CN111832899A - 城市负荷预测方法及系统 - Google Patents
城市负荷预测方法及系统 Download PDFInfo
- Publication number
- CN111832899A CN111832899A CN202010529724.0A CN202010529724A CN111832899A CN 111832899 A CN111832899 A CN 111832899A CN 202010529724 A CN202010529724 A CN 202010529724A CN 111832899 A CN111832899 A CN 111832899A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- land
- area
- curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 14
- 238000011161 development Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了城市负荷预测方法及系统。城市负荷预测方法通过获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑,采集每种类别的典型建筑第一预设时间内的负荷数据和建筑面积数据,根据负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标,结合每种类别的推荐用地负荷曲线、推荐用地负荷密度指标和建筑面积数据进行负荷预测,得到待预测区域的区域最高负荷和区域负荷曲线。解决现有规划设计技术中,由于负荷指标的选择过于宽泛、同时率的选择计算较为繁琐和主观,导致广泛存在的负荷预测工作中规模失准和效率低下的问题,能够基于大样本数据计算,减少主观推断并提高预测准确性。
Description
技术领域
本发明涉及电力规划领域,尤其是涉及一种城市负荷预测方法及系统。
背景技术
电力负荷又称用电负荷,电力负荷是电能用户的用电设备在某一时刻向电力系统取用的电功率的总和,电力负荷预测是编制城市电网规划的基础。城市规划领域进行电力负荷预测的目的是为了预知城市在某一个时间跨度中(往往在5年以上)可能出现的电力负荷的最高值,该最高值将作为城市规划者计算城市所需建设的电力设施的数量的重要基础,精准的城市电力负荷预测可以有效地防止出现城市电力设施出现过度冗余或设施不足的情况。电力负荷预测的基本思想是:根据历史数据,建立不同的数学模型,在历史规律的基础上预测未来的数据变化趋势。
现在常用的是传统负荷预测方法、负荷密度指标法、基于智能算法的预测方法和发展曲线法。但是均存在一些缺点,例如1)传统负荷预测方法只预测未来负荷的大小,并不给出其较为精细的位置分布;2)负荷密度指标法是依据城市的用地类型及开发规模,考虑合理的负荷预测指标后得出负荷预测结果,规划给定负荷预测指标的范围较大,规划技术人员通常结合自己的经验选取负荷预测指标,造成负荷预测结果的差别较大,从而影响土地规划利用的效率;3)基于智能算法力求减少负荷密度指标的误差普遍存在对样本依赖性较强的问题,且过于强调属性的影响,横向比较居多,而对历史负荷数据本身的规律性挖掘不够;4)发展曲线法每个按功能小区生成的元胞的面积和规模并不一样,其负荷增长趋势也存在差异,甚至差异较大,所以同类元胞使用统一的分类负荷发展曲线并不妥。另外,同类负荷内部同时率并不容易确定。
因此需要提出一种基于大样本数据能够减少主观推断并提高预测准确性的城市负荷预测方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种城市负荷预测方法及系统,用于解决现有规划设计技术中,由于负荷指标的选择过于宽泛、同时率的选择计算较为繁琐和主观,导致广泛存在的负荷预测工作中规模失准和效率低下的问题,能够基于大样本数据计算,减少主观推断并提高预测准确性。
第一方面,本发明的一个实施例提供了A:一种城市负荷预测方法,包括:
获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑;
采集每种类别的所述典型建筑第一预设时间内的负荷数据和建筑面积数据;
根据所述负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标;
