CN113971348A - 一种基于综合能源系统的源端功率短期预测方法 - Google Patents
一种基于综合能源系统的源端功率短期预测方法 Download PDFInfo
- Publication number
- CN113971348A CN113971348A CN202111334931.1A CN202111334931A CN113971348A CN 113971348 A CN113971348 A CN 113971348A CN 202111334931 A CN202111334931 A CN 202111334931A CN 113971348 A CN113971348 A CN 113971348A
- Authority
- CN
- China
- Prior art keywords
- power generation
- data
- photovoltaic power
- generation load
- analysis
- 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 description 34
- 238000010248 power generation Methods 0.000 claims abstract description 140
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000011160 research Methods 0.000 claims abstract description 30
- 230000002776 aggregation Effects 0.000 claims abstract description 25
- 238000004220 aggregation Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 239000003345 natural gas Substances 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000012732 spatial analysis Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 241000282414 Homo sapiens Species 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 230000009193 crawling Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 239000004927 clay Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000269319 Squalius cephalus Species 0.000 description 1
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明通过计算空间权重矩阵和全局莫兰指数,得到光伏发电负载存在空间聚集性,随着空间位置的靠近,聚集性越明显,网络平台数据中,兴趣点和活力值与光伏发电负载存在较高相关性,有效解释和预估光伏发电负载的空间分布,空间句法由历史数据计算得到的整合度和选择度与光伏发电负载存在较高相关性,有效解释和预估光伏发电负载空间分布,多源开放数据结合建立的模型,对光伏发电负载的解释和预估中有较高可行性,可对城市光伏发电负载进行一个快速的评价,以及利用XGBOOST模型对区域综合能源系统进行功率平衡模拟,研究的结果涉及电力、热力和天然气的计算,对模型研究的输出数据电力和热力值的计算和验证,发现XGBOOST模型的模拟精度高。
Description
技术领域
本申请涉及建模设计领域,具体的涉及一种基于综合能源系统的源端功率短期预测方法。
背景技术
进入21世纪以来,全球城市化进程得到不断地扩张与发展,人类的出行和运输方式产生翻天覆地的变化,光伏发电工具的数量和种类急剧增加。光伏发电工具的大量使用,一方面为社会经济的发展和人类生活水平的提高创造了有利条件,但另一方面也导致了相应的环境问题,不仅使空气污染变得糟糕,也使光伏发电负载污染日益凸显。气候变化是近年来人们越来越关注的生态问题,气候变化给生态环境带来了不同程度的影响。
在城市规划和建筑设计的法规方面,国外对光伏发电负载的治理和防控起步相对较早,如今已经形成了较为成熟的法律系统;而我国由于城市形态与路网具有自身的特殊性,因此光伏发电负载的空间分布以及规划体系与国外存在较大差异,但我国已经意识到从规划层面研究光伏发电负载的重要性,近年来通过不断完善法律法规,使得声环境质量标准基本与国际接轨。
