CN111079966B - 一种广义负荷空间预测方法和系统 - Google Patents

Abstract

本发明提供了一种广义负荷空间预测方法和系统，包括：对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；基于分布式电源、电动汽车和储能装置历史数据进行预测，得到分布式电源、电动汽车和储能装置预测时间段内的数据；基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值。该方法和系统考虑了城市智能电网中分布式电源、电动汽车以及储能对负荷密度增长情况的影响，提高了负荷空间分布预测的准确性，为智能电网的广义负荷预测提供有效数据。

Description

一种广义负荷空间预测方法和系统

技术领域

本发明属于电力技术领域，具体涉及一种广义负荷空间预测方法和系统。

背景技术

在电力负荷预测方面，传统的负荷预测方法有趋势外推法、时间序列法、回归模型预测方法以及智能预测方法如灰色模型预测法、人工神经网络预测法等。这些方法都属于地区电力负荷总量预测，一方面对负荷出现的时间、位置等含有地理空间信息的电力负荷空间分布预测则显得无能为力；另一方面，对于未来负荷侧即将出现的带有电源属性的负荷几乎没有考虑到负荷预测当中。

当前基于土地功能转换的电力负荷空间分布预测的诸多研究中，现有的空间负荷预测主要是基于根据规划的城市电网电压水平不同，将城市用地按照一定的原则划分成相应大小的规则(网格)或不规则(变电站、馈线供电区域)的小区，通过分析、预测规划年地区土地利用的特征和发展规律，结合负荷密度指标来进一步预测相应地区中电力用户和负荷分布的地理位置、数量和产生的时间。其中，土地功能转换的规则相对简单，以分布式电源大量接入和用户与电网间电力流双向互动为特点的城市智能电网，其负荷预测的新内容是传统电力负荷预测方法从未考虑的。

而且，现有的土地功能转换以及负荷密度相结合的空间负荷预测方法当中，主要将预测的重点放在了土地功能转换上，对未来的负荷密度变化情况考虑得不充分，尤其是在智能用电环境中，大范围出现的带有电源属性的负荷使得不同区域用电负荷能够发生频繁的迁移，能够改变现有的负荷密度变化规律，现有的空间负荷预测法没有考虑柔性负荷接入的情况，使得该方法在未来智能用电环境中适用性将面临严重挑战。

发明内容

为克服上述现有技术的不足，针对未来用户侧即将出现带有电源属性的广义负荷，本发明在传统空间预测方法的基础上，进一步融入了分布式、电动汽车以及储能设备对用电负荷在时间以及位置的转移的因素，不仅对未来分布式发电规模、电动汽车以及储能设备的发展趋势提出了预测方法，还针对广义负荷的空间分布提出了预测方法。其中，广义负荷空间预测方法中，本发明提出了广义负荷密度的概念，在传统负荷密度的基础上，将分布式电源、电动汽车以及储能对区域负荷的时空转换考虑到负荷密度的变化中。改进后的预测方法能够在柔性负荷大范围接入的情形下，对用电侧总体用电负荷进行预测，更加适用于未来智能用电环境下的负荷预测工作

实现上述目的所采用的解决方案为：

一种广义负荷空间预测方法，其改进之处在于，包括：

对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；

基于分布式电源、电动汽车和储能装置历史数据进行预测，得到所述分布式电源、电动汽车和储能装置预测时间段内的数据；

基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值；

其中，所述广义负荷包括电负荷度加上所述分布式电源、电动汽车和储能装置；所述土地类型包括农村居民用地、城镇居民用地、行政用地、工业用地和商业用地。

本发明提供的第一优选技术方案，其改进之处在于，所述广义负荷空间预测模型的建立，包括：

采用系统动力学方法建立广义负荷预测的栈流图；

基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线；

根据所述栈流图和所述预测时间段内广义负荷密度变化曲线，分别建立各类型土地的负荷历史数据、各类型土地预测时间段内的面积变化数据、预测时间段内的分布式电源、电动汽车与储能装置的数据与广义负荷空间预测值的对应关系。

本发明提供的第二优选技术方案，其改进之处在于，所述基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线，包括：

基于各类型土地的负荷历史数据，分别建立不同类型土地的负荷密度曲线；

获取预测的各类型土地预测时间段内的面积变化数据、分布式电源、电动汽车和储能装置的数据，得到广义负荷密度调整因子；

基于所述广义负荷密度调整因子分别对各类型土地的负荷密度进行修正，得到各类型土地的预测时间段内广义负荷密度变化曲线。

本发明提供的第三优选技术方案，其改进之处在于，所述广义负荷空间预测模型的建立，还包括：

根据各类型土地广义负荷预测值，得到全部类型土地的预测时间段内每年总用电量和各类型土地最大负荷的预测值；

采集预测时间段内全部类型土地的每年总用电量和各类型土地最大负荷的实测值，并与所述预测值进行比较，当所述预测值和实测值的偏差超过预设的范围时，修订所述广义负荷空间预测模型并预测各类型土地广义负荷，直到所述偏差在允许的范围内。

本发明提供的第四优选技术方案，其改进之处在于，所述对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据，包括：