结合每种类别的所述推荐用地负荷曲线、所述推荐用地负荷密度指标和所述建筑面积数据进行负荷预测,得到所述待预测区域的区域最高负荷和区域负荷曲线。
本发明实施例的A至少具有如下有益效果:无需计算同时率,并基于大量样本数据获得推荐用地负荷密度指标,有效减少预测过程中的主观推断、提高预测的准确性。
根据本发明的另一些实施例的A:
进一步地,所述预设选取原则包括:全面性、典型性和可测性。
进一步地,计算所述推荐用地负荷曲线的过程包括:
采集同一类别中每个典型建筑第二预设时间内多个负荷点的日负荷数据,并根据所述日负荷数据得到每个所述典型建筑的日负荷曲线;
累加所述日负荷曲线,得到所述类别的典型日负荷曲线;
提取第三预设时间的所述典型日负荷曲线进行加权平均,得到所述类别的所述推荐用地负荷曲线。
进一步地,计算所述推荐用地负荷密度指标的过程包括:
根据所述负荷数据计算每年最高负荷,并分析多个所述最高负荷得到最高负荷增长趋势以及最高负荷的取值范围,根据所述最高负荷增长趋势和所述取值范围得到所述推荐用地负荷密度指标。
进一步地,所述负荷预测的过程包括:
将每种类别的所述推荐用地负荷曲线、所述建筑面积数据和地块弹性系数相乘得到所述类别的分类负荷曲线;
将所述待预测区域中所有类别的所述分类负荷曲线相加得到所述区域负荷曲线;
选取所述待预测区域中所有类别的最高负荷作为所述区域最高负荷。
进一步地,还包括对所述负荷数据进行预处理,所述预处理包括:数据去噪和数据补全。
进一步地,采用中值滤波对所述负荷数据进行数据去噪。
第二方面,本发明的一个实施例提供了B:一种城市负荷预测系统,包括:
选取模块:用于获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑;
采集模块:用于采集每种类别的所述典型建筑第一预设时间内的负荷数据和建筑面积数据;
第一计算模块:用于根据所述负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标;
负荷预测模块:用于结合每种类别的所述推荐用地负荷曲线、所述推荐用地负荷密度指标和所述建筑面积数据进行负荷预测,得到所述待预测区域的区域最高负荷和区域负荷曲线。
第三方面,本发明提供一种城市负荷预测设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如第一方面任一项所述的方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明的有益效果是:
本发明通过根据预设选取原则选取待预测区域一种或一种以上类别的典型建筑,采集每种类别的典型建筑第一预设时间内的负荷数据和建筑面积数据,然后根据负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标,结合每种类别的推荐用地负荷曲线、推荐用地负荷密度指标和建筑面积数据进行负荷预测,得到待预测区域的区域最高负荷和区域负荷曲线。无需计算同时率,并基于大量样本数据获得推荐用地负荷密度指标,有效减少预测过程中的主观推断、提高预测的准确性。以及通过对城市规划中细化的用地分类、建筑类别进行实际取样,客观得出其负荷密度指标及负荷曲线,为规划技术人员提供各种门类更为准确的负荷预测结果,从而使得远期的负荷预测结果更为准确合理,依据更为准确的负荷预测结果合理布局变电站及高压电力通道,提高土地规划利用的效率。
可广泛应用于电力规划领域。
附图说明
图1是本发明实施例中城市负荷预测方法的一具体实施例实现流程图;
图2是本发明实施例中城市负荷预测方法的一具体实施例流程示意图;
图3是本发明实施例中城市负荷预测系统的一具体实施例结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一:
本发明实施例一提供一种城市负荷预测方法,可用于规划城市中电力、水力等负荷情况,本实施例以电力负荷为例进行说明。
图1为本发明实施例提供的一种城市负荷预测方法的实现流程图,如图1所示,该方法包括以下步骤:
S1:获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑;
本实施例中预设选取原则包括全面性、典型性和可测性,利用三个选取原则对城市各类用地内所有建筑进行筛选,根据考核得分来确定典型建筑。
通过选取典型建筑对地区负荷特性的深入分析,摸清地区典型建筑的负荷密度水平以及电力负荷特性状况,把握电力负荷特性变化的规律和发展趋势,从而实现:更为准确的负荷预测并根据预测结果进一步实施有效的电力负荷调控手段、合理的开展电力设施的布局及科学的电网运营维护、提高供电设施利用率的目标。
