CN113516294A - 一种基于城市规划的适用于电网规划的时空负荷预测方法 - Google Patents

一种基于城市规划的适用于电网规划的时空负荷预测方法 Download PDF

Info

Publication number
CN113516294A
CN113516294A CN202110571270.8A CN202110571270A CN113516294A CN 113516294 A CN113516294 A CN 113516294A CN 202110571270 A CN202110571270 A CN 202110571270A CN 113516294 A CN113516294 A CN 113516294A
Authority
CN
China
Prior art keywords
load
planning
users
user
power
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
Application number
CN202110571270.8A
Other languages
English (en)
Other versions
CN113516294B (zh
Inventor
朱力
常德龙
郭龙
唐能
肖康
刘旭
贺子宸
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.)
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
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 Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority to CN202110571270.8A priority Critical patent/CN113516294B/zh
Publication of CN113516294A publication Critical patent/CN113516294A/zh
Application granted granted Critical
Publication of CN113516294B publication Critical patent/CN113516294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/08—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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的一种基于城市规划的适用于电网规划的时空负荷预测方法，为空间负荷预测和多电源负荷均摊规划提供支撑；采用基于多尺度滑动窗口的峰值最佳负荷预测，以满足用电用户用电需求，避免电网频繁超载或裕度过高；采用最短路径和N‑1准则进行配电网线路规划搜索，避免配电网投资成本过高。本发明能够有效利用城市规划数据、路网数据和历史负荷数据，为经济、可靠、精准、均衡的配电网规划提供支撑。