因此,亟待需求对于时空范围较大的区域或是希望得到长时间变化趋势,过挖掘城市的开放数据,反映社会和人类的行为与经济活动,结合线路的可达性,探讨城市光伏发电负载的空间分布、影响要素、预估模型以及防治策略。具体来说,就是利用社会兴趣点、移动定位数据、路网结构、线路可达性等指标,通过空间分析、聚类分析、空间句法和统计分析等多种手段对光伏发电负载进行有效的解释和预估,更加全面透彻的了解光伏发电负载的空间分布和影响要素,建立解释能力强的预估模型,制定合理的规划防治策略,积极的引导城市健康发展,保障市民的公共健康。
发明内容
为了解决当前自然资源和光伏等社会污染对于社会的影响力评估难问题,本发明公开了一种基于综合能源系统的源端功率短期预测方法,所述能源系统包括自然资源,并对光伏发电负载进行分析,其特征在于,包括步骤:
研究对象和开放数据获取,对研究场地的选取,对场地进行300m×300m的网格划分,利用百度地图截获器抓取场地内的天气数据和历史数据,利用Python抓取场地内的兴趣点数据和活力值数据;
进行光伏发电负载和自然资源的空间分布,气象数据的获取和整理计算,检验光伏发电负载的空间自相关性和聚集性;
利用网络平台数据的多源、人本、时空属性等特征、线路可达性特征、模型时间设置和情景气候数据的输入,选取具有显著性的影响因素探究对光伏发电负载的影响,将线路可达性的整合度和选择度作为指标与光伏发电负载数据进行叠加,将网络平台数据与光伏发电负载数据进行叠加,从城市源头进行光伏发电负载的量化分析;
用空间句法分析历史数据,同时对网络平台数据进行空间分析用于解释和预估光伏发电负载和生态自然资源平衡。
进一步地,所述步骤研究对象和开放数据获取,对研究场地的选取,对场地进行300m×300m的网格划分,利用百度地图截获器抓取场地内的天气数据和历史数据,利用Python抓取场地内的兴趣点数据和活力值数据,还包括:
对象选址、开放数据获取以及网格的划分与赋值:
首先按照标准和要求选取合适的研究场地,利用百度地图截获器爬取场地内的基础数据,包括天气数据和历史数据;
利用python爬取网络平台数据中代表城市区域功能的兴趣点数据和反映相对人口密度的活力值数据,对数据进行初步的整理、加工以及分析;
在GIS中建立研究模型,对场地进行街区层级下300m×300m网格的划分,并对划分的网格进行赋值。
进一步地,所述进行光伏发电负载和自然资源的空间分布,气象数据的获取和整理计算,检验光伏发电负载的空间自相关性和聚集性,还包括:
模拟光伏发电负载数据,通过无人机航拍获取研究区域内多个点位的光伏发电站,利用Python编写算法识别并提取光伏发电站,导入Soundplan中模拟光伏发电负载数据,对光伏发电负载进行可视化分析光伏发电负载的空间分布;
计算300m×300m网格下光伏发电负载的空间权重矩阵,采用Queen邻接式,分别选择GIS和GeoDa进行不同软件的计算;
利用计算的空间权重矩阵得到全局莫兰指数和局部莫兰指数,检验光伏发电负载的空间关联性和集聚性问题,通过全局莫兰指数发现300m×300m网格下光伏发电负载存在随空间位置变化而产生聚集的情况;
分析局部莫兰指数发现光伏发电负载存在高-高聚聚、低-低聚集、高-低聚集以及低-高聚集四种情况;
所述气象数据主要有月平均气温、月平均最高气温、月平均最低气温、月降水量、雨日、月平均相对湿度、月平均风速和月平均云量。
进一步地,所述利用网络平台数据的多源、人本、时空属性等特征、线路可达性特征、模型时间设置和情景气候数据的输入,选取具有显著性的影响因素探究对光伏发电负载的影响,将线路可达性的整合度和选择度作为指标与光伏发电负载数据进行叠加,将网络平台数据与光伏发电负载数据进行叠加,从城市源头进行光伏发电负载的量化分析,还包括:
通过GIS划分的网格单元,将城市中具有代表性的网络平台数据,包括兴趣点和活力值,与光伏发电负载进行空间分析和统计分析,探讨各个网格单元中网络平台数据对光伏发电负载的影响;
利用空间聚类分析中的核密度分析,探究兴趣点的空间分布,再与光伏发电负载图进行叠加分析,通过兴趣点来解释和预估光伏发电负载;
利用空间聚类分析中的核密度分析,探究活力值的大小以及空间分布,再与光伏发电负载图进行叠加分析,通过活力值来解释和预估光伏发电负载;
对比兴趣点、活力值与光伏发电负载的相关性,选取具有显著性的影响因素作为最终指标对光伏发电负载进行回归分析,进而解释并预估光伏发电负载;
需要的输入数据还包括:月平均气温、绝对最低温度与最冷月平均温度的差值、月平均雨日、月平均风速、月平均云量、月平均日降水量、月平均相对湿度、土壤砂粒含量、土壤粘粒含量、高程、海陆分异特征值、气候距平数据;
利用ArcGIS处理边界范围数据,利用Matlab和计算机程序对气候数据进行插值,并将所有输入数据整理为NETCDF格式;
在VMware虚拟机软件中调整XGBOOST相应参数和增加需要的输出数据程序模块,再运行XGBOOST模型。。
进一步地,所述用空间句法分析历史数据,同时对网络平台数据进行空间分析用于解释和预估光伏发电负载和生态自然资源平衡,还包括:.