S2:采集每种类别的典型建筑第一预设时间内的负荷数据和建筑面积数据,本实施例中,例如选取每个种类的多个典型建筑10年的负荷数据,即第一预设时间设置为10年,但是不代表第一预设时间限定为10年,可以根据实际预测需求进行选择。
S3:根据负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标。
S4:结合每种类别的推荐用地负荷曲线、推荐用地负荷密度指标和建筑面积数据进行负荷预测,得到待预测区域的区域最高负荷和区域负荷曲线。
下面详细描述本实施例的实现过程。
步骤S1中,全面性是指所选建筑要覆盖城市的各类用地,深度要达到城市用地分类的中类;典型性是指建筑量上规模、使用率比较高以及区域建成度高;可测性是指建筑需安装可获取负荷数据的设备。例如进一步地,可以根据现有资料和可测性优先,全面性和典型性次之的原则,对根据指标权重选出建筑进行初步考核筛选,选取典型建筑。
例如以深圳为例介绍典型建筑的选取方法。
根据《深圳市城市规划标准与准则》(2013年版),城市用地分类采用大类、中类和小类三个层次的分类体系,共分为11大类、53中类、80小类。11大类包括了居住用地(R)、商业服务业设施用地(C)、政府社团用地(GIC)、工业用地(M)、仓储用地(W)、对外交通用地(T)、道路广场用地(S)、市政公用设施用地(U)、绿地(G)、特殊用地(D)、水域和其它非城市建设用地(E)。
根据深圳市现状建设用地的调查,全市占建设用地较大比例,对负荷影响较深的用地主要包括:居住用地(R)、商业服务业设施用地(C)、政府社团用地(GIC)、工业用地(M)等四类,其它类别的建设用地的负荷密度指标比上述四类用地小很多(差一个数量级),所以典型建筑在上述四类用地中选取。
典型建筑的选取原则是依据评价指标对选取范围内所有建筑进行考核,根据建筑的考核得分来确定典型建筑。评价指标应具备全面性、典型性和可测性等特点。进一步地,三个评价指标中以可测性对获得数据影响最大。选取建筑时,首先考虑全面性和典型性,再用可测性对项目的选择进行调整。
全面性:分为四个分指标:范围、深度、级别和区域。1)范围:指建筑需覆盖《深圳市城市规划标准与准则》所确定的4大类用地,包括居住用地(R)、商业服务业设施用地(C)、政府社团用地(GIC)、工业用地(M)。2)深度:指建筑需覆盖至四大类用地的中类。3)级别:指原则上每类各取3个,共约60个调查点,每种类型的3个调查点原则上在不同建筑级别中选点。例如医院分别选市级、区级和小区级。4)区域:指每种类型的3个调查点原则上在不同区域选点。例如二类居住用地分别在同一城市的不同区域选点。
典型性:按照满足分指标数量,从多到少分为优、良、中、差四个等级。典型性分为四个分指标:1)建筑量上规模;2)性质比较单一;3)使用率比较高;4)区域建成度高。
可测性:按照满足分指标类别,分为优、良、中、差四个等级。
上述根据预设选取原则选取不同类别的大量典型建筑后需要进行负荷数据采集,在一些实施场景中,步骤S2中,采集每种类别的典型建筑第一预设时间内的负荷数据和建筑面积数据,采集方法包括:1)中小用户负荷测量设备:中小用户负荷测量设备安装在变电站的低压出线端,读取低压线路的总负荷,用于对分散用户(同一10kV电源)总用电量的校核。2)大用户负荷测量设备:大用户负荷测量设备安装时,同时安装一台较智能的电表,该设备历史的数据主管部门都有较详细的存档。3)10kV线路专有采集:220kV和110kV变电站的所有10kV线路的的负荷数据是通过专用系统采集。4)现场记录:在用户10kV变电所驻点或安装设备,记录每台变压器的有功功率表读数,每30分钟记录1次,记录10天左右。
由以上四种途径的优缺点可知,获取典型建筑负荷数据最优途径为通过大用户负荷测量设备获得,其次为通过中小用户负荷测量设备获得,部分采用10kV专线获得,而现场记录方法获取数据困难较大,因此,按大用户负荷测量设备、中小用户负荷测量设备、10kV专线、现场记录数据获取数据的方式,把建筑物分为优、良、中、差四个等级。
进一步地,由于受气候突变、高峰时段拉闸限电、社会上的突发事件等异常因数的影响,产生了异常数据,给负荷曲线带来不确定性的随机波动,这些异常数据会在一定程度上对负荷预测产生干扰,从而降低了负荷预测的精度,因此在建模前必须尽可能消除异常数据带来的不良影响。