获取各类型土地面积的历史数据；

分别将所述各类型土地面积的历史数据和预测时间代入预先建立的各类型土地面积相互转换预测模型，得到各类型土地预测时间段内的面积变化数据。

本发明提供的第五优选技术方案，其改进之处在于，所述各类型土地面积相互转换预测模型的建立，包括：

基于各类型土地面积历史数据制作各类型的土地的转化速率曲线；

采用系统动力学方法，建立土地类型转化的栈流图；

根据所述各类型的土地的转化速率曲线和土地类型转化栈流图，建立各类型土地面积数据随时间演化的关系。

本发明提供的第六优选技术方案，其改进之处在于，所述基于分布式电源、电动汽车和储能装置历史数据进行预测，得到所述分布式电源、电动汽车和储能装置预测时间段内的数据，包括：

获取分布式电源、电动汽车和储能装置的历史数据；

将所述分布式电源、电动汽车、储能装置的历史数据和预测时间代入预先建立的互动负荷预测模型，得到分布式电源、电动汽车和储能装置的预测结果。

本发明提供的第七优选技术方案，其改进之处在于，所述互动负荷预测模型的建立，包括：

采用系统动力学方法，建立分布式电源、电动汽车和储能装置预测的栈流图；

根据所述栈流图，建立分布式电源、电动汽车和储能装置数据随时间演化的关系。

一种广义负荷空间预测系统，其改进之处在于，包括：分布式电源、电动汽车及储能容量预测模块、土地功能转换预测模块和广义负荷预测模块；

所述分布式电源、电动汽车及储能容量预测模块，用于对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；

所述土地功能转换预测模块，用于基于分布式电源、电动汽车和储能装置历史数据进行预测，得到所述分布式电源、电动汽车和储能装置预测时间段内的数据；

所述广义负荷预测模块，用于基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值；

其中，所述广义负荷包括电负荷度加上所述分布式电源、电动汽车和储能装置；所述土地类型包括农村居民用地、城镇居民用地、行政用地、工业用地和商业用地。

本发明提供的第八优选技术方案，其改进之处在于，还包括用于建立广义负荷空间预测模型的第一建模模块，所述第一建模模块包括：

第一栈流图单元，用于采用系统动力学方法建立广义负荷预测的栈流图；

广义负荷密度变化曲线单元，用于基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线；

第一对应关系单元，用于根据所述栈流图和所述预测时间段内广义负荷密度变化曲线，分别建立各类型土地的负荷历史数据、各类型土地预测时间段内的面积变化数据、预测时间段内的分布式电源、电动汽车与储能装置的数据与广义负荷空间预测值的对应关系。

本发明提供的第九优选技术方案，其改进之处在于，所述第一建模模块还包括校正单元，所述校正单元包括：

预测结果统计子单元，用于根据各类型土地广义负荷预测值，得到全部类型土地的预测时间段内每年总用电量和各类型土地最大负荷的预测值；

比较子单元，用于采集预测时间段内全部类型土地的每年总用电量和各类型土地最大负荷的实测值，并与所述预测值进行比较，当所述预测值和实测值的偏差超过预设的范围时，修订所述广义负荷空间预测模型并预测各类型土地广义负荷，直到所述偏差在允许的范围内。

与最接近的现有技术相比，本发明具有的有益效果如下：

在各类电力负荷密度修正方面，本发明使负荷密度变化更为贴合实际情况；考虑了城市智能电网中分布式电源、电动汽车以及储能对负荷密度增长情况的影响，提高了负荷空间分布预测的准确性，为智能电网的广义负荷预测提供有效数据。

在广义负荷预测方面，本发明不仅提出了分布式电源、电动汽车以及储能装置接入后广义负荷的总量预测方法，同时对分布式电源、电动汽车以及储能容量的发展规模也提出了相应的预测方法，形成了一个整体的广义负荷预测体系，使得智能电网环境下负荷预测工作更加全面，适合新型下电网规划工作的展开。