Description

一种基于城市规划的适用于电网规划的时空负荷预测方法
技术领域
本发明属于配电网规划领域，更具体地，涉及一种基于城市规划的适用于电网规划的时空负荷预测方法。
背景技术
随着城镇化步伐加快，用电器种类推陈出新，用电环境难以预测，配电网规划难度加大。配电网规划的经济性、符合率和线损率与区域负荷预测的精细度和准确度密切相关。电网企业和电气工程师试图尝试各种预测方法，考虑GIS地图、环境因素和用户类别以期获得最佳预测效果，为精确配电网规划的变电站和线路规划提供支撑。
目前，现有用于配电网规划的负荷预测从算法模型、影响因素和用电特性等角度展开。算法模型方面包括短时贝叶斯负荷预测模型、多元线性回归模型、半参数加性模型、指数平滑模型、自回归滑动平均模型、模糊回归模型、人工神经网络、支持向量机、梯度增强、循环神经网络模型(RNN)、长短时时间预测(LSTM)模型和区域栅格模型等，影响因素方面包括路网分布、街道布局、交通容量、天气温度和季节等，用电特性方面包括电动车用电特性等。
上述方法侧重对所有时间点负荷的精准预测，要求多数点预测误差小，也即意味着对奇异点和极值点并非最佳预测。电网规划目标是尽可能满足最大负荷要求，即需对奇异点和峰值负荷进行精准预测，需对现有预测算法进行改进以满足规划预测需求。此外，现有预测模型基于历史用电数据，而配电网规划目标区域并无历史用电数据，需以该地块用电性质相似的用户的历史数据为参考。最后，考虑到配电网可靠性，电网需具备故障投切能力，即与配电网规划相关的负荷预测不仅需针对栅格点，还需考虑变压器和线路的走向及负荷均衡和投切迁移特性。
发明内容
针对现有方案的不足，本发明提供了一种基于城市规划的适用于电网规划的时空负荷预测方法，其目的在于解决符合城市配电网建设和运行特性的空时负荷预测问题，以便建立经济、可靠、精准、均衡的电网规划体系。
根据本发明的一个方面，提供一种基于城市规划的适用于电网规划的时空负荷预测方法，包括以下步骤，
步骤A1，导入城市功能规划和路网规划，抽取待建区潜在目标用电用户类型，建立城市配电网用户用电网格；
步骤A2，以目标用电用户类型为基础，从业扩用采系统中对用户信息进行扩展，构建用户矩阵、环境系数和负荷矩阵；
步骤A3，基于所述用户矩阵和所述负荷矩阵，构建用户负荷预测模型，确定模型训练参数及峰值最佳的目标损失函数；
步骤A4，基于建成区历史用电记录，建立各地块用电用户数估计模型，并确定规划区用电用户数上下界；
步骤A5，基于规划区用电用户数，通过所述用户负荷预测模型确定各地块儿潜在用户的峰值负荷上下界，变电站数量、供电容量及供电电源数；
步骤A6，基于城市功能规划和路网拓扑，以最短路径和N-1准则为基础，确定最优候选供电线路集；
步骤A7，基于候选供电线路，计算规划区潜在用户不同接入方案的线路负荷，以供电线路负荷均衡为约束，预测供电线路负荷上下限及发展趋势，以确定供电线路变压器容量及扩容计划。
在上述方案基础上优选，所述步骤A1具体包括以下步骤，
步骤A11：导入城市规划图或城市建成区用地布局图，获取地图比例rt，地图各地块面积和用电性质，且第i块地的用电面积为Ar_i，第i块地的用地性质为Ati
步骤A12：根据地图比例尺和地图面积，获取实际规划地块面积，第i块地的面积为Ari＝Ar_i*rt2；
步骤A13：构建城市配网用电用户网格矩阵，如下，
Figure BDA0003082671950000031
其中，N为地块总数，i为大于0且小于N的正整数。
在上述方案基础上优选，所述步骤A2具体包括以下步骤，
步骤A21，根据用户所属国民经济行业、月度和年度用电峰值负荷进行聚类，将用地性质At细分为所属国民经济行业分类Atu，从业扩用采系统中获取第i类细分用户Atui的平均环路数量Bvui、用地规模Baui、投资规模Biui、人员规模Bpui、产值规模Bgui和用电时长Btui，构建各用电用户分类的基本信息矩阵U，其中，M为聚类后的用户类别总数；
Figure BDA0003082671950000032
步骤A22，获取各区块不同类别用户的环境信息，并构建相应的环境系数，第i个区块中第j类用户的环境参数包括，温度等级Elij、湿度等级为Ewij、风力等级Etij、经济景气指数Eeij、人口密度Epij等，环境对第i个区块中第j类用户的影响系数表示为 fij(Elij，Ewij，Etij，Eeij，Epij)；