因此步骤S2还包括对采集到的负荷数据进行预处理,预处理包括:数据去噪和数据补全,主要是为了检查数据的完整性和一致性,对其中的噪声数据进行处理;对不完整的数据,利用统计方法进行填补,即数据补全。
负荷数据由负荷控制仪进行收集,可将该仪器类每隔固定时间启动记录功能,对该时刻的用电负荷进行记录,(若该仪器每隔一分钟进行一次记录,则一小时记录60个负荷数据),因此通过负荷控制仪采集到的数据可以表达为一个离散函数,异常值又可被称为噪点。
数据去噪使用中值滤波器对采集的离散函数据进行处理。中值滤波器是一种非线性平滑技术,是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字序列中一点的值用该点的一个邻域中各点值的中值代替,从而消除孤立的噪声点。
采集到的能用于进行预测的负荷数据和建筑面积数据后进行负荷预测,步骤S3中,根据负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标。
还包括:初步选定典型建筑后,进行实地调研,以确认测量设备的安装情况以及各建筑的用地属性。根据调研情况,需对初选的建筑进行调整,然后再现场调研,以便选择最合适的典型建筑。
计算推荐用地负荷曲线的过程包括:
S311:采集同一类别中每个典型建筑第二预设时间内多个负荷点的日负荷数据,并根据日负荷数据得到每个典型建筑的日负荷曲线。
例如设定每个典型建筑负荷为每隔半个小时(即第二预设时间)有一个记录数据,则每天采集到的48个负荷点数据。
S312:累加日负荷曲线,得到类别的典型日负荷曲线。
如上述,将属于同一类别用地的多个典型建筑对应的负荷点数据相加,然后将相加后所得的48个负荷点同时除以最高负荷点,将相除后的这些负荷点用直角坐标描述出来,并用曲线连接起来就得到这类用地的典型日负荷曲线。
S313:提取第三预设时间的典型日负荷曲线进行加权平均,得到类别的推荐用地负荷曲线。
如上述,提取前10年30天(即第三预设时间)最高负荷日的典型日负荷曲线,进行加权平均,得出该类别的推荐用地负荷曲线。
进一步地,计算推荐用地负荷密度指标的过程包括:
根据负荷数据计算每个典型建筑的每年最高负荷,并分析多个最高负荷得到最高负荷增长趋势以及最高负荷的取值范围。
例如收集各个典型建筑近10年的负荷数据,通过SQL SERVER数据处理,提取每年最高负荷,分析最高负荷增长趋势以及各类用地最高负荷的取值范围,根据最高负荷增长趋势得到平均最高负荷,除以对应典型建筑的建筑面积,即得到推荐用地负荷密度指标。
通过对各类用地典型建筑负荷数据的分析,得出较精确的推荐用地负荷密度指标和推荐用地负荷曲线,避免了主观选取同时率造成的人为误差,使负荷预测结果进一步优化。
步骤S4中,根据上述步骤S3得到的每种类别推荐用地负荷曲线、推荐用地负荷密度指标和上述步骤S1中采集的建筑面积数据进行负荷预测,得到待预测区域的区域最高负荷和区域负荷曲线。
具体预测过程表示为:
将每种类别的推荐用地负荷曲线、建筑面积数据和地块弹性系数相乘得到类别的分类负荷曲线,然后将待预测区域中所有类别的分类负荷曲线相加得到区域负荷曲线,同时选取待预测区域中所有类别的最高负荷作为区域最高负荷,表示为:
上式中,F(t)表示区域负荷曲线,m表示用地类别数量,fi(t)表示不同类别用地的推荐用地负荷曲线,ai表示不同类别用地的推荐用地负荷密度指标(即单位建筑面积负荷密度指标),bi表示建筑面积数据,δi表示特定i类用地的用地弹性系数。
区域最高负荷即综合片区的最高负荷,指区域负荷曲线的最大值,表示为Pmax,有Pmax=F(t)max。
其中,用地弹性系数是“弹性规划理念”落实到街区建设导控方式层面的创新行指标。以往“弹性规划理念”的落实方式往往是对规划进行滚动修编,以适应城市的快速发展,避免出现“用20年前的规划指导快速发展的城市,规划难以真正指导城市发展”的困难。
现行的较为先锋的规划,例如《前海深港现代服务业合作区二、九开发单元规划》,则将“弹性规划理念”引入到街区、地块的导控方式上,将土地的导控内容分为“刚性控制内容”及“弹性控制内容”,“刚性控制内容”意味不可改变的部分,“弹性控制内容”则为后续设计留有充足的空间。
由于空间负荷预测的基础是土地的用地性质及相应性质的建设规模,因此,对于部分先锋的规划,需要引入弹性用地系数,才能正确地预测地块上的负荷。在应用层面,往往按照最不利的情况进行应用,也即弹性指标导致的特定功能的建筑面积增加全部加到推荐建筑面积负荷密度指标最大的一类用地性质上,而弹性指标导致的特定功能的建筑面积减少全部从推荐建筑面积负荷密度指标最小的一类用地性质上扣除,以上仅指弹性用地部分,对于公共配套设施等刚性部分的推荐用地负荷密度指标不计入排序。
