CN110728403B - 农村中长期电网负荷预测方法 - Google Patents
农村中长期电网负荷预测方法 Download PDFInfo
- Publication number
- CN110728403B CN110728403B CN201910963740.8A CN201910963740A CN110728403B CN 110728403 B CN110728403 B CN 110728403B CN 201910963740 A CN201910963740 A CN 201910963740A CN 110728403 B CN110728403 B CN 110728403B
- Authority
- CN
- China
- Prior art keywords
- load
- land
- rural
- plot
- long term
- 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 31
- 230000008859 change Effects 0.000 claims abstract description 32
- 230000007774 longterm Effects 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 230000001413 cellular effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012271 agricultural production Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000011161 development Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011089 mechanical engineering Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种农村中长期电网负荷预测方法,包括获取农村用电负荷类型;对供电范围内的地块进行分类;计算历史负荷密度;采用GRU算法和CA算法预测负荷密度变化结果和地块功能变化结果;进行地块和负荷匹配从而得到最终的农村中长期电网负荷预测结果。本发明方法针对农村电网进行设计,而且可靠性更高,精度更高。
Description
技术领域
本发明具体涉及一种农村中长期电网负荷预测方法。
背景技术
随着我国经济技术的发展,农村也得到了长久、持续和可靠的发展。而伴随着农村的发展,农村用电的问题也日益突出。因此,对于农村电网的建设就显得刻不容缓。电网建设的基础是电网规划,而电网规划的基础则是负荷预测。因此,农村电网的负荷预测就显得尤为重要。
在中长期负荷预测方面,张伏生在电网技术(2003年第27卷第5期37-40页)发表的技术文献(“灰色Verhulst模型在中长期负荷预测中的应用”)考虑了负荷按照“S”型曲线增长或增长处于饱和阶段的情况,引入了灰色Verhulst模型来解决这个问题;韦凌云等在电力系统自动化(2000年第24卷第16期44-47页)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”)中提出将系统动力学方法应用于中长期负荷预测,该方法能有效结合专家经验对历史电力负荷建模分析。与此同时,仅仅对电力负荷在时间上的预测还远远不够,仍需要对负荷在空间分布的预测。电力负荷预测应充分考虑由于土地等外部资源约束而出现的电力负荷饱和状态,并加强对中长期/远景规划的详细分析和广泛论证。在电力负荷空间分布预测方面,杨丽徙等在中国电机工程学报(2007年第27卷第4期15-20页)上发表的技术文献(“基于元胞自动机理论的电力负荷空间分布预测”)从元胞自动机的基本定义出发,研究了CA理论(元胞自动机理论)对于电力负荷空间分布预测的适用性。刘自发等在中国电机工程学报(2013年第33卷第10期98-105页)上发表的技术文献(“基于元胞自动机理论的电力负荷空间分布预测”)综合考虑多种影响负荷发展的因素,运用云理论训练CA转换规则,制定多种转换规则来预测规划区域地块的发展程度。
虽然目前的电力负荷预测的方法有很多,而且预测精度也相对较高,但是目前的电力负荷预测方法均是针对城市配电网的负荷预测方法,尚未有专门针对农村的电网负荷预测方法出现。而农村与城市具有较大区别,利用现有的针对城市所设计的负荷预测方法,去预测农村的电网负荷,其预测精度明显不高,而且适用性较差,已经不再满足于现今的要求。
发明内容
本发明的目的在于提供一种可靠性高、精度较高且针对农村地区设计的农村中长期电网负荷预测方法。
本发明提供的这种农村中长期电网负荷预测方法,包括如下步骤:
S1.对农村的用电负荷进行分类,得到农村用电负荷类型;