步骤A23，获取历史第i地块第j类用户分类负荷表征为周负荷下限 Lwdij、月负荷下限Lmdij和年负荷上限Lyuij，其中maxd∈(0，D-1)(Lijkd)为D天内负荷最大值；
Lwdij＝mink∈(0，52)min(maxd∈(0，6)(Lijkd)) (3)；
Lmdij＝mink∈(0,11)(maxd∈(0,30)(Lijkd)) (4)；
Lyuij＝maxd∈(0,365)(Lijd)) (5)；
Lydij＝min(Lwdij,Lmdij) (6)；
历史第i地块第j类用户分类负荷上下限为Lij＝(Lydij,Lyuij)。
在上述方案基础上优选，所述步骤A3具体包括以下步骤：
步骤A31：基于步骤2构建如下式所示负荷上下限预测向量，即以用户信息和环境信息逐年预测用户的用电负荷上下限，其中，fij、Aij和Bij为模型待训练参数；
Lij＝fij(Elij,Ewij,Etij,Eeij,Epij)UijAij+Bij (7)；
步骤A32：综合采用MLP和LSTM模型进行预测负荷峰值时空上下限，且其损失函数如下式：
Figure BDA0003082671950000041
本发明的基于城市规划的适用于电网规划的时空负荷预测方法，为空间负荷预测和多电源负荷均摊规划提供支撑；采用基于多尺度滑动窗口的峰值最佳负荷预测，以满足用电用户用电需求，避免电网频繁超载或裕度过高；采用最短路径和N-1准则进行配电网线路规划搜索，避免配电网投资成本过高。因此，本发明能够有效利用城市规划数据、路网数据和历史负荷数据，为经济、可靠、精准、均衡的配电网规划提供支撑。
附图说明
图1为本发明的基于城市规划的适用于电网规划的时空负荷预测方法的流程图；
图2为本发明的用电负荷上下限时空预测模型。
图3为本发明的城市规划地块映射图模型。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参阅图1所示，本发明提供的基于城市规划的适用于电网规划的时空负荷预测方法，包括：
步骤A1：导入城市规划图或用地布局图，抽取地块用地性质，建立城市配电网用户用电网格，具体步骤包括：
步骤A11：导入城市规划图或城市建成区用地布局图，获取地图比例rt，地图各地块面积和用电性质，定义：第i块地的用电面积为Ar_i，用地性质为Ati；
步骤A12：根据地图比例尺rt和地图面积，获取实际规划地块面积，第i块地的面积为Ari＝Ar_i*rt2；
步骤A13：构建城市配网用电用户网格矩阵，如公式1，其中N 为地块总数；
Figure BDA0003082671950000051
步骤A2：基于步骤1生成的城市配网用电用户网格矩阵，以目标用电用户类型为基础，进一步从业扩用采系统中扩展分类用户基本信息、历史环境数据和历史负荷数据，构建分类用电用户信息矩阵、环境系数矩阵和负荷矩阵，具体步骤包括：
步骤A21：为准确预测规划区未知用户的负荷趋势和上下界，在行业用电性质的基础上，根据用户所属国民经济行业、月度和年度用电峰值负荷进行聚类，将用地性质At细分为所属国民经济行业分类Atu，从业扩用采系统中获取第i类细分用户Atui的平均环路数量Bvui、用地规模Baui、投资规模Biui、人员规模Bpui、产值规模Bgui和用电时长Btui等信息，并构建各用电用户分类的用户基本信息矩阵U,其中M为聚类后的用户类别总数；
Figure BDA0003082671950000061
步骤A22：考虑到不同环境对用户用电负荷影响交大，进行负荷预测时将其作为权重系数，另一方面，城市中不同区块环境差异大，同一区块环境相对近似。本发明获取各区块不同类别用户的环境信息，并构建相应的环境系数。第i个区块中第j类用户的环境参数包括，温度等级Elij、湿度等级为Ewij、风力等级Etij、经济景气指数Eeij、人口密度Epij等，环境对第i个区块中第j类用户的影响系数表示为 fij(Elij,Ewij,Etij,Eeij,Epij)；
步骤A23：对配电网规划来说，不需对用电用户每个时间点的负荷进行精准预测，只需对用电用户负荷峰值的上下限进行预测，并需定位其峰值时间点。历史第i地块第j类用户分类负荷表征为周负荷下限Lwdij、月负荷下限Lmdij和年负荷上限Lyuij，其中maxd∈(0,D-1)(Lijkd)为 D天内负荷最大值；
Lwdij＝mink∈(0,52)min(maxd∈(0,6)(Lijkd)) (3)；
Lmdij＝mink∈(0，11)(maxd∈(0，30)(Lijkd)) (4)；
Lyuij＝maxd∈(0，365)(Lijd)) (5)；