附图说明

图1为本发明提供的一种广义负荷空间预测方法流程示意图；

图2为本发明提供的一种广义负荷空间预测方法各步骤间的逻辑关系示意图；

图3为本发明提供的一种广义负荷空间预测方法中典型用地Logistic负荷密度曲线示意图；

图4为本发明提供的一种广义负荷空间预测方法中分布式发电容量预测的栈流图；

图5为本发明提供的一种广义负荷空间预测方法中电动汽车负荷需求预测的栈流图；

图6为本发明提供的一种广义负荷空间预测方法中储能设备容量预测的栈流图；

图7为本发明提供的一种广义负荷空间预测方法中各类型用地转换的栈流图；

图8为本发明提供的一种广义负荷空间预测方法中广义负荷预测的栈流图；

图9a为本发明提供的一个广义负荷空间预测方法实施例中城镇居民用地演化预测曲线示意图；

图9b为本发明提供的一个广义负荷空间预测方法实施例中行政用地演化预测曲线示意图；

图9c为本发明提供的一个广义负荷空间预测方法实施例中商业用地演化预测曲线示意图；

图9d为本发明提供的一个广义负荷空间预测方法实施例中工业用地演化预测曲线示意图；

图9e为本发明提供的一个广义负荷空间预测方法实施例中农村居民用地演化预测曲线示意图；

图10a为本发明提供的一个广义负荷空间预测方法实施例中工业用地最大负荷预测曲线示意图；

图10b为本发明提供的一个广义负荷空间预测方法实施例中商业用地最大负荷预测曲线示意图；

图10c为本发明提供的一个广义负荷空间预测方法实施例中行政用地最大负荷预测曲线示意图；

图10d为本发明提供的一个广义负荷空间预测方法实施例中城镇居民用地最大负荷预测曲线示意图；

图10e为本发明提供的一个广义负荷空间预测方法实施例中农村居民用地最大负荷预测曲线示意图；

图11为本发明提供的一个广义负荷空间预测方法实施例中预测区域年总用电量预测曲线示意图；

图12a为本发明提供的一个广义负荷空间预测方法实施例中提高广义负荷渗透率情形下工业用地最大负荷预测曲线示意图；

图12b为本发明提供的一个广义负荷空间预测方法实施例中提高广义负荷渗透率情形下行政用地最大负荷预测曲线示意图；

图12c为本发明提供的一个广义负荷空间预测方法实施例中提高广义负荷渗透率情形下商业用地最大负荷预测曲线示意图；

图12d为本发明提供的一个广义负荷空间预测方法实施例中提高广义负荷渗透率情形下农村居民用地最大负荷预测曲线示意图；

图12e为本发明提供的一个广义负荷空间预测方法实施例中提高广义负荷渗透率情形下城镇居民用地最大负荷预测曲线示意图；

图13为本发明提供的一个广义负荷空间预测方法实施例中预测区域提高广义负荷渗透率情形下总用电量预测曲线示意图；

图14为本发明提供的一种广义负荷空间预测系统基本结构示意图；

图15为本发明提供的一种广义负荷空间预测系统中分布式电源、电动汽车及储能容量预测模块、土地功能转换预测模块和广义负荷预测模块的逻辑关系示意图；

图16为本发明提供的一种广义负荷空间预测系统详细结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

实施例1：

本发明提供的一种广义负荷空间预测方法流程示意图如图1所示，包括：

步骤1：对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；

步骤2：基于分布式电源、电动汽车和储能装置历史数据进行预测，得到分布式电源、电动汽车和储能装置预测时间段内的数据；

步骤3：基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值；

其中，广义负荷包括电负荷度加上分布式电源、电动汽车和储能装置；土地类型包括农村居民用地、城镇居民用地、行政用地、工业用地和商业用地。

其中，步骤1和步骤2的顺序仅是一个例子，这两步可同时执行，也可先执行步骤2，再执行步骤1。

具体的，广义负荷空间预测方法各步骤间的逻辑关系如图2所示。其中，步骤101和步骤102的顺序仅是一个例子，这两步可同时执行，也可先执行步骤102，再执行步骤101。

步骤101：预测互动负荷数据。

互动负荷包括即预测分布式电源、电动汽车以及储能容量，预测互动负荷数据即预测分布式电源、电动汽车以及储能容量的发展规模。步骤101具体包括：

步骤101-1：采用系统动力学方法，建立分布式电源、电动汽车以及储能容量预测逻辑框架，并分别得到分布式电源、电动汽车以及储能容量的影响因素。

本实施例中，采用系统动力学软件Vensim，定性刻画出分布式电源、电动汽车以及储能设备容量预测的影响因素逻辑关系栈流图，作为进行预测的逻辑框架。其中，分布式发电容量预测的栈流图如图4所示，电动汽车负荷需求预测的栈流图如图5所示，储能设备容量预测的栈流图如图6所示，其中<time>所示向的因素表示该因素随时间变化而变化，其他存在重复的变量为影子变量，表示在各子部分存在相互调用的情况。

步骤101-2：根据步骤101-1建立的框架，确定各影响因素间与互动负荷的量化关系式，建立互动负荷预测模型。确定量化关系式采用的方法包括回归分析，Vensim软件中的数据调用的Lookup函数，调用已有的公式。

(1)以光伏分布式发电预测为例，用到的主要关系式如下所示：

ln(π_s)＝alin(Tech_s)+b (1)

ln(α_s)＝c ln(π_s)+dIn(B_s)+e (2)

Q(t)＝Q_w(t)+Q_s(t)+Q_o(t) (3)

Q_s(t)＝C_s(t)×h_s(t)×S(t)×η_s (4)

C_s(t)＝(1+α_s)×C_s(t-1) (5)

式中，π_s表示光伏发电设备单位造价；Tech_s表示光伏发电产业技术进步因子；α_s表示分布式光伏发电年装机容量变化率；B_s表示分布式光伏发电项目投资补贴；Q(t)表示分布式第t年总年发电量；Q_w(t)表示第t年分布式风电发电量；Q_s(t)表示第t年分布式光伏发电量；Q_o(t)表示第t年其他类分布式发电量；C_s(t)表示分布式光伏发电第t年装机容量；C_s(t-1)表示分布式光伏发电第t-1年装机容量；h_s(t)表示光伏发电设备第t年利用小时数；S(t)表示地区太阳能第t年辐照总量；η_s表示太阳能发电设备综合效率因子；系数a、b、c、d和e利用数据拟合得到。

(2)电动汽车负荷需求预测包括对电动公交车、电动出租车以及电动私家车负荷需求进行预测，用到的主要关系式如下所示：

Q_ev＝Q_{ev_taxi}+Q_{ev_bus}+Q_{ev_home} (9)

D_bus(t)＝Q_{ev_bus}(t-T_bus)×rate_bus(t-T_bus) (10-1)

D_taxi(t)＝Q_{ev_taxi}(t-T_taxi)×rate_taxi(t-T_taxi) (10-2)

D_home(t)＝Q_{ev_home}(t-T_home)×rate_home(t-T_home) (10-3)