S2.根据步骤S1得到的农村用电负荷类型,以及供电范围内地块的负荷分布特点,对供电范围内的地块进行分类;
S3.根据步骤S1得到的农村用电负荷类型和步骤S2得到的地块类型,计算历史负荷密度;
S4.根据步骤S3得到的历史负荷密度,采用GRU算法和CA算法,预测负荷密度变化结果和地块功能变化结果;
S5.根据步骤S4得到的负荷密度变化结果和地块功能变化结果,进行地块和负荷匹配,从而得到最终的农村中长期电网负荷预测结果。
步骤S1所述的农村用电负荷类型,具体包括农村居民日常用电负荷、农业生产用电负荷、工业用电负荷以及第三产业用电负荷。
步骤S2所述的对供电范围内的地块进行分类,具体为对供电范围内的地块分为农业用地、居民住房用地、工业用地、第三产业用地、未利用地以及固定用地。
步骤S3所述的计算历史负荷密度,具体为根据台区供电范围以及台区中不同用地类型的面积,建立台区负荷与不同类型负荷密度的关系方程,从而获取不同地块的不同类型负荷密度。
所述的计算历史负荷密度,具体为采用如下步骤计算历史负荷密度:
A.采用如下算式表示台区负荷与不同类型负荷密度的关系方程:
式中Pi为第i个台区的负荷值,i的取值为1,2,...,m,m为台区总个数;Dj为第j类地块的负荷密度,j的取值为1,2,...,n,n为地块总数;Sij为第i个台区第j类地块的面积;
B.利用最小二乘法计算得到不同地块的不同类型负荷的历史负荷密度值。
步骤S4所述的采用GRU算法和CA算法,预测负荷密度变化结果和地块功能变化结果,具体为采用如下算式作为GRU算法的更新公式,并将农村负荷类型分类以及影响电力负荷变化的因素作为深度GRU神经网络输入,得到该农村中长期负荷预测曲线:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
yt=σ(Wo·ht)
式中σ为sigmoid函数,ht-1、ht分别为t-1、t时刻GRU单元的隐藏状态向量,zt为t时刻更新门中间状态向量,Wz为更新门权重矩阵,rt为t时刻重置门中间状态向量,Wr为重置门权重矩阵,Wh为控制隐藏状态更新的权重矩阵,是t时刻隐藏状态的备选向量,tanh为双曲正切激活函数,yt为t时刻模型输出,Wo为输出层权重矩阵。
步骤S4所述的采用GRU算法和CA算法,预测负荷密度变化结果和地块功能变化结果,具体为采集地块数据信息并进行处理;然后根据元胞自动机转换规则得到地块转换概率;最后通过比较阈值和地块转换类型概率值得到地块最终是否转换结果以及地块转换类型结果。
所述的元胞自动机转换规则,具体为采用如下规则作为元胞自动机转换规则:
R1.坡度约束转换规则:设定不同土地类型的坡度约束;
R2.政策规划保护区转换规则:凡是处于生态保护区用地,若地块类型为农业用地,则不允许转换;若地块类型为非农业用地,则该地块可以转换为除工业用地以外的用地类型;
R3.地块元胞生命值转换规则;
R4.地块影响力转换规则。
步骤S5所述的根据步骤S4得到的负荷密度变化结果和地块功能变化结果,进行地块和负荷匹配,从而得到最终的农村中长期电网负荷预测结果,具体为结合负荷密度预测结果以及元胞自动机预测的地块功能预测结果,通过同一时间点负荷密度与地块面积的乘积得到地块转化后新地块功能上的负荷变化曲线,从而获得农村中长期负荷预测结果。
本发明提供的这种农村中长期电网负荷预测方法,根据农村用电用途和特点,对农村负荷进行分类,得到农村负荷类型;结合台区供电范围内地块上负荷分布特点,对地块类型进行分类;计算历史负荷密度;结合国家规划、经济、地形地貌等影响因素,分别采用GRU和CA技术,预测负荷密度变化和地块功能变化结果;地块和负荷匹配,得到农村中长期负荷的预测结果;本发明方法针对农村电网进行设计,而且可靠性更高,精度更高。
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:本发明提供的这种农村中长期电网负荷预测方法,包括如下步骤:
S1.对农村的用电负荷进行分类,得到农村用电负荷类型;农村用电负荷类型,具体包括农村居民日常用电负荷、农业生产用电负荷、工业用电负荷以及第三产业用电负荷;
在具体实施时,农村用电负荷包括农村居民日常用电、农业生产用电、工业用电、商业负荷、学校、医院等负荷;在此基础上,结合农村实际用电情况,由于商业负荷、学校、医院等负荷相对较少,所述的农村用电负荷分为农村居民日常用电、农业生产用电、工业用电以及第三产业用电负荷四种负荷类型;
S2.根据步骤S1得到的农村用电负荷类型,以及供电范围内地块的负荷分布特点,对供电范围内的地块进行分类;具体为对供电范围内的地块分为农业用地、居民住房用地、工业用地、第三产业用地、未利用地以及固定用地;
在具体实施时,根据农村地形以及土地利用特点,将地块分为水域、林地、农业用地、综合用地、交通设施用地以及未利用地;考虑到生态红线以及新农村生态文明建设,水域、林地、交通设施用地基本不会转化为其他地块,故而将水域、森林用地、交通设施用地统称为固定用地;在此基础上,结合农村用电负荷类型,综合性用地包括居民住房用地、工业用地、商业用地、公共设施用地、公共服务用地;其中,将商业用地、公共设施用地、公共服务用地统称为第三产业用地;因此地块类型划分为农业用地、居民住房用地、工业用地、第三产业用地、未利用地以及固定用地六种地块类型;