Lydij＝min(Lwdij,Lmdij) (6)；
历史第i地块第j类用户分类负荷上下限为Lij＝(Lydij,Lyuij)。
步骤A3：根据建成区历史地块信息及历史用采信息，基于用户矩阵和负荷矩阵，构建用户负荷预测模型，确定模型训练参数及峰值最佳的目标损失函数，具体步骤包括：
步骤A31：基于步骤2构建如下式所示负荷上下限预测向量，即以用户信息和环境信息逐年预测用户的用电负荷上下限，其中fij、Aij和 Bij为模型待训练参数；
Lij＝fij(Elij,Ewij,Etij,Eeij,Epij)UijAij+Bij (7)；
步骤A32：为保证用电负荷上下限时空预测的准确性，本发明综合采用MLP和LSTM模型进行预测，其模型结构图如图2所示，
步骤A33：为满足负荷峰值时空上下限的准确预测，峰值最佳的损失函数如下式：
Figure BDA0003082671950000071
步骤4：通过步骤3确定了分类用户的负荷上下限预测模型，还需确定规划区内的各类用户数。基于建成区历史用电信息，按最大用户数和最高负荷两种方式对各地块用电用户总量进行估计，具体步骤包括：
步骤A41：遍历建成区地块历史数据，获取每类地块的最大用户数地块和最大负荷地块，最大用户数地块面积为Am，用户数为Um；最大负荷地块面积是Al，用户数为Ul；
步骤A42：获取上述两类地块的平均用户密度为
Figure BDA0003082671950000081
步骤A43：基于上述地块用户密度确定相应规划地块的户数区间，第i个地块对应的两类用户数Umi＝Ari×Dmi，Uli＝Ari×Dli，将Umi和 Uli的最小值作为规划区第i个地块的最小用户数，将其最大值作为规划区内第i个地块的最大用户数。
步骤5：基于步骤3分类负荷上下限预测模型及步骤4分块用户数上下限，对规划地块分用户负荷和地块总负荷进行预测，具体步骤包括：
步骤A51：第i个地块属于分类At，该地块中属于细类Atu的用户数为UAtui，细类数为S，按最小用户数分配：
Figure BDA0003082671950000082
该地块总负荷为所有用户数组合的负荷最小值，如下式
Figure BDA0003082671950000083
按最大用户数分配
Figure BDA0003082671950000084
该地块总负荷为所有用户数组合的负荷最大值，如下式：
Figure BDA0003082671950000085
步骤A52：根据步骤A51计算规划区总负荷下界Lmin和上界Lmax，具体如式：
Figure BDA0003082671950000091
步骤A53：根据步骤A52所得负荷和变压器额定功率，以20％裕度确定供电线路数量P。
步骤A6：基于城市功能规划和路网规划为基础，以最短路径和 N-1准则构建候选电网线路集，具体步骤包括：
步骤A61：导入城市功能规划和路网规划图，将规划地块为节点，地块间共同道路作为节点的边，将共同道路长度作为边长度，构造如图3所示结构；
步骤A62：选择任何P个节点作为供电源，采用最短路径法进行遍历，获取该节点到所有节点的最短路径或次短路径；
步骤A63：考虑到N-1和可靠性原则，任意两条路径不存在重合边，且候选集中每个节点属于两条以上不同路径形成最优候选供电线路集；
步骤A64：若候选集不满足每个节点有两条路径，则在步骤A61 生成的图按最短路径方式进行一跳遍历；
步骤A65：对步骤A64生成的扩展路径图，检查是否存在回路，若存在，则断掉最长路径边重新执行步骤A64，直至满足步骤A63要求。
步骤7：基于步骤A6生成的最优候选电网线路集及步骤A5预测的用户负荷峰值进行用户线路分配及线路负荷预测，具体步骤包括：
步骤A71：根据步骤6生成的候选电网线路集，根据与节点(区块)连接的路径对预测的区块内用户总量进行拆分，每个用户仅能属于图中一条线段，得到线段i的区块j的用户列表为(Uij0,Uij1,...,UijK),K 为用户总数；
步骤A72：基于步骤3的负荷预测模型，对线段i中所有用户的负荷进行预测得到(Lij0,Lij1,...,LijK)；
步骤A73：若供电线路r有Rr段线段，为保证所有线路上负荷均衡，需满足各线路总负荷均值趋近0，方差最小，具体条件如下：
Figure BDA0003082671950000101
Figure BDA0003082671950000102
Figure BDA0003082671950000103