用网络平台数据的住宅类兴趣点、光伏发电类兴趣点、活力值和空间句法的标准化角度整合度这四类指标建立的线性回归模型;
将城市规划要素指标划分为线路长度指数、边界密度,将这组指标与光伏发电负载进行线性回归分析;
通过对拉格朗日乘数、决定系数、似然函数对数值等标准进行检验判断后,发现在所有模型当中对光伏发电负载的解释和预测能力的分析结果;
所述生态自然资源平衡包括进行功率平衡模拟,结果涉及电力、热力和天然气三个量之间的计算。
本发明通过计算空间权重矩阵和全局莫兰指数,得到光伏发电负载存在空间聚集性,随着空间位置的靠近,聚集性越明显,网络平台数据中,兴趣点和活力值与光伏发电负载存在较高相关性,有效解释和预估光伏发电负载的空间分布,空间句法由历史数据计算得到的整合度和选择度与光伏发电负载存在较高相关性,有效解释和预估光伏发电负载的空间分布,多源开放数据结合建立的模型,对光伏发电负载的解释和预估中有较高可行性,可对城市光伏发电负载进行一个快速的评价,以及利用XGBOOST模型对区域综合能源系统进行功率平衡模拟,研究的结果涉及电力、热力和天然气的计算,对模型研究的输出数据,即电力和热力值的计算和验证,发现XGBOOST模型的模拟精度高。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明所涉及的一种基于综合能源系统的源端功率短期预测方法的工作流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请的说明性实施例包括但不限于一种基于综合能源系统的源端功率短期预测方法。
可以理解,本申请提供的确定内容相似度方法可以在各种分布式训练和推理系统上实施,包括但不限于,服务器、多个服务器组成的分布式服务器集群、手机、平板电脑、膝上型计算机、台式计算机、可穿戴设备、头戴式显示器、移动电子邮件设备、便携式游戏机、便携式音乐播放器、阅读器设备、个人数字助理、虚拟现实或者增强现实设备、其中嵌入或耦接有一个或多个处理器的电视机等分布式训练和推理系统等。
可以理解,在本申请各实施例中,处理器可以是微处理器、数字信号处理器、微控制器等,和/或其任何组合。根据另一个方面,所述处理器可以是单核处理器,多核处理器等,和/或其任何组合。
本发明公开了一种基于综合能源系统的源端功率短期预测方法,所述能源系统包括自然资源,并对光伏发电负载进行分析,其特征在于,包括步骤:
研究对象和开放数据获取,对研究场地的选取,对场地进行300m×300m的网格划分,利用百度地图截获器抓取场地内的天气数据和历史数据,利用Python抓取场地内的兴趣点数据和活力值数据;
进行光伏发电负载和自然资源的空间分布,气象数据的获取和整理计算,检验光伏发电负载的空间自相关性和聚集性;
利用网络平台数据的多源、人本、时空属性等特征、线路可达性特征、模型时间设置和情景气候数据的输入,选取具有显著性的影响因素探究对光伏发电负载的影响,将线路可达性的整合度和选择度作为指标与光伏发电负载数据进行叠加,将网络平台数据与光伏发电负载数据进行叠加,从城市源头进行光伏发电负载的量化分析;
用空间句法分析历史数据,同时对网络平台数据进行空间分析用于解释和预估光伏发电负载和生态自然资源平衡。
进一步地,所述步骤研究对象和开放数据获取,对研究场地的选取,对场地进行300m×300m的网格划分,利用百度地图截获器抓取场地内的天气数据和历史数据,利用Python抓取场地内的兴趣点数据和活力值数据,还包括:
对象选址、开放数据获取以及网格的划分与赋值:
首先按照标准和要求选取合适的研究场地,利用百度地图截获器爬取场地内的基础数据,包括天气数据和历史数据;