例如,个别街坊(一个街坊包含多个地块多种用地性质)内,部分用地性质的建筑功能可以转移,也即,若一个街坊(规划范围,包括多个地块,多种用地性质)的用地弹性系数的上限(δ)为20%(允许街坊内地块间不超过20%的建筑量转移),一个街坊内原有商业建筑面积比例为10%、酒店为8%、配套为2%、公寓为12%、居住为68%;后续设计中,街坊的比例可以变为:商业建筑面积比例为12%、酒店为4%、配套为4%、公寓为20%、居住为60%。最不利的情况下,街坊的比例变为:商业建筑面积比例为30%(+20%)、酒店为8%、配套为2%、公寓为12%、居住为48%(-20%)。
进一步地,δ为规划范围内允许的弹性用地指标上限,某一类性质用地的用地弹性系数为δi,不同的i表示不同的用地类别。
在非弹性指标规划中,δ=0,δi=1。
在弹性规划中:
当ai=amin,n时,表示为:
其中,ai表示不同类别用地的推荐用地负荷密度指标(即单位建筑面积负荷密度指标)。amin,n为推荐用地负荷密度指标的一种排序,min为ai根据数值从小到大的顺序进行排序的排序方法,n为排序序号标记,取值范围为1至m,amin,n对应的预测范围内某一用地类别的的建筑面积总和记作m表示用地类别的分类数量。bj表示预测范围内某一用地类别的的建筑面积总和。表示预测范围内所有用地类别的建筑面积总和。bi表示i类用地类别在规划未考虑用地弹性系数时i类用地类别的建筑面积总和。δ为规划范围内允许的弹性用地指标上限,δi为某一类性质用地的用地弹性系数。
如图2所示,为本实施例的流程示意图,包括三大部分:首先确定典型建筑,然后采集典型建筑的负荷数据进行负荷特性分析,根据负荷特性分析结果进行负荷预测,详细的实现过程如上述,在此不再重复。
本实施例的负荷预测无需计算同时率,并基于大量样本数据获得推荐用地负荷密度指标,有效减少预测过程中的主观推断、提高预测的准确性,以及通过对城市规划中细化的用地分类、建筑类别进行实际取样,客观得出其负荷密度指标及负荷曲线,克服了负荷密度指标制定和同时率选取的主观性带来的人为误差,为规划技术人员提供各种门类更为准确的负荷预测结果,从而使得远期的负荷预测结果更为准确合理,依据更为准确的负荷预测结果合理布局变电站及高压电力通道,提高土地规划利用的效率。
实施例二:
本实施例提供一种城市负荷预测系统,用于执行如实施例一所述的方法,如图3所示,为本实施例的城市负荷预测系统结构框图,包括:
选取模块100:用于获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑;
采集模块200:用于采集每种类别的典型建筑第一预设时间内的负荷数据和建筑面积数据;
第一计算模块300:用于根据负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标;
负荷预测模块400:用于结合每种类别的推荐用地负荷曲线、推荐用地负荷密度指标和建筑面积数据进行负荷预测,得到待预测区域的区域最高负荷和区域负荷曲线。
上述中城市负荷预测系统模块的具体细节已经在实施例一对应的城市负荷预测方法中进行了详细的描述,因此此处不再赘述。
另外,本发明还提出一种城市负荷预测设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如实施例一所述的方法。计算机程序即程序代码,当程序代码在城市负荷预测设备上运行时,程序代码用于使城市负荷预测设备执行本说明书上述实施例一部分描述的城市负荷预测方法中的步骤。
另外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明通过根据预设选取原则选取待预测区域一种或一种以上类别的典型建筑,采集每种类别的典型建筑第一预设时间内的负荷数据和建筑面积数据,然后根据负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标,结合每种类别的推荐用地负荷曲线、推荐用地负荷密度指标和建筑面积数据进行负荷预测,得到待预测区域的区域最高负荷和区域负荷曲线。可广泛应用于电力规划领域。
以上各实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种城市负荷预测方法,其特征在于,包括:
获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑;
采集每种类别的所述典型建筑第一预设时间内的负荷数据和建筑面积数据;
根据所述负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标;
结合每种类别的所述推荐用地负荷曲线、所述推荐用地负荷密度指标和所述建筑面积数据进行负荷预测,得到所述待预测区域的区域最高负荷和区域负荷曲线。
2.根据权利要求1所述的一种城市负荷预测方法,其特征在于,所述预设选取原则包括:全面性、典型性和可测性。
3.根据权利要求1所述的一种城市负荷预测方法,其特征在于,计算所述推荐用地负荷曲线的过程包括:
采集同一类别中每个典型建筑第二预设时间内多个负荷点的日负荷数据,并根据所述日负荷数据得到每个所述典型建筑的日负荷曲线;
累加所述日负荷曲线,得到所述类别的典型日负荷曲线;
提取第三预设时间的所述典型日负荷曲线进行加权平均,得到所述类别的所述推荐用地负荷曲线。
4.根据权利要求1所述的一种城市负荷预测方法,其特征在于,计算所述推荐用地负荷密度指标的过程包括:
根据所述负荷数据计算每年最高负荷,并分析多个所述最高负荷得到最高负荷增长趋势以及最高负荷的取值范围,根据所述最高负荷增长趋势和所述取值范围得到所述推荐用地负荷密度指标。
5.根据权利要求1所述的一种城市负荷预测方法,其特征在于,所述负荷预测的过程包括:
将每种类别的所述推荐用地负荷曲线、所述建筑面积数据和地块弹性系数相乘得到所述类别的分类负荷曲线;
将所述待预测区域中所有类别的所述分类负荷曲线相加得到所述区域负荷曲线;
选取所述待预测区域中所有类别的最高负荷作为所述区域最高负荷。
6.根据权利要求1至5任一项所述的一种城市负荷预测方法,其特征在于,还包括对所述负荷数据进行预处理,所述预处理包括:数据去噪和数据补全。
7.根据权利要求6所述的一种城市负荷预测方法,其特征在于,采用中值滤波对所述负荷数据进行数据去噪。
8.一种城市负荷预测系统,其特征在于,包括:
选取模块:用于获取根据预设选取原则选取的待预测区域中一种或一种以上类别的典型建筑;
采集模块:用于采集每种类别的所述典型建筑第一预设时间内的负荷数据和建筑面积数据;
第一计算模块:用于根据所述负荷数据计算得到当前类别的推荐用地负荷曲线和推荐用地负荷密度指标;
负荷预测模块:用于结合每种类别的所述推荐用地负荷曲线、所述推荐用地负荷密度指标和所述建筑面积数据进行负荷预测,得到所述待预测区域的区域最高负荷和区域负荷曲线。
9.一种城市负荷预测设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529724.0A CN111832899B (zh) | 2020-06-11 | 2020-06-11 | 城市负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529724.0A CN111832899B (zh) | 2020-06-11 | 2020-06-11 | 城市负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832899A true CN111832899A (zh) | 2020-10-27 |
CN111832899B CN111832899B (zh) | 2022-03-01 |
Family
ID=72897665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529724.0A Active CN111832899B (zh) | 2020-06-11 | 2020-06-11 | 城市负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832899B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
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 |
CN109492950A (zh) * | 2018-12-26 | 2019-03-19 | 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 |