Q_{ev_bus}(t+1)＝Q_{ev_bus}(t)×(1+rate_bus(t))-D_bus(t) (12-1)

Q_{ev_taxi}(t+1)＝Q_{ev_taxi}(t)×(1+rate_taxi(t))-D_taxi(t) (12-2)

Q_{ev_home}(t+1)＝Q_{ev_home}(t)×(1+rate_home(t))-D_home(t) (12-3)

L＝L_{ch_dis}×(L_{per_bus}+L_{per_taxi}+L_{per_home}) (13)

L_{per_bus}＝L_{per_bus0}(1+γ₁×Tech) (14-1)

L_{per_taxi}＝L_{per_taxi0}(1+γ₂×Tech) (14-2)

L_{per_home}＝L_{per_home0}(1+γ₃×Tech) (14-3)

式中，

和

分别表示电动公交车增长率影响因素、电动出租车增长率影响因素和电动私家车影响因素；α_bus、α_taxi和α_home分别表示电动公交车竞争力；S_bus表示电动公交车补贴；stat_ev表示电动汽车充换电设施数量；Tech表示电动汽车技术进步因子；E_cost表示电动汽车电池成本；E_life表示电动汽车电池循环寿命；E_density表示电动汽车电池能量密度；P_bus、P_taxi和P_home分别表示传统公交车、传统出租车和传统私家车平均价格；P_EVbus、P_EVtaxi和P_EVhome分别表示电动公交车、电动出租车和电动私家车平均价格；R_oil-ele表示油电价比；Q_ev、Q_ev-taxi、Q_ev-bus和Q_ev-home分别表示全部电动车保有量、电动出租车保有量、电动公交车保有量和电动私家车保有量，括号内的参数表示年份；D_bus(t)、D_taxi(t)和D_home(t)分别表示电动公交车、电动出租车和电动私家车第t年报废数量；T_bus、T_taxi和T_ome分别表示电动公交车、电动出租车和电动私家车的寿命；rate_bus、rate_taxi和rate_home分别表示电动公交车、电动出租车和电动私家车增长率；rate_{0_bus}、rate_taxi、rate_{0_taxi}和rate_{0_home}分别表示电动公交车、电动出租车和电动私家车自然增长率；L表示电动汽车年充电负荷；L_per-bus0、L_pei-taxi0和L_pei-home0分别表示单台电动公交车、电动出租车和电动私家车年基础用电量；L_per-bus、L_pei-taxi和L_pei-home分别表示考虑模型变化后的单台电动公交车、电动出租车和电动私家车年用电量；γ₁、γ₂和γ₃分别表示技术进步对电动公交车、电动出租车和电动私家车的影响因子；L_ch-dis表示电动汽车充放电水平；参数a₁、b₁、c₁、d₁、e₁、f₁、g₁、h₁、h₂、h₃、k₁、k₂、k₃、ε₁、

δ₁、δ₂和δ₃依据数据拟合得到。

(3)储能容量预测用到的主要关系式如下所示：

C_st＝(1-K₁)×K₂×(C_sj+C_sx+C_sf)×(1+β)^γ (15)

C_sj＝δ₄×C_jw+δ₅×C_js+δ₆×C_jo (16)

C_sx＝ε_stor×△L_max (17)

C_sf＝ω₁×C_w+ω₂×C_s+ω₃×C_o (18)

式中，C_st表示储能设备总需求容量；K₁表示各类资源市场需求交叉弹性系数；K₂表示储能激励系数；C_sj表示集中式新能源发电储能需求量；C_sx表示削峰填谷储能需求容量；C_sf表示分布式发电储能设备需求容量；β表示成本影响系数；γ表示储能技术进步因子；δ₄表示集中式风电装机储能配比系数；δ₅表示集中式光伏发电储能配比系数；δ₆表示其他类集中式新能源发电装机储能配比系数；C_jw表示集中式风电规划装机容量；C_js表示集中式光伏发电规划容量；C_jo表示其他类集中式新能源发电规划装机容量；ε_stor表示储能占调峰的比例系数；△L_max表示电网负荷最大峰谷差；ω₁表示分布式光伏发电储能容量配比；ω₂表示分布式风力发电储能容量配比；ω₃表示其他类分布式发电储能容量配比；C_w表示分布式风力发电装机容量；C_s表示分布式光伏发电装机容量；C_o表示其他类分布式风力发电装机容量；系数K₁、K₂、β、δ₄、δ₅和δ₆依据数据拟合得到。

步骤101-3：将互动负荷的影响因素的历史数据代入预先建立的互动负荷预测模型，得到互动负荷的预测结果。

步骤102：获取各类型土地预测时间段内的面积变化数据。步骤101具体包括：

步骤102-1：划分地区不同地类型。

不同用地负荷密度不一样，空间预测法是基于土地不同功能演化进行的，因此，在进行空间负荷预测时需要进行土地功能的划分。结合实际情况本申请将用地类型聚类成五大类：工业用地、城镇居民用地、农村居民用地、行政用地和商业用地。然而，医疗卫生用地、教育科研用地和行政用地的负荷特性相类似，所以可以归类成为行政用地；同理，文化娱乐用地跟商业用地的特点比较相似，所以把文化娱乐用地划分为商业用地。因仓储物流用地和绿化用地用电负荷相当小，在此不予考虑在内。