步骤A74：上述负荷均衡约束的解即为空时负荷和各线路容量和变压器的容量上界。
总的来说，上述适用于城市配电网规划的时空负荷预测方法综合考虑城市规划、路网规划和同类用电用户负荷趋势，建立峰值最佳的空时预测模型，基于最短路径和N-1确定电网线路方案，结合预测模型，确定线路容量上下界及其负荷态势，既满足短期电网用户用电需求，又兼顾中长期电网发展规划，电网规划部门可提前根据城市发展规划和潜在用电用户负荷进行预测和电网规划，确保电网建设的经济性、可靠性和均衡性。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，包括以下步骤，
步骤A1，导入城市功能规划和路网规划，抽取待建区潜在目标用电用户类型，建立城市配电网用户用电网格；
步骤A2，以目标用电用户类型为基础，从业扩用采系统中对用户信息进行扩展，构建用户矩阵、环境系数和负荷矩阵；
步骤A3，基于所述用户矩阵和所述负荷矩阵，构建用户负荷预测模型，确定模型训练参数及峰值最佳的目标损失函数；
步骤A4，基于建成区历史用电记录，建立各地块用电用户数估计模型，并确定规划区用电用户数上下界；
步骤A5，基于规划区用电用户数，通过所述用户负荷预测模型确定各地块儿潜在用户的峰值负荷上下界，变电站数量、供电容量及供电电源数；
步骤A6，基于城市功能规划和路网拓扑，以最短路径和N-1准则为基础，确定最优候选供电线路集；
步骤A7，基于候选供电线路，计算规划区潜在用户不同接入方案的线路负荷，以供电线路负荷均衡为约束，预测供电线路负荷上下限及发展趋势，以确定供电线路变压器容量及扩容计划。
2.如权利要求1所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A1具体包括以下步骤，
步骤A11：导入城市规划图或城市建成区用地布局图，获取地图比例rt，地图各地块面积和用电性质，且第i块地的用电面积为Ar-i，第i块地的用地性质为Ati
步骤A12：根据地图比例尺和地图面积，获取实际规划地块面积，第i块地的面积为Ari＝Ar_i*rt2；
步骤A13：构建城市配网用电用户网格矩阵，如下，
Figure FDA0003082671940000021
其中，N为地块总数，i为大于0且小于N的正整数。
3.如权利要求2所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A2具体包括以下步骤，
步骤A21，根据用户所属国民经济行业、月度和年度用电峰值负荷进行聚类，将用地性质At细分为所属国民经济行业分类Atu，从业扩用采系统中获取第i类细分用户Atui的平均环路数量Bvui、用地规模Baui、投资规模Biui、人员规模Bpui、产值规模Bgui和用电时长Btui，构建各用电用户分类的基本信息矩阵U，其中，M为聚类后的用户类别总数；
Figure FDA0003082671940000022
步骤A22，获取各区块不同类别用户的环境信息，并构建相应的环境系数，第i个区块中第j类用户的环境参数包括，温度等级Elij、湿度等级为Ewij、风力等级Etij、经济景气指数Eeij、人口密度Epij等，环境对第i个区块中第j类用户的影响系数表示为fij(Elij，Ewij，Etij，Eeij，Epij)；
步骤A23，获取历史第i地块第j类用户分类负荷表征为周负荷下限Lwdij、月负荷下限Lmdij和年负荷上限Lyuij，其中maxd∈(0，D-1)(Lijkd)为D天内负荷最大值；
Lwdij＝mink∈(0，52)min(maxd∈(0，6)(Lijkd))
Lmdij＝mink∈(0，11)(maxdE(0，30)(Lijkd))
Lyuij＝maxd∈(0，365)(Lijd))
Lydij＝min(Lwdij，Lmdij)
历史第i地块第j类用户分类负荷上下限为Lij＝(Lydij，Lyuij)。
4.如权利要求1所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A3具体包括以下步骤：
步骤A31：基于步骤2构建如下式所示用户负荷预测模型，即以用户信息和环境信息逐年预测用户的用电负荷上下限，其中，fij、Aij和Bij为模型待训练参数；
Lij＝fij(Elij，Ewij，Etij，Eeij，Epij)UijAij+Bij
步骤A32：综合采用MLP和LSTM模型进行预测负荷峰值时空上下限，且其目标损失函数如下式：
Figure FDA0003082671940000031