S3.根据步骤S1得到的农村用电负荷类型和步骤S2得到的地块类型,计算历史负荷密度;具体为根据台区供电范围以及台区中不同用地类型的面积,建立台区负荷与不同类型负荷密度的关系方程,从而获取不同地块的不同类型负荷密度;其中,采用如下步骤计算历史负荷密度:
A.采用如下算式表示台区负荷与不同类型负荷密度的关系方程:
式中Pi为第i个台区的负荷值,i的取值为1,2,...,m,m为台区总个数;Dj为第j类地块的负荷密度,j的取值为1,2,...,n,n为地块总数;Sij为第i个台区第j类地块的面积;
B.利用最小二乘法计算得到不同地块的不同类型负荷的历史负荷密度值;
S4.根据步骤S3得到的历史负荷密度,采用GRU算法和CA算法,预测负荷密度变化结果和地块功能变化结果;
循环神经网络(Recurrent Neural Networks,RNN)是一种常用的处理时间序列预测问题的网络结构,网络中的信号反馈结构使得网络在k时刻的输出状态与k时刻以前的历史信号关联,因此具有动态特性和记忆能力;一直以来,RNN的改进结构LSTM因良好的记忆长期依赖性,被广泛用于预测时间序列数据;然而,由于其内部结构较为复杂,LSTM网络的训练通常需要很长时间;
Cho在LSTM网络模型的基础上提出一种GRU(门控循环单元)网络模型;GRU网络模型与LSTM网络具有相似的单元内的数据流;然而,与LSTM不同的是,GRU没有单独的存储单元,这就在训练数据时更加高效;GRU网络模型将LSTM网络模型的输入门和忘记门通过更新门耦合,并且复位门直接应用于之前的隐藏状态;因而,LSTM复位门的任务在GRU中被分解为重置门(r)和更新门(z)来完成;其中,r确定是否要将当前状态与先前的信息结合起来,而z定义须要保留多少内存;
采用如下算式作为GRU算法的更新公式,并将农村负荷类型分类以及影响电力负荷变化的因素作为深度GRU神经网络输入,得到该农村中长期负荷预测曲线:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
yt=σ(Wo·ht)
式中σ为sigmoid函数,ht-1、ht分别为t-1、t时刻GRU单元的隐藏状态向量,zt为t时刻更新门中间状态向量,Wz为更新门权重矩阵,rt为t时刻重置门中间状态向量,Wr为重置门权重矩阵,Wh为控制隐藏状态更新的权重矩阵,是t时刻隐藏状态的备选向量,tanh为双曲正切激活函数,yt为t时刻模型输出,Wo为输出层权重矩阵。
同时,具体为采集地块数据信息并进行处理;然后根据元胞自动机转换规则得到地块转换概率;最后通过比较阈值和地块转换类型概率值得到地块最终是否转换结果以及地块转换类型结果;
CA是一种时间和空间都离散的动力系统,散布在规则格网(Lattice Grid)中的每一元胞(Cell)取有限的离散状态,遵循同样的作用规则,依据确定的局部规则作同步更新,大量元胞通过简单的相互作用而构成动态系统的演化;CA由元胞及状态、元胞空间、邻居、转换规则和时间5个最基本的部分组成;在考虑到农村特点以及生态红线等因素基础上,元胞自动机转换规则包括:
R1.坡度约束转换规则:坡度是地表单元陡缓的程度,通常把坡面的垂直高度和水平方向的距离的比叫做坡度。根据具体地点的往年数据分析,制定不同土地类型的坡度约束;
R2.政策规划保护区转换规则:随着经济的发展和农村城镇化的进程,为了最大程度的获取利益,农业用地、未利用地不断地转化为工业用地,对环境影响较大;考虑到生态红线现象以及加快新农村生态文明建设,在此规则中加入生态保护区和耕地保护区的概念;凡是处于生态保护区用地,如果地块类型为农业用地,则不允许转换;如果地块类型为非农业用地,该地块可以转换为除工业用地以外的用地类型;其表达式为:
式中i和j为元细胞的坐标位置;
R3.地块元胞生命值转换规则;
基于元胞自动机模型的理论,可以将土地赋予生命值,土地元胞分为强生命力元胞和弱生命力元胞;在强生命力元胞中,其建成时长较短,经济增长较快,投资尚未完全回收,该类元胞土地转换可能性较大;而在弱生命力元胞中,该地块已达到了一定的历史年限,面临着衰退和重新建设的问题,该类元胞土地转换可能性较大;因此,其相应的表达式为:
式中i和j为元细胞的坐标位置;
R4.地块影响力转换规则;
根据元胞自动机的特点,邻域的约束是元胞自动机转换规则的核心;因此,选择研究地块附近扩展摩尔类型地块作为另外一个影响力转换规则;将中心元胞向外扩展的5*5矩阵中去除中心元胞后剩下的元胞作为影响元胞因子,计算邻域内出现的6类不同地块的元胞数目;同时,设置地块类型进化程度,就目前中国农村的发展而言,工业化程度逐步提升,工业用地的进化度上升,同时为了存进环境发展,农业用地和未利用地的进化程度也处于一个较高的水准;因此,其相应的表达式为:
式中DevelopExtent为不同地块类型进化程度向量,DevelopNum为不同地块类型数量向量,n为中心元胞向外扩展的矩阵维度;
S5.根据步骤S4得到的负荷密度变化结果和地块功能变化结果,进行地块和负荷匹配,从而得到最终的农村中长期电网负荷预测结果;具体为结合负荷密度预测结果以及元胞自动机预测的地块功能预测结果,通过同一时间点负荷密度与地块面积的乘积得到地块转化后新地块功能上的负荷变化曲线,从而获得农村中长期负荷预测结果。
Claims (8)
1.一种农村中长期电网负荷预测方法,包括如下步骤:
S1.对农村的用电负荷进行分类,得到农村用电负荷类型;
S2.根据步骤S1得到的农村用电负荷类型,以及供电范围内地块的负荷分布特点,对供电范围内的地块进行分类;
S3.根据步骤S1得到的农村用电负荷类型和步骤S2得到的地块类型,计算历史负荷密度;
S4.根据步骤S3得到的历史负荷密度,采用GRU算法和CA算法,预测负荷密度变化结果和地块功能变化结果;具体为采用如下算式作为GRU算法的更新公式,并将农村负荷类型分类以及影响电力负荷变化的因素作为深度GRU神经网络输入,得到该农村中长期负荷预测曲线:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wr·[ht-1,xt])
yt=σ(Wo·ht)
式中σ为sigmoid函数,ht-1、ht分别为t-1、t时刻GRU单元的隐藏状态向量,zt为t时刻更新门中间状态向量,Wz为更新门权重矩阵,rt为t时刻重置门中间状态向量,Wr为重置门权重矩阵,Wh为控制隐藏状态更新的权重矩阵,是t时刻隐藏状态的备选向量,tanh为双曲正切激活函数,yt为t时刻模型输出,Wo为输出层权重矩阵;
S5.根据步骤S4得到的负荷密度变化结果和地块功能变化结果,进行地块和负荷匹配,从而得到最终的农村中长期电网负荷预测结果。
2.根据权利要求1所述的农村中长期电网负荷预测方法,其特征在于步骤S1所述的农村用电负荷类型,具体包括农村居民日常用电负荷、农业生产用电负荷、工业用电负荷以及第三产业用电负荷。
3.根据权利要求2所述的农村中长期电网负荷预测方法,其特征在于步骤S2所述的对供电范围内的地块进行分类,具体为对供电范围内的地块分为农业用地、居民住房用地、工业用地、第三产业用地、未利用地以及固定用地。
4.根据权利要求1~3之一所述的农村中长期电网负荷预测方法,其特征在于步骤S3所述的计算历史负荷密度,具体为根据台区供电范围以及台区中不同用地类型的面积,建立台区负荷与不同类型负荷密度的关系方程,从而获取不同地块的不同类型负荷密度。
6.根据权利要求5所述的农村中长期电网负荷预测方法,其特征在于步骤S4所述的采用GRU算法和CA算法,预测负荷密度变化结果和地块功能变化结果,具体为采集地块数据信息并进行处理;然后根据元胞自动机转换规则得到地块转换概率;最后通过比较阈值和地块转换类型概率值得到地块最终是否转换结果以及地块转换类型结果。
7.根据权利要求6所述的农村中长期电网负荷预测方法,其特征在于所述的元胞自动机转换规则,具体为采用如下规则作为元胞自动机转换规则:
R1.坡度约束转换规则:设定不同土地类型的坡度约束;
R2.政策规划保护区转换规则:凡是处于生态保护区用地,若地块类型为农业用地,则不允许转换;若地块类型为非农业用地,则该地块可以转换为除工业用地以外的用地类型;
R3.地块元胞生命值转换规则;
R4.地块影响力转换规则。
8.根据权利要求7所述的农村中长期电网负荷预测方法,其特征在于步骤S5所述的根据步骤S4得到的负荷密度变化结果和地块功能变化结果,进行地块和负荷匹配,从而得到最终的农村中长期电网负荷预测结果,具体为结合负荷密度预测结果以及元胞自动机预测的地块功能预测结果,通过同一时间点负荷密度与地块面积的乘积得到地块转化后新地块功能上的负荷变化曲线,从而获得农村中长期负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963740.8A CN110728403B (zh) | 2019-10-11 | 2019-10-11 | 农村中长期电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910963740.8A CN110728403B (zh) | 2019-10-11 | 2019-10-11 | 农村中长期电网负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728403A CN110728403A (zh) | 2020-01-24 |
CN110728403B true CN110728403B (zh) | 2023-04-18 |
Family