步骤102-2：基于地区各类用地面积历史数据绘制历年土地面积变化曲线，并根据土地面积变化曲线进一步制作各类型的土地的转化速率曲线。

基于系统动力学进行土地功能转换预测，最关键的是要确定各类土地功能转换的速率。而每一类土地理论上都能向其他几类土地转化，因此，各类土地功能转化速率构成了一个5×5的矩阵。本发明利用已有的土地功能的历史数据，计算某一时期各类型土地的使用面积从而得到转移速率。例如计算农村居民用地转移到工业用地的速率：依据历史数据计算出农村居民用地转移到工业用地面积数量，将转换面积数量除以农村居民用地在该时间段内的初始面积，得到农村居民用地转换为工业用地的转换速率。依此类推，从而得到初始状态转移概率矩阵。具体的用公式表示如下式所示：

式中，若以农村居民用地转换为工业用地为例，V₁₅(t)为t时间段内农村居民用地转化为工业用地速率；△S_a→i(t)为t时间段内农村居民用地转化为工业用地面积；

为t时间段内农村居民用地的初始面积。考虑到实际情况土地功能转化速率随着经济发展、政府规划将会发生变化，本发明在数据可获取的前提下分多个时间段对计算得到的转化速率进行数据拟合，预测未来时间段内的各类速率的变化趋势。

下表给出了对V和T各变量的定义。

表1V和T各变量的定义

步骤102-3：采用系统动力学方法，建立土地类型转化逻辑框架。

本发明中，采用利用系统动力学Vensim软件构建各类型用地转换的栈流图，作为土地类型转化逻辑框架。各类型用地转换的栈流图如图7所示。构建的栈流图模型中，虽然每一类土地与其他类土地都存在相互转换关系，每一种转化关系都对应一个转化速率，但具体的转化关系需要结合区域土地利用的实际情况来确定，若某两类土地间不存在转化关系，在模型中设定的转化速率为零。模型中两两间的转化关系一共有15条路径。

步骤102-4：建立各类型土地面积相互转换的关系式。

即根据步骤102-2制作的各类型的土地的转化速率曲线和步骤102-3建立的土地类型转化逻辑框架，通过数学方法实现不同类型的土地面积相互转换的定量映射关系即关系式。依据构建的土地转化逻辑框架，下面以工业用地转化为例，列出模型中涉及到工业用地转换的主要关系式。

T₁₃(t)＝S_b(t-1)×V₁₃ (21)

T₁₄(t)＝S_i(t-1)×V₁₄ (22)

进行土地功能转换的总体思路是：某一年其他类土地转入面积之和减去该类土地转化到其他类土地面积之和。式中，括号内的t和t-1表示年份，T₁₃、T₁₅、T₁₇和T₁₉分别表示商业用地转化为工业用地面积、农村居民用地转化为工业用地面积、行政用地转化为工业用地面积和城镇居民用地转化为工业用地面积；T₁₄、T₁₆、T₁₈和T₂₀分别表示工业用地转化为商业用地面积、工业用地转化为农村居民用地面积、工业用地转化为行政用地面积和工业用地转化为城镇居民用地面积；S_b表示商业用地面积；S_i表示工业用地面积；V₁₃表示商业用地转化为工业用地的速率；V₁₄表示工业用地转化为商业用地速率。

步骤102-5：分别将各类型土地面积的历史数据代入预先建立的各类型土地面积相互转换的关系式，得到各类型土地预测时间段内的面积变化数据。

步骤103：将各类型土地预测时间段内面积变化数据和互动负荷数据输入广义负荷空间预测模型，得到各类型土地广义负荷预测结果。步骤103包括：

步骤103-1：采用系统动力学方法建立广义负荷预测逻辑框架即栈流图。即利用Vensim软件，定性刻画出广义负荷预测结构的逻辑关系，作为进行预测的逻辑框架，构建的预测模型框架如附图8所示。

从图8中可以看出构建的广义负荷预测模型不仅考虑了土地功能转换对各类地区的负荷指标的影响，同时也考虑了未来大范围出现的广义负荷对各类地区的负荷密度的影响。模型中标注的<time>表示该变量随时间变化而变化，变化单位为年。斜体字体的变量则为输出变量。广义负荷预测模型中以各类土地功能转换数据来源于土地功能演化预测得到的数据。

步骤103-2：基于各类型土地的负荷历史数据，建立不同类型土地的负荷密度曲线。

根据能够查找到的某区域历史数据特点，制作不同使用功能的土地的负荷密度曲线，基于历史数据做出的负荷密度曲线如图3所示，其变化曲线符合Logistic曲线的变化规律。

步骤103-3：根据基于历史数据并考虑未来城市智能电网的负荷特点，制作不同类型土地的广义负荷密度曲线。

步骤103-3中，需要先根据预测的各类型土地预测时间段内的面积变化数据和互动负荷的发展规模，得到广义负荷密度调整因子，采用广义负荷密度调整因子修正步骤103-2中负荷密度曲线数据，得到广义负荷密度曲线。广义负荷密度调整因子P计算式如下：

其中，X代表时间，Y代表土地类型，k代表第k个土地类型，t代表第t个时间，参数β_k的确定方法使用最大似然估计法。在上一步得到负荷密度曲线的基础上，考虑到分布式电源、电动汽车以及储能装置对负荷密度的影响，各类型土地预测时间段内的面积变化数据和互动负荷的发展规模，对Logistic曲线模型中估计得到的参数进行适当修正，得到广义负荷密度参数，画出广义负荷密度曲线如图3所示。

