了乡村地区负荷预测缺乏合理依据,难以系统、动态分析的难题,预测结果可靠性高、客观且有效。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种新型乡村电力饱和负荷预测方法,包括如下步骤:
S1.采用遥感影像数据识别待分析区域的地块性质;具体为获取landsat TM5/6/7遥感卫星影像数据,然后从爱用ENVI软件对待分析区域的地块性质进行识别;所述的地块性质包括耕地、林地、水域、草地、未利用土地和建设用地;
S2.根据步骤S1识别得到的地块性质,采用用电信息数据识别建设用地的地块性质;具体为以建设用地内的配电台区为单位,基于各个台区的供电负荷曲线数据,采用聚类算法得到地区的典型地块类型以及各类典型地块的用电负荷肖像;所述的地块的类型包括农业用地、居民用地、手工业用地、商业用地、行政办公用地和综合用地等;
具体的,采用基于动态时间规整距离(DTW)的K-Medoids聚类方法得出地区各地块性质及用电负荷肖像;采用DTW的度量相似性计算方法如下:
构建一个n*m的矩阵M,M中的元素Mi,j为点pi和qj之间的欧式距离,即Mi,j=(pi-qj)2;
利用DTW寻找P和Q之间最佳的匹配对齐方式,可转化为在矩阵M上寻找最短的从起点到终点的路径W=[w1,w2,...,wK],其中W中的点为M中的元素值,且满足边界条件、连续性和单调性三个条件,此时P和Q利用DTW度量出的最短路径为:
基于DTW度量时序数据,采用了K-Medoids算法对时序数据进行聚类。同时为了评价聚类效果,使用Silhouette聚类评价方法,该方法能够综合判断聚类结果各类别的聚集和分割情况,可以用在对不同的聚类算法对同一数据集的聚类情况评价下,也可以对不同的聚类数目的效果评估,如下式所示:
式中si为第i条时序曲线的Silhouette系数;ai为第i条时序曲线所属聚类类别内点之间的平均距离;bi为第i条时序曲线到其他聚类类别的点平均值之中的最小值;si取值为[-1,1],越接近1表示该曲线的聚类效果与最佳聚类结果越匹配。所有点的si平均值可以作为该聚类结果的点与最佳聚类结果的匹配程度;
S3.确定地块边界;
在各地块负荷密度一致的条件下,最佳的供电范围边界是分解后各变压器到边界用户的距离一样长,这样设备利用效率最高,不会出现有的变压器重载、有的轻载问题。采用模拟细胞生长法生成沃罗诺伊图,以各配电变压器坐标位置作为离散点(细胞核),以圆形等速率扩展,两个相邻圆交点之间的连线就是两个圆心之间的垂直平分线,两个圆心(变压器)到该连线(最远负荷点)间的距离相等。因此,相邻两个扩张圆交点的连线即为“生长边界”,也就是V图的分割边界。但是,由于实际情况下各地块负荷分布并不均匀,可用地区平均负荷密度/地块负荷密度作为模拟生长法的扩张速率,以保证负荷大的地块扩张速度慢,负荷小的地方扩张速度快,使各变压器供电的负荷距相等;
具体为采用沃罗诺伊图形法确定地块边界:
A.以台区变压器的位置坐标为离散点;
B.采用沃罗诺伊图形算法对空间进行分割,同时保证每个希森多边形内仅含有一个离散点,且该希森多边形内的任意点到该离散点的距离要小于该任意点到剩余离散点的距离;
C.采用沃罗诺伊图形分割的边界替代变压器实际的供电范围边界,从而得到地块边界;
S4.采用演化算法,对待分析区域的地块的用地性质进行预测;具体为在已知现状年的地区各地块的性质基础上,根据地区自然因素、交通因素、区位因素和城镇社会经济因素,结合地区发展定位、自然资源数据和地区规划方案,采用智能算法对地区未来发展进程进行精细模拟,预测并确定规划年各地块用地性质;
采用元胞自动机(Cellular automata,CA)模型进行乡村用地发展模拟。CA是一种时间、空间、状态都离散,空间相互作用和时间因果关系为局部的网格动力学模型,具有模拟复杂系统时空演化过程的能力,目前已经广泛用于土地利用变化模拟、城市规划预测等领域中;
设d代表空间维数,k代表元胞的状态,并在一个有限集合S中取值,r表元胞的邻居半径。Z是整数集,表示一维空间,t代表时间。将整数集Z上的状态集S的分布,记为SZ。元胞自动机的动态演化就是在时间上状态组合的变化,可以记为:
这个动态演化又由各个元胞的局部演化规则f所决定的。这个局部函数f通常又常常被称为局部规则。局部函数则可以记为:
采用随机森林算法来进行城镇发展空间驱动因素挖掘。挖掘空间驱动要素,即确定元胞自动机中的元胞演化规则。随机森林(Random Forest,RF)是由美国科学院院士Breiman提出的一种利用多棵决策树进行预测的组合算法。基本步骤是:首先,利用Bootstrap抽样方法从原始训练集X中有放回地随机抽取ntree个样本集Xi,且每个样本集的样本容量都与原始训练集一样。其次,对每个样本集Xi,用如下过程生成不剪枝的决策树:设共有M个原始变量,给定一个正整数mtry,满足mtry<<M。在每个内部结点,从M个原始变量中随机抽出mtry个预测变量作为该分裂节点的候选变量,在mtry个候选变量中选出最好的分裂方式对该节点进行分裂,在生成整个森林的过程中,mtry不变,得到n棵决策树(n足够大)。最后,根据n棵决策树的分类结果对每个记录进行投票表决决定其最终分类,即:
采用基于随机森林算法的元胞自动机模型进行乡村发展的精细模拟。其中随机森林算法用于建设用地发展概率挖掘,元胞自动机用于未来土地利用模拟。根据随机森林挖掘的转换规则,元胞自动机结合未来建设用地发展的规模进行迭代模拟,得到未来土地利用的分布格局;
S5.根据步骤S4的预测结果,对乡村电力饱和负荷进行预测;具体为确定各个地块的负荷密度指标,并根据地块的性质和大小,采用空间负荷预测算法对乡村电力饱和负荷进行预测;
按下式可得到该类典型电力用户的饱和年最大负荷:
式中c为典型电力用户类型;Sc为第c类典型电力用户的饱和年最大负荷;i为地块号;l为负荷密度指标,可通过调研与各地区横向对比确定;a为用地面积,通过沃罗诺伊图形法确定;r和d分别是地块容积率及需用系数,通过调研获取;