CN109583767A (zh) * | 2018-12-03 | 2019-04-05 | 贵州电网有限责任公司 | 一种配电网网格化统筹规划方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
-
2020
- 2020-06-11 CN CN202010529724.0A patent/CN111832899B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
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 |
CN109583767A (zh) * | 2018-12-03 | 2019-04-05 | 贵州电网有限责任公司 | 一种配电网网格化统筹规划方法 |
CN109492950A (zh) * | 2018-12-26 | 2019-03-19 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111832899B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504508B (zh) | 基于层次分析与小波回归的台区闭环数据分析方法 | |
CN109492950B (zh) | 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 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN107909277A (zh) | 一种基于模糊层次分析法的变电站环保水平评估方法 | |
CN103761690A (zh) | 基于电网系统中电压无功控制系统的评估方法 | |
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 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
CN109784755A (zh) | 一种基于层次分析法的电网智能化水平评估方法 | |
CN112308425A (zh) | 一种构建配变健康评价指标体系的方法 | |
CN114723283A (zh) | 一种面向城市群的生态承载力遥感评估方法及装置 | |
CN115392735A (zh) | 光伏电站工作性能监测方法、系统、设备及介质 | |
CN110135652B (zh) | 一种长期汛期径流预测方法 | |
CN108615092A (zh) | 一种基于指数平滑模型的污水处理厂进水量预测的方法 | |
CN110543660A (zh) | 一种低冲击开发模拟方法、系统及相关装置 | |
CN113723719A (zh) | 一种基于配变的近中期负荷预测方法、装置、设备及介质 | |
CN107292480A (zh) | 一种县域电网长期负荷特性预测方法 | |
CN117057666B (zh) | 一种数字化配电网的配电质量评估方法及系统 | |
CN111832899B (zh) | 城市负荷预测方法及系统 | |
CN113128811A (zh) | 一种基于强降水的电网系统地质灾害风险评估方法及系统 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN116976622A (zh) | 基于边跨境季节-产业的负荷耦合协调修正方法及系统 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 10 / F, Jianyi building, 3 Zhenxing Road, Futian District, Shenzhen, Guangdong 518028 Patentee after: Shenzhen Urban Planning and Design Institute Co.,Ltd. Address before: 10 / F, Jianyi building, 3 Zhenxing Road, Futian District, Shenzhen, Guangdong 518028 Patentee before: URBAN PLANNING & DESIGN INSTITUTE OF SHENZHEN (UPDIS) |
|
CP01 | Change in the name or title of a patent holder |