步骤103-4：根据预测时间段内广义负荷密度变化曲线和步骤103-1建立的广义负荷预测逻辑框架，建立预测模型的量化关系式。

量化关系式中，所用到的关键关系式如下：

L_i(t)＝D_i(t)×S_i(t) (24)

式中，L_i(t)表示第t年工业用地最大负荷；L′_i(t)为经过调整后的工业用地最大负荷值；D_i(t)表示第t年工业用地广义负荷密度；S_i(t)表示第t年工业用地面积；Q_T表示预测地区总用电量；j是预测地区工业用地数目标号，m是工业用地总数目；Q_j是预测地区第j个工业用地用电量；θ_i(t)表示工业用地第t年负荷密度增长速率；Ф_i(t)表示工业用地第t年广义负荷出现负荷密度调整因子。

步骤103-5：将各类型土地预测时间段内的面积变化数据和互动负荷数据，以及广义负荷空间预测模型中的其它所需参数输入广义负荷空间预测模型，对该地区进行的各类用地广义负荷预测，得到各类用地广义负荷，进一步可以得到预测地区各类土地历年最大负荷与地区用电总量。

步骤103-6：对负荷空间分布预测结果进行校核。

将第五步中的各类用地最大负荷值以及地区用电总量预测结果与已收集到的数据带入公式(27)和公式(28)中进行比较，若ΔP_n<ζ(n＝1,2)(一般取10％)则输出预测数据结果。ζ即为预设的偏差范围。

式中，P_total,TY为各类用地最大负荷预测结果，P_tro,TY为各类用地实际的最大负荷，△P₁为各类用地最大负荷偏差,P_total,TE为地区用电总量预测结果，P_tro,TE为地区实际用电量，△P₂为地区用电总量偏差。

若ΔP₁>ζ或ΔP₂>ζ(一般取10％)则修改相应参数(包括：广义负荷密度调整参数：土地类型转换速率系数)重新进行上述步骤直至满足要求。可选择的修改措施有以下3种，根据具体情况进行选择。

1)对步骤103-3中的各类土地广义负荷调整因子的参数β_k进行修正；

2)对步骤103-5中的各类用地最大负荷预测结果按一定比例进行调整，例如增大5％或降低5％；

3)对步骤103-5中的总用电量预测结果进行调整。

实施例2：

本实施例利用系统动力学软件Vensim，根据各因素间的量化关系收集相关数据对土地功能的转化演变过程进行实证分析，来验证土地功能转化方法的适用性，为广义负荷的预测提供技术支持。

参考某地土地资源利用情况，对土地使用功能进行划分，得到的土地划分类型及原始土地面积参数如下表2所示：

表2土地转换功能案例分析初始数据

查阅相关数据，根据历史数据确定各类土地间的相互转化速率，得到各类土地间在规定时间段内的转化速率如下表3所示。

表3各类土地功能转换速率表

注：表中第A_ij个元素表明第i类土地向第j类土地的转化速率

带入上述数据利用系统动力学软件进行模拟仿真，可以得到未来若干年份内，各类土地的面积变化趋势如图9a-图9e：

依据设定的数据来看，各类土地功能转换的趋势随着经济发展都趋向稳定化的方向发展。但是不同类型土地的转化方向不一样，城镇居民用地、商业用地以及行政用地在增长到一定程度后稳定在某一水平，其他几类用地面积均下降后稳定在某一水平。

广义负荷预测的各类土地负荷密度变化情况可以依据历史数据通过多元回归或者进行数据拟合得到，而广义负荷出现的广义负荷密度调整因子则依据各类型土地预测时间段内的面积变化数据和互动负荷的发展规模换算得到。计算过程中，各参数设定情况如下表4所示：

表4广义负荷预测模型参数设定

根据上述参数设定，将其导入到Vensim系统动力学软件中，对未来广义负荷的变化情况进行预测并计算各类型土地历年最大负荷变化情况如图10a-图10e所示.

上述模拟结果根据用地性质进行负荷预测，若考虑地区用电综合同时率则可以得到地区年总用电最大负荷值。同时，查阅相关文献，得到各类用地最大负荷利用小时数分别导入到模型当中，可以得到预测区域年总用电量变化情况，测算的结果如图11所示。

从上述模拟结果来看，各类用地负荷未来一段时间内将均呈现出上涨趋势，尤其是商业用地最大负荷增长速度最快；结合前一节土地功能转换情况，工业用地虽然用地面积呈现逐年下降的趋势，但是随着工业用地容积率的提高，负荷密度增长较快使得工业总体负荷也呈现出上涨的态势；当广义负荷接入电网比例较低时，电网负荷增长趋势受到的影响并不是很明显；若未来广义负荷渗透率提高，则电网负荷增长趋势将会面临改变。提高广义负荷渗透率情形下，模拟结果如图12a-图12e所示。