将聚类法得到的第c类典型电力用户负荷曲线除以该曲线的最大幅值,得归一化的典型负荷曲线;然后将所得Sc乘以其对应归一化后的典型用电负荷曲线,即可获得第c类典型用户在任意时刻点t的饱和负荷值Sc,t;最后将各类典型用户负荷按时刻点进行相加,即可获得地区饱和年各时刻点负荷曲线,曲线的最大幅值即为该地区最大饱和负荷D,如下式所示:
Claims (4)
1.一种新型乡村电力饱和负荷预测方法,包括如下步骤:
S1. 采用遥感影像数据识别待分析区域的地块性质;
S2. 根据步骤S1识别得到的地块性质,采用用电信息数据识别建设用地的地块性质;具体为以建设用地内的配电台区为单位,基于各个台区的供电负荷曲线数据,采用聚类算法得到地区典型的地块类型以及各类典型地块的用电负荷肖像;所述的地块的类型包括农业用地、居民用地、手工业用地、商业用地、行政办公用地和综合用地;
S3. 确定地块边界;具体为采用沃罗诺伊图形法确定地块边界,包括如下步骤:
A. 以台区变压器的位置坐标为离散点;
B. 采用沃罗诺伊图形算法对空间进行分割,同时保证每个希森多边形内仅含有一个离散点,且该希森多边形内的任意点到该离散点的距离要小于该任意点到剩余离散点的距离;
C. 采用沃罗诺伊图形分割的边界替代变压器实际的供电范围边界,从而得到地块边界;
S4. 采用演化算法,对待分析区域的地块的用地性质进行预测;
S5. 根据步骤S4的预测结果,对乡村电力饱和负荷进行预测。
2. 根据权利要求1所述的新型乡村电力饱和负荷预测方法,其特征在于步骤S1所述的采用遥感影像数据识别待分析区域的地块性质,具体为获取landsat TM 5/6/7 遥感卫星影像数据,然后用ENVI软件对待分析区域的地块性质进行识别;所述的地块性质包括耕地、林地、水域、草地、未利用土地和建设用地。
3.根据权利要求1所述的新型乡村电力饱和负荷预测方法,其特征在于步骤S4所述的采用演化算法,对待分析区域的地块的用地性质进行预测,具体为在已知现状年的地区各地块的性质基础上,根据地区自然因素、交通因素、区位因素和城镇社会经济因素,结合地区发展定位、自然资源数据和地区规划方案,采用智能算法对地区未来发展进程进行精细模拟,预测并确定规划年各地块用地性质。
4.根据权利要求1所述的新型乡村电力饱和负荷预测方法,其特征在于步骤S5所述的对乡村电力饱和负荷进行预测,具体为确定各个地块的负荷密度指标,并根据地块的性质和大小,采用空间负荷预测算法对乡村电力饱和负荷进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560794.XA CN110264010B (zh) | 2019-06-26 | 2019-06-26 | 新型乡村电力饱和负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560794.XA CN110264010B (zh) | 2019-06-26 | 2019-06-26 | 新型乡村电力饱和负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264010A CN110264010A (zh) | 2019-09-20 |
CN110264010B true CN110264010B (zh) | 2023-04-18 |
Family
ID=67921790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560794.XA Active CN110264010B (zh) | 2019-06-26 | 2019-06-26 | 新型乡村电力饱和负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264010B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852628B (zh) * | 2019-11-13 | 2023-09-12 | 国网江西省电力有限公司经济技术研究院 | 考虑发展模式影响的农村中长期负荷预测方法 |
CN112928756A (zh) * | 2021-04-07 | 2021-06-08 | 国网上海市电力公司 | 一种基于图形识别的电力负荷预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489076A (zh) * | 2013-09-30 | 2014-01-01 | 国家电网公司 | 一种配电网变电站规划方法 |
CN109063898A (zh) * | 2018-07-05 | 2018-12-21 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于片区面积及云推理的区域负荷预测方法 |
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 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102368610B (zh) * | 2011-09-22 | 2013-06-19 | 天津大学 | 一种基于配电系统安全域的评价方法 |
EP2858015A1 (en) * | 2013-10-04 | 2015-04-08 | Building Research Establishment Ltd | System and method for simulation, control and performance monitoring of energy systems |
CN104933501B (zh) * | 2014-09-04 | 2016-04-20 | 国网山东省电力公司应急管理中心 | 基于国网gis指定区域的电网数据分析方法及系统 |