利用python爬取网络平台数据中代表城市区域功能的兴趣点数据和反映相对人口密度的活力值数据,对数据进行初步的整理、加工以及分析;
在GIS中建立研究模型,对场地进行街区层级下300m×300m网格的划分,并对划分的网格进行赋值。
在百度地图截获器中,将缩放级别设定为19级(输入的值越大,爬取图片的精度越高),然后调出百度地图,在左下角的城市名称中输入地名,在地图上单击各个点可以显示位置信息,包括Row(x)、Column(y)以及经纬度坐标。在百度地图上确定所要爬取矩形范围的左下角和右上角Row(x)和Column(y)值,输入到百度地图截获器中,然后选择天气数据即可完成数据爬取。
GIS中打开爬取的天气数据,选用工具箱中“Spatial Analyst”的“重分类”,在输入栅格中打开建筑图片,点击重分类下的分类按钮,将类别设置为2类,在目录栏右键点击建筑图片所在的文件夹,分别创建折线和面的SHP文件,同时选择坐标系为WGS84地理坐标系。通过编辑器对面文件开始编辑,点击矢量化,选择显示预览,再选择矢量设置,选择样式里的轮廓,点击生成要素,即可完成初步的建筑模型创建。
选用百度地图截获器获取历史数据,将缩放级别设定为19级,调出百度地图,在左下角的城市名称中输入大连市,确定所要爬取矩形范围的左下角和右上角Row(x)和Column(y)值,输入到百度地图截获器中,然后选择历史数据即可完成数据爬取。在GIS中打开爬取的历史数据,同样选用工具箱中“Spatial Analyst”的“重分类”,在输入栅格中打开线路图片,点击重分类下的分类按钮,将类别设置为2类,在目录栏右键点击线路图片所在的文件夹,创建折线的SHP文件,统一选用WGS84地理坐标系。通过编辑器对折线文件开始编辑,点击矢量化,选择显示预览,再选择矢量化设置,选择样式里的轮廓,点击生成要素,即可完成初步的线路模型创建。
选用Python爬取百度API(http://lbsyun.baidu.com/)接口的兴趣点数据。首先,确定该研究区域的经纬度坐标,为了保证每一个兴趣点都能成功获取,不被遗漏,将爬取的经纬度坐标范围进行适当的扩大,确定最终的坐标范围;然后,出于数据保护目的,百度API接口单次访问服务会受到限制,每次最多返回400条数据,此限制无法修改,而研究区域所要爬取的数据远超过400条,因此需要对该经纬度下的区域进行网格划分,通过设置检索范围,即以0.01°的间距(相当于1.1*1.1平方公里)进行单次访问,待全部访问结束后,将获取的数据进行整合;最后,通过requests请求获取该区域内的兴趣点数据,将兴趣点数据按要求分类,下载到SQL数据库中并保存为CSV格式,其中包含的基本信息有经度、纬度、名称、地址、类型。
选用香农-威纳指数(Shannon-Weiner index)作为研究指标,探讨300m×300m网格下兴趣点所代表的区域功能多样性与光伏发电负载之间的关系。香农-威纳指数原本是用来调查植物群落的多样性,这里用来研究区域内功能的多样性对光伏发电负载的影响,其中包含两个重要因素:(1)功能种类的数目,即研究区域内功能的丰富程度;(2)功能种类中个体分配上的均匀性(evenness)或平均性(equitability)。其中,功能种类的数目多,可以增加多样性;功能种类之间个体分配的均匀性或平均性增加也能使多样性得到提高。公式如下:
其中,S表示网格下总的兴趣点类型,Pi表示第i个类型的兴趣点数量占兴趣点总数量的比例。当网格中只有一种兴趣点类型存在时,香农指数为最小值0,当网格中有两种类型的兴趣点,且每种类型的兴趣点数量相等时,香农指数为最大值lnS.