5.如权利要求1所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A4具体包括以下步骤：
步骤A41：遍历建成区地块历史数据，获取每类地块的最大用户数地块和最大负荷地块，最大用户数地块面积为Am，用户数为Um；最大负荷地块面积是Al，用户数为Ul；
步骤A42：获取上述两类地块的平均用户密度为
Figure FDA0003082671940000032
和
Figure FDA0003082671940000033
步骤A43：基于上述地块用户密度确定相应规划地块的户数区间，第i个地块对应的两类用户数Umi＝Ari×Dmi，Uli＝Ari×Dli，将Umi和Uli的最小值作为规划区第i个地块的最小用户数，将其最大值作为规划区内第i个地块的最大用户数。
6.如权利要求1所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A5具体包括以下步骤：
步骤A51：第i个地块用地性质属于分类At，该地块中属于细类Atu的用户数为UAtui，细类数为S，按最小用户数分配：
Figure FDA0003082671940000041
该地块总负荷为所有用户数组合的负荷最小值，如下式
Figure FDA0003082671940000042
按最大用户数分配
Figure FDA0003082671940000043
该地块总负荷为所有用户数组合的负荷最大值，如下式：
Figure FDA0003082671940000044
步骤A52：根据步骤A51计算规划区总负荷下界Lmin和上界Lmax，具体如式：
Figure FDA0003082671940000045
步骤A53：根据步骤A52所得负荷和变压器额定功率，以20％裕度确定供电线路数量P。
7.如权利要求1所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A6具体包括以下步骤：
步骤A61：导入城市功能规划和路网规划图，将规划地块为节点，地块间共同道路作为节点的边，将共同道路长度作为边长度；
步骤A62：选择任何P个节点作为供电源，采用最短路径法进行遍历，获取该节点到所有节点的最短路径或次短路径；
步骤A63：考虑到N-1和可靠性原则，任意两条路径不存在重合边，且候选集中每个节点属于两条以上不同路径形成最优候选供电线路集；
步骤A64：若候选集不满足每个节点有两条路径，则在步骤A61生成的图按最短路径方式进行一跳遍历；
步骤A65：对步骤A64生成的扩展路径图，检查是否存在回路，若存在，则断掉最长路径边重新执行步骤A64，直至满足步骤A63要求。
8.如权利要求1所述的一种基于城市规划的适用于电网规划的时空负荷预测方法，其特征在于，所述步骤A7具体包括以下步骤：
步骤A71：根据步骤6生成的候选电网线路集，根据与节点连接的路径对预测的区块内用户总量进行拆分，得到线段i的区块j的用户列表为(Uij0，Uij1，...，UijK)，K为用户总数；
步骤A72：基于步骤3的用户负荷预测模型，对线段i中所有用户的负荷进行预测得到(Lij0，Lij1，...，LijK)；
步骤A73：若供电线路r有Rr段线段，为保证所有线路上负荷均衡，需满足各线路总负荷均值趋近0，方差最小，具体条件如下：
Figure FDA0003082671940000051
Figure FDA0003082671940000052
Figure FDA0003082671940000053
步骤A74：上述负荷均衡约束的解即为空时负荷和各线路容量和变压器的容量上界。
CN202110571270.8A 2021-05-25 2021-05-25 一种基于城市规划的适用于电网规划的时空负荷预测方法 Active CN113516294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110571270.8A CN113516294B (zh) 2021-05-25 2021-05-25 一种基于城市规划的适用于电网规划的时空负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110571270.8A CN113516294B (zh) 2021-05-25 2021-05-25 一种基于城市规划的适用于电网规划的时空负荷预测方法