模拟得到区域用电总量变化趋势如图13所示。

从上述模拟结果可以看出，随着广义负荷在渗透率的不断提高，各类用地的最大负荷增长情况有所不一样。工业用地最大负荷、以及行政用地最大负荷在广义负荷接入率较高的情形下，后期最大负荷增长速率明显放缓，在达到一定程度后最大负荷值会有所下降，最大用电负荷值的变化会有一个临界值；商业用地最大负荷、城镇居民用地负荷随着经济发展负荷密度以及土地面积的增加会依旧呈现不断增长的趋势，但增长速率较不考虑广义负荷接入或广义负荷渗透率较低情境下明显放缓；而农村居民用地最大负荷呈现先降低后增加的趋势，这是由于农村发展初期土地面积不断减少，而负荷密度增长趋势不明显以及广义负荷接入导致最大用电负荷降低，后期随着农村用地负荷密度的增加，最大负荷逐渐升高，当负荷密度达到饱和时，最大负荷由于广义负荷的接入又呈现回落的态势；总体用电量在数量和增长速率上较不考虑广义负荷接入或广义负荷渗透率较低情境变化不大，可见广义负荷高渗透接入后主要影响的是最大用电负荷，对总用电量的影响不大。

实施例3：

基于同一发明构思，本发明还提供了一种广义负荷空间预测系统，由于这些设备解决技术问题的原理与广义负荷空间预测方法相似，重复之处不再赘述。

该系统基本结构如图14所示，包括：分布式电源、电动汽车及储能容量预测模块、土地功能转换预测模块和广义负荷预测模块；

其中，分布式电源、电动汽车及储能容量预测模块，用于对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；

土地功能转换预测模块，用于基于分布式电源、电动汽车和储能装置历史数据进行预测，得到分布式电源、电动汽车和储能装置预测时间段内的数据；

广义负荷预测模块，用于基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值；

其中，广义负荷包括电负荷度加上分布式电源、电动汽车和储能装置；土地类型包括农村居民用地、城镇居民用地、行政用地、工业用地和商业用地。

分布式电源、电动汽车及储能容量预测模块、土地功能转换预测模块和广义负荷预测模块的逻辑关系如图15所示。

广义负荷空间预测系统的详细结构如图16所示。该系统还包括：用于建立广义负荷空间预测模型的第一建模模块，第一建模模块包括：

第一栈流图单元，用于采用系统动力学方法建立广义负荷预测的栈流图；

广义负荷密度变化曲线单元，用于基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线；

第一对应关系单元，用于根据栈流图和预测时间段内广义负荷密度变化曲线，分别建立各类型土地的负荷历史数据、各类型土地预测时间段内的面积变化数据、预测时间段内的分布式电源、电动汽车与储能装置的数据与广义负荷空间预测值的对应关系。

其中，广义负荷密度变化曲线单元包括：负荷密度曲线子单元、调整因子子单元和广义负荷密度变化曲线子单元；

负荷密度曲线子单元，用于基于各类型土地的负荷历史数据，分别建立不同类型土地的负荷密度曲线；

调整因子子单元，用于获取预测的各类型土地预测时间段内的面积变化数据、分布式电源、电动汽车和储能装置的数据，得到广义负荷密度调整因子；

广义负荷密度变化曲线子单元，用于基于广义负荷密度调整因子分别对各类型土地的负荷密度进行修正，得到各类型土地的预测时间段内广义负荷密度变化曲线。

其中，第一建模模块还包括校正单元，校正单元包括：

预测结果统计子单元，用于根据各类型土地广义负荷预测值，得到全部类型土地的预测时间段内每年总用电量和各类型土地最大负荷的预测值；

比较子单元，用于采集预测时间段内全部类型土地的每年总用电量和各类型土地最大负荷的实测值，并与预测值进行比较，当预测值和实测值的偏差超过预设的范围时，修订广义负荷空间预测模型并预测各类型土地广义负荷，直到偏差在允许的范围内。

其中，土地功能转换预测模块包括：土地历史数据单元和土地预测单元；

土地历史数据单元，用于获取各类型土地面积的历史数据；

土地预测单元，用于分别将各类型土地面积的历史数据和预测时间代入预先建立的各类型土地面积相互转换预测模型，得到各类型土地预测时间段内的面积变化数据。

其中，土地功能转换预测模块还包括用于建立各类型土地面积相互转换预测模型的第二建模单元，第二建模单元包括转换速率曲线子单元、第二栈流图子单元和第二对应关系子单元；

转换速率曲线子单元，用于基于各类型土地面积历史数据制作各类型的土地的转化速率曲线；

第二栈流图子单元，用于采用系统动力学方法，建立土地类型转化的栈流图；

第二对应关系子单元，用于根据各类型的土地的转化速率曲线和土地类型转化栈流图，建立各类型土地面积数据随时间演化的关系。

其中，分布式电源、电动汽车及储能容量预测模块包括：互动负荷历史数据单元和互动负荷预测单元；

互动负荷历史数据单元，用于获取分布式电源、电动汽车和储能装置的历史数据；

互动负荷预测单元，用于将分布式电源、电动汽车、储能装置的历史数据和预测时间代入预先建立的互动负荷预测模型，得到分布式电源、电动汽车和储能装置的预测结果。

其中，分布式电源、电动汽车及储能容量预测模块还包括用于建立互动负荷预测模型的第三建模单元，第三建模单元包括：第三栈流图子单元和第三对应关系子单元；

第三栈流图子单元，用于采用系统动力学方法，建立分布式电源、电动汽车和储能装置预测的栈流图；

第三对应关系子单元，用于根据栈流图，建立分布式电源、电动汽车和储能装置数据随时间演化的关系。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (9)