在获取到宜出行数据后,为了对该数据进行统计和分析,需要将宜出行数据导入GIS创建的模型中,让宜出行图层和300m×300m网格图层“相交”,使宜出行图层中每个点都带有网格编号,对网格编号字段进行汇总,得到300m×300m网格下宜出行的分布和数量。以往有研究证明,光伏发电负载与log10的人口密度存在较强的相关性,因此本文在计算300m×300m网格下宜出行数据后,对该数值进行log10运算,最终得到300m×300m网格下的活力值数据的分布和大小。
进一步地,所述进行光伏发电负载和自然资源的空间分布,气象数据的获取和整理计算,检验光伏发电负载的空间自相关性和聚集性,还包括:
模拟光伏发电负载数据,通过无人机航拍获取研究区域内多个点位的光伏发电站,利用Python编写算法识别并提取光伏发电站,导入Soundplan中模拟光伏发电负载数据,对光伏发电负载进行可视化分析光伏发电负载的空间分布;
计算300m×300m网格下光伏发电负载的空间权重矩阵,采用Queen邻接式,分别选择GIS和GeoDa进行不同软件的计算;
利用计算的空间权重矩阵得到全局莫兰指数和局部莫兰指数,检验光伏发电负载的空间关联性和集聚性问题,通过全局莫兰指数发现300m×300m网格下光伏发电负载存在随空间位置变化而产生聚集的情况;
分析局部莫兰指数发现光伏发电负载存在高-高聚聚、低-低聚集、高-低聚集以及低-高聚集四种情况;
所述气象数据主要有月平均气温、月平均最高气温、月平均最低气温、月降水量、雨日、月平均相对湿度、月平均风速和月平均云量。
选取一定数量、具有代表性的拍摄点位,利用无人机航拍技术采集各个方向的光伏发电站数据,同时利用声级计采集实测的光伏发电负载数据;然后将拍摄的视频导入电脑中,利用Python编写算法,识别并提取视频内的车辆数据,从而准确获取该地段的光伏发电站;最后将获得的光伏发电站导入Soundplan中,设置相应的模拟参数,计算得到初步的模拟值,然后根据实测值对模拟值进行检验与修正,进而得到最终的光伏发电负载数据。
对视频中运动车辆进行识别和提取,采用的是帧间差分算法中的两次三差分法。由于航拍采集的视频序列具有连续性的特点,如果场景内没有运动的车辆,那么连续帧的变化就会很微弱,如果场景内存在运动的车辆,那么连续的帧与帧之间就会存在明显的变化。该算法对连续时间上三帧图像进行两两差分计算,不同帧对应的像素点进行相减,计算灰度差的绝对值,判断像素点是运动车辆还是背景,当灰度差的绝对值超过设定的阈值时,即可确定为运动车辆,从而实现光伏发电站的检测功能。
进一步地,所述利用网络平台数据的多源、人本、时空属性等特征、线路可达性特征、模型时间设置和情景气候数据的输入,选取具有显著性的影响因素探究对光伏发电负载的影响,将线路可达性的整合度和选择度作为指标与光伏发电负载数据进行叠加,将网络平台数据与光伏发电负载数据进行叠加,从城市源头进行光伏发电负载的量化分析,还包括:
通过GIS划分的网格单元,将城市中具有代表性的网络平台数据,包括兴趣点和活力值,与光伏发电负载进行空间分析和统计分析,探讨各个网格单元中网络平台数据对光伏发电负载的影响;
利用空间聚类分析中的核密度分析,探究兴趣点的空间分布,再与光伏发电负载图进行叠加分析,通过兴趣点来解释和预估光伏发电负载;
利用空间聚类分析中的核密度分析,探究活力值的大小以及空间分布,再与光伏发电负载图进行叠加分析,通过活力值来解释和预估光伏发电负载;
对比兴趣点、活力值与光伏发电负载的相关性,选取具有显著性的影响因素作为最终指标对光伏发电负载进行回归分析,进而解释并预估光伏发电负载;