ID=69221037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910963740.8A Active CN110728403B (zh) | 2019-10-11 | 2019-10-11 | 农村中长期电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728403B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933040B (zh) * | 2023-09-13 | 2023-11-28 | 国网四川省电力公司广安供电公司 | 一种基于大数据技术的供电最高负荷中短期预测方法 |
Citations (9)
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 |
CN105069538A (zh) * | 2015-08-26 | 2015-11-18 | 国网山东省电力公司经济技术研究院 | 一种基于细胞元成长模型的空间负荷预测方法 |
CN105426988A (zh) * | 2015-11-05 | 2016-03-23 | 国网福建省电力有限公司 | 一种基于模糊规则的空间负荷预测方法 |
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 |
CN105825295A (zh) * | 2016-03-13 | 2016-08-03 | 东北电力大学 | 一种计及元胞发展程度的空间负荷预测方法 |
CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN108921341A (zh) * | 2018-06-26 | 2018-11-30 | 国网山东省电力公司电力科学研究院 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
CN109063911A (zh) * | 2018-08-03 | 2018-12-21 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
-
2019
- 2019-10-11 CN CN201910963740.8A patent/CN110728403B/zh active Active
Patent Citations (9)
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 |
CN105069538A (zh) * | 2015-08-26 | 2015-11-18 | 国网山东省电力公司经济技术研究院 | 一种基于细胞元成长模型的空间负荷预测方法 |
CN105426988A (zh) * | 2015-11-05 | 2016-03-23 | 国网福建省电力有限公司 | 一种基于模糊规则的空间负荷预测方法 |
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 |
CN105825295A (zh) * | 2016-03-13 | 2016-08-03 | 东北电力大学 | 一种计及元胞发展程度的空间负荷预测方法 |
CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN108921341A (zh) * | 2018-06-26 | 2018-11-30 | 国网山东省电力公司电力科学研究院 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
CN109063911A (zh) * | 2018-08-03 | 2018-12-21 | 天津相和电气科技有限公司 | 一种基于门控循环单元网络的负荷聚合体分组预测方法 |
Non-Patent Citations (3)
Title |
---|
基于元胞自动机理论的电力负荷空间分布预测;杨丽徙等;《中国电机工程学报》;20070210(第04期);17-22 * |
考虑城市土地功能变化与负荷特性的城市电力负荷预测模型;李德智等;《中国电力》;20110105(第01期);11-15 * |
计及元胞发展程度的空间负荷预测方法;肖白等;《电力系统自动化》;20180110(第01期);68-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN110728403A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A short-term load forecasting method based on GRU-CNN hybrid neural network model | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Zhang et al. | Simulating multi-objective land use optimization allocation using Multi-agent system—A case study in Changsha, China | |