US10749339B2 (en) * | 2015-09-11 | 2020-08-18 | Paul Joseph Meier | Modeling system for energy systems |
CN106600063B (zh) * | 2016-12-16 | 2022-03-18 | 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 |
CN106953323B (zh) * | 2017-05-15 | 2019-10-25 | 国网江西省电力公司经济技术研究院 | 一种适应负荷季节性变化的变电站供电范围优化方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN109063553B (zh) * | 2018-06-22 | 2021-06-25 | 中国矿业大学 | 一种土地整治后农田作物生长缺陷区遥感快速诊断方法 |
CN109524991B (zh) * | 2018-12-07 | 2022-10-04 | 国网浙江省电力有限公司杭州供电公司 | 一种分布式光伏接入方法 |
CN109492950B (zh) * | 2018-12-26 | 2020-11-10 | 广东电网有限责任公司 | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 |
-
2019
- 2019-06-26 CN CN201910560794.XA patent/CN110264010B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489076A (zh) * | 2013-09-30 | 2014-01-01 | 国家电网公司 | 一种配电网变电站规划方法 |
CN109063898A (zh) * | 2018-07-05 | 2018-12-21 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于片区面积及云推理的区域负荷预测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
张瑞 ; 宫子明 ; 陈辰 ; 王强 ; 李振威 ; 唐昱华 ; .离网型微电网短期负荷及发电功率预测.大众用电.(第S1期),第63-66段. * |
Also Published As
Publication number | Publication date |
---|---|
CN110264010A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Modeling the urban landscape dynamics in a megalopolitan cluster area by incorporating a gravitational field model with cellular automata | |
Beccali et al. | Forecasting daily urban electric load profiles using artificial neural networks | |
Li et al. | Discovering and evaluating urban signatures for simulating compact development using cellular automata | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN108960488B (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
CN113297174B (zh) | 基于深度学习的土地利用变化模拟方法 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
Karimi et al. | Urban expansion modeling using an enhanced decision tree algorithm | |
CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
CN111984702A (zh) | 村镇聚落的空间演化分析方法、装置、设备及存储介质 | |
CN111784084A (zh) | 基于梯度提升决策树的出行生成预测方法、系统及装置 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN115358448A (zh) | 乡村资源环境综合承载力测算模型 | |
CN107798357A (zh) | 一种基于knn的村庄用地复垦规划模拟方法 | |
Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN103150476A (zh) | 一种基于数据站场的系统效能评估方法 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
Dong et al. | Research on academic early warning model based on improved SVM algorithm | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 |
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 |