Publications (2)

Publication Number Publication Date
CN113516294A true CN113516294A (zh) 2021-10-19
CN113516294B CN113516294B (zh) 2024-03-29

Family

ID=78064906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110571270.8A Active CN113516294B (zh) 2021-05-25 2021-05-25 一种基于城市规划的适用于电网规划的时空负荷预测方法

Country Status (1)

Country Link
CN (1) CN113516294B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792038A (zh) * 2022-06-21 2022-07-26 深圳市联嘉祥科技股份有限公司 基于环境数据的电缆布局方法、装置、设备及存储介质
CN115186944A (zh) * 2022-09-15 2022-10-14 合肥优晟电力科技有限公司 一种城市配电网规划方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331847A (zh) * 2014-11-18 2015-02-04 国家电网公司 一种利用Delaunay三角剖分的供电分区方法
CN107038530A (zh) * 2017-04-13 2017-08-11 天津天大求实电力新技术股份有限公司 一种配电网统筹规划方法及系统
CN107067104A (zh) * 2017-03-30 2017-08-18 昆明能讯科技有限责任公司 一种基于地理信息系统的供电网格负荷预测方法
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
CN109559250A (zh) * 2018-12-10 2019-04-02 国网浙江省电力有限公司 一种城市配电网网格化规划方法
CN110443402A (zh) * 2019-06-19 2019-11-12 国家电网有限公司 一种适应高可靠性供电需求的城市电网网格化规划方法
KR20200131928A (ko) * 2019-05-14 2020-11-25 한국전력공사 하이브리드 타입 단기 전력수요 예측 장치 및 방법
CN112541617A (zh) * 2020-11-30 2021-03-23 国网河北省电力有限公司经济技术研究院 变电站的定容及选址方法、存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331847A (zh) * 2014-11-18 2015-02-04 国家电网公司 一种利用Delaunay三角剖分的供电分区方法
CN107067104A (zh) * 2017-03-30 2017-08-18 昆明能讯科技有限责任公司 一种基于地理信息系统的供电网格负荷预测方法
CN107038530A (zh) * 2017-04-13 2017-08-11 天津天大求实电力新技术股份有限公司 一种配电网统筹规划方法及系统
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
CN109559250A (zh) * 2018-12-10 2019-04-02 国网浙江省电力有限公司 一种城市配电网网格化规划方法
KR20200131928A (ko) * 2019-05-14 2020-11-25 한국전력공사 하이브리드 타입 단기 전력수요 예측 장치 및 방법
CN110443402A (zh) * 2019-06-19 2019-11-12 国家电网有限公司 一种适应高可靠性供电需求的城市电网网格化规划方法
CN112541617A (zh) * 2020-11-30 2021-03-23 国网河北省电力有限公司经济技术研究院 变电站的定容及选址方法、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEN L 等: "Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting", ENERGY, vol. 171, 16 January 2019 (2019-01-16), pages 1053 - 1065 *
杨军胜 等: "基于城市用地性质的配网空间负荷预测研究", 电测与仪表, vol. 55, no. 11, 30 June 2018 (2018-06-30), pages 30 - 34 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792038A (zh) * 2022-06-21 2022-07-26 深圳市联嘉祥科技股份有限公司 基于环境数据的电缆布局方法、装置、设备及存储介质
CN115186944A (zh) * 2022-09-15 2022-10-14 合肥优晟电力科技有限公司 一种城市配电网规划方法及系统

Also Published As

Publication number Publication date
CN113516294B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
Ye et al. A data-driven bottom-up approach for spatial and temporal electric load forecasting
CN110176141B (zh) 一种基于poi及流量特征的交通小区划分方法和系统
CN113516294B (zh) 一种基于城市规划的适用于电网规划的时空负荷预测方法
Lyu et al. Exploring high-penetration electric vehicles impact on urban power grid based on voltage stability analysis
CN111382897A (zh) 台区低压跳闸预测方法、装置、计算机设备及存储介质
CN104538958B (zh) 用电客户电网接入点的智能分析方法及系统
CN108765944B (zh) 基于多重路径集的最优交通流预测方法与拥挤收费方法
CN108256724B (zh) 一种基于动态行业系数的配电网可开放容量规划方法
CN110782153A (zh) 一种企业园区综合能效评估体系建模方法及系统
Voulis et al. Understanding spatio-temporal electricity demand at different urban scales: A data-driven approach
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN115186944B (zh) 一种城市配电网规划方法及系统
Barceló et al. Robustness and computational efficiency of Kalman filter estimator of time-dependent origin–destination matrices: Exploiting traffic measurements from information and communications technologies
CN109657846A (zh) 电网交叉补贴规模影响因子筛选方法
CN112288172A (zh) 台区线损率的预测方法、装置
Rezaee et al. Role of GIS in distribution power systems
CN113114497A (zh) 一种低压台区拓扑自动识别方法
CN108921425A (zh) 一种资产项目投资分类的方法、系统及服务器
CN114707422A (zh) 一种基于负荷预测的智能电力缉查方法
Levinson et al. The co-evolution of land use and road networks
Li Prediction of rural tourism suitability based on multi-dimensional evaluation model
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和系统
CN113743671B (zh) 一种高铁快递专列运输网络优化方法及系统
CN114741822A (zh) 一种自然灾害下配电网停电概率预测方法、系统及装置

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