CN111091143A (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
Zhou et al. | Urban expansion simulation and development-oriented zoning of rapidly urbanising areas: A case study of Hangzhou | |
Lin et al. | Analyzing the spatial factors related to the distributions of building heights in urban areas: A comparative case study in Guangzhou and Shenzhen | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
Zhuang et al. | Simulation of urban land expansion in China at 30 m resolution through 2050 under shared socioeconomic pathways | |
CN110728403B (zh) | 农村中长期电网负荷预测方法 | |
CN113780679B (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
Wang et al. | Model construction of urban agglomeration expansion simulation considering urban flow and hierarchical characteristics | |
Wang et al. | Electric vehicle charging load clustering and load forecasting based on long short term memory neural network | |
Agga et al. | Short-term load forecasting: based on hybrid CNN-LSTM neural network | |
CN112182951B (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
CN113743659A (zh) | 一种基于成分法和马尔可夫元胞自动机的城市布局预测方法及应用 | |
Bai et al. | [Retracted] Evaluation for Development Effect of Enterprise Innovation with Neural Network from Low‐Carbon Economy | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
Wu et al. | Improved coyote algorithm and application to optimal load forecasting model | |
Ye et al. | Optimal Component IGSCV-SVR Ensemble Model Improved by VMD for Ultra-short-term Wind Speed Forecasting. | |
Prashanthi et al. | A comparative study of the performance of machine learning based load forecasting methods | |
CN111401638B (zh) | 基于极限学习机与负荷密度指标法的空间负荷预测方法 | |
Zhang et al. | Medium—And Long-Term Load Forecasting Method for Group Objects Based on the Image Representation Learning | |
Lu et al. | Application of GA optimized wavelet neural networks for carrying capacity of water resources prediction |
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 |