1.一种广义负荷空间预测方法，其特征在于，包括：

对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；

基于分布式电源、电动汽车和储能装置历史数据进行预测，得到所述分布式电源、电动汽车和储能装置预测时间段内的数据；

基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值；

其中，所述广义负荷包括电负荷度加上所述分布式电源、电动汽车和储能装置；所述土地类型包括农村居民用地、城镇居民用地、行政用地、工业用地和商业用地；

所述广义负荷空间预测模型的建立，包括：

采用系统动力学方法建立广义负荷预测的栈流图；

基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线；

根据所述栈流图和所述预测时间段内广义负荷密度变化曲线，分别建立各类型土地的负荷历史数据、各类型土地预测时间段内的面积变化数据、预测时间段内的分布式电源、电动汽车与储能装置的数据与广义负荷空间预测值的对应关系。

2.如权利要求1所述的方法，其特征在于，所述基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线，包括：

基于各类型土地的负荷历史数据，分别建立不同类型土地的负荷密度曲线；

获取预测的各类型土地预测时间段内的面积变化数据、分布式电源、电动汽车和储能装置的数据，得到广义负荷密度调整因子；

基于所述广义负荷密度调整因子分别对各类型土地的负荷密度进行修正，得到各类型土地的预测时间段内广义负荷密度变化曲线。

3.如权利要求1所述的方法，其特征在于，所述广义负荷空间预测模型的建立，还包括：

根据各类型土地广义负荷预测值，得到全部类型土地的预测时间段内每年总用电量和各类型土地最大负荷的预测值；

采集预测时间段内全部类型土地的每年总用电量和各类型土地最大负荷的实测值，并与所述预测值进行比较，当所述预测值和实测值的偏差超过预设的范围时，修订所述广义负荷空间预测模型并预测各类型土地广义负荷，直到所述偏差在允许的范围内。

4.如权利要求1所述的方法，其特征在于，所述对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据，包括：

获取各类型土地面积的历史数据；

分别将所述各类型土地面积的历史数据和预测时间代入预先建立的各类型土地面积相互转换预测模型，得到各类型土地预测时间段内的面积变化数据。

5.如权利要求4所述的方法，其特征在于，所述各类型土地面积相互转换预测模型的建立，包括：

基于各类型土地面积历史数据制作各类型的土地的转化速率曲线；

采用系统动力学方法，建立土地类型转化的栈流图；

根据所述各类型的土地的转化速率曲线和土地类型转化栈流图，建立各类型土地面积数据随时间演化的关系。

6.如权利要求1所述的方法，其特征在于，所述基于分布式电源、电动汽车和储能装置历史数据进行预测，得到所述分布式电源、电动汽车和储能装置预测时间段内的数据，包括：

获取分布式电源、电动汽车和储能装置的历史数据；

将所述分布式电源、电动汽车、储能装置的历史数据和预测时间代入预先建立的互动负荷预测模型，得到分布式电源、电动汽车和储能装置的预测结果。

7.如权利要求6所述的方法，其特征在于，所述互动负荷预测模型的建立，包括：

采用系统动力学方法，建立分布式电源、电动汽车和储能装置预测的栈流图；

根据所述栈流图，建立分布式电源、电动汽车和储能装置数据随时间演化的关系。

8.一种广义负荷空间预测系统，其特征在于，包括：分布式电源、电动汽车及储能容量预测模块、土地功能转换预测模块和广义负荷预测模块；

所述分布式电源、电动汽车及储能容量预测模块，用于对土地类型转化的历史数据进行分析，得到各类型土地预测时间段内的面积变化数据；

所述土地功能转换预测模块，用于基于分布式电源、电动汽车和储能装置历史数据进行预测，得到所述分布式电源、电动汽车和储能装置预测时间段内的数据；

所述广义负荷预测模块，用于基于预测时间段内的各类型土地面积变化数据和分布式电源、电动汽车和储能装置的数据，采用预先建立的广义负荷空间预测模型进行预测，得到各类型土地的广义负荷预测值；

其中，所述广义负荷包括电负荷度加上所述分布式电源、电动汽车和储能装置；所述土地类型包括农村居民用地、城镇居民用地、行政用地、工业用地和商业用地；

还包括用于建立广义负荷空间预测模型的第一建模模块，所述第一建模模块包括：

第一栈流图单元，用于采用系统动力学方法建立广义负荷预测的栈流图；

广义负荷密度变化曲线单元，用于基于各类型土地的负荷历史数据、预测时间段内各类型土地的面积变化数据、分布式电源、电动汽车和储能装置的数据，建立各类型土地的预测时间段内广义负荷密度变化曲线；

第一对应关系单元，用于根据所述栈流图和所述预测时间段内广义负荷密度变化曲线，分别建立各类型土地的负荷历史数据、各类型土地预测时间段内的面积变化数据、预测时间段内的分布式电源、电动汽车与储能装置的数据与广义负荷空间预测值的对应关系。

9.如权利要求8所述的系统，其特征在于，所述第一建模模块还包括校正单元，所述校正单元包括：

预测结果统计子单元，用于根据各类型土地广义负荷预测值，得到全部类型土地的预测时间段内每年总用电量和各类型土地最大负荷的预测值；

比较子单元，用于采集预测时间段内全部类型土地的每年总用电量和各类型土地最大负荷的实测值，并与所述预测值进行比较，当所述预测值和实测值的偏差超过预设的范围时，修订所述广义负荷空间预测模型并预测各类型土地广义负荷，直到所述偏差在允许的范围内。

Images