需要的输入数据还包括:月平均气温、绝对最低温度与最冷月平均温度的差值、月平均雨日、月平均风速、月平均云量、月平均日降水量、月平均相对湿度、土壤砂粒含量、土壤粘粒含量、高程、海陆分异特征值、气候距平数据;
利用ArcGIS处理边界范围数据,利用Matlab和计算机程序对气候数据进行插值,并将所有输入数据整理为NETCDF格式;
在VMware虚拟机软件中调整XGBOOST相应参数和增加需要的输出数据程序模块,再运行XGBOOST模型。
所述XGBOOST模型主要由4个子模块构成,包括陆面过程模块、植被物候模块、地下碳氮循环模块和植被动态模块。陆面过程模块是以Thompson和Pollard的LSX陆面模型为基础,使用六层土壤剖面(从顶部到底端分别是0.10,0.25,0.50,1.00,2.00和4.00m)来模拟陆面能量、水、CO2等的平衡。为了体现日动态变化,陆面模型运行的时间步长设置为60分钟。
本文需要对模型输出的电力和热力进行分析和计算,在分析和计算之前,需要先对电力和热力的模拟精度进行检验,目的在于保证XGBOOST模型对区域综合能源系统研究适宜的前提下,再利用该模型进行功率平衡的模拟和预估。本文采用的是平均相对误差(MRE)计算方法来判断模型模拟的精确度,同时也采用该方法进行气象数据插值精度检验,计算公式如下:
式中:n代表观测点数量,Simulated(i)代表第i个观测点模拟值,Observed(i)代表第i个观测点的实测值。
进一步地,所述用空间句法分析历史数据,同时对网络平台数据进行空间分析用于解释和预估光伏发电负载和生态自然资源平衡,还包括:.
用网络平台数据的住宅类兴趣点、光伏发电类兴趣点、活力值和空间句法的标准化角度整合度这四类指标建立的线性回归模型;
将城市规划要素指标划分为线路长度指数、边界密度,将这组指标与光伏发电负载进行线性回归分析;
通过对拉格朗日乘数、决定系数、似然函数对数值等标准进行检验判断后,发现在所有模型当中对光伏发电负载的解释和预测能力的分析结果;
所述生态自然资源平衡包括进行功率平衡模拟,结果涉及电力、热力和天然气三个量之间的计算。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于综合能源系统的源端功率短期预测方法,所述能源系统包括自然资源,并对光伏发电负载进行分析,其特征在于,包括步骤:
研究对象和开放数据获取,对研究场地的选取,对场地进行 300m×300m 的网格划分,利用百度地图截获器抓取场地内的天气数据和历史数据,利用Python 抓取场地内的兴趣点数据和活力值数据;
进行光伏发电负载和自然资源的空间分布,气象数据的获取和整理计算,检验光伏发电负载的空间自相关性和聚集性;
利用网络平台数据的多源、人本、时空属性等特征、线路可达性特征、模型时间设置和情景气候数据的输入,选取具有显著性的影响因素探究对光伏发电负载的影响,将线路可达性的整合度和选择度作为指标与光伏发电负载数据进行叠加,将网络平台数据与光伏发电负载数据进行叠加,从城市源头进行光伏发电负载的量化分析;
用空间句法分析历史数据,同时对网络平台数据进行空间分析用于解释和预估光伏发电负载和生态自然资源平衡。
2.如权利要求1所述的一种基于综合能源系统的源端功率短期预测方法,其特征在于,所述步骤研究对象和开放数据获取,对研究场地的选取,对场地进行 300m×300m 的网格划分,利用百度地图截获器抓取场地内的天气数据和历史数据,利用Python 抓取场地内的兴趣点数据和活力值数据,还包括:
对象选址、开放数据获取以及网格的划分与赋值:
首先按照标准和要求选取合适的研究场地,利用百度地图截获器爬取场地内的基础数据,包括天气数据和历史数据;
利用 python 爬取网络平台数据中代表城市区域功能的兴趣点数据和反映相对人口密度的活力值数据,对数据进行初步的整理、加工以及分析;
在 GIS 中建立研究模型,对场地进行街区层级下 300m×300m网格的划分,并对划分的网格进行赋值。
3.如权利要求1所述的一种基于综合能源系统的源端功率短期预测方法,其特征在于,所述进行光伏发电负载和自然资源的空间分布,气象数据的获取和整理计算,检验光伏发电负载的空间自相关性和聚集性,还包括:
模拟光伏发电负载数据,通过无人机航拍获取研究区域内多个点位的光伏发电站,利用 Python 编写算法识别并提取光伏发电站,导入 Soundplan 中模拟光伏发电负载数据,对光伏发电负载进行可视化分析光伏发电负载的空间分布;
计算 300m×300m 网格下光伏发电负载的空间权重矩阵,采用 Queen 邻接式,分别选择 GIS 和 GeoDa 进行不同软件的计算;
利用计算的空间权重矩阵得到全局莫兰指数和局部莫兰指数,检验光伏发电负载的空间关联性和集聚性问题,通过全局莫兰指数发现 300m×300m 网格下光伏发电负载存在随空间位置变化而产生聚集的情况;
分析局部莫兰指数发现光伏发电负载存在高-高聚聚、低-低聚集、高-低聚集以及低-高聚集四种情况;
所述气象数据主要有月平均气温、月平均最高气温、月平均最低气温、月降水量、雨日、月平均相对湿度、月平均风速和月平均云量。
4.如权利要求1所述的一种基于综合能源系统的源端功率短期预测方法,其特征在于,所述利用网络平台数据的多源、人本、时空属性等特征、线路可达性特征、模型时间设置和情景气候数据的输入,选取具有显著性的影响因素探究对光伏发电负载的影响,将线路可达性的整合度和选择度作为指标与光伏发电负载数据进行叠加,将网络平台数据与光伏发电负载数据进行叠加,从城市源头进行光伏发电负载的量化分析,还包括:
通过 GIS 划分的网格单元,将城市中具有代表性的网络平台数据,包括兴趣点和活力值,与光伏发电负载进行空间分析和统计分析,探讨各个网格单元中网络平台数据对光伏发电负载的影响;
利用空间聚类分析中的核密度分析,探究兴趣点的空间分布,再与光伏发电负载图进行叠加分析,通过兴趣点来解释和预估光伏发电负载;
利用空间聚类分析中的核密度分析,探究活力值的大小以及空间分布,再与光伏发电负载图进行叠加分析,通过活力值来解释和预估光伏发电负载;
对比兴趣点、活力值与光伏发电负载的相关性,选取具有显著性的影响因素作为最终指标对光伏发电负载进行回归分析,进而解释并预估光伏发电负载;
需要的输入数据还包括:月平均气温、绝对最低温度与最冷月平均温度的差值、月平均雨日、月平均风速、月平均云量、月平均日降水量、月平均相对湿度、土壤砂粒含量、土壤粘粒含量、高程、海陆分异特征值、气候距平数据;
利用 ArcGIS 处理边界范围数据,利用Matlab 和计算机程序对气候数据进行插值,并将所有输入数据整理为 NETCDF格式;
在 VMware 虚拟机软件中调整 XGBOOST相应参数和增加需要的输出数据程序模块,再运行 XGBOOST 模型。
5.如权利要求1所述的一种基于综合能源系统的源端功率短期预测方法,其特征在于,所述用空间句法分析历史数据,同时对网络平台数据进行空间分析用于解释和预估光伏发电负载和生态自然资源平衡,还包括:.
用网络平台数据的住宅类兴趣点、光伏发电类兴趣点、活力值和空间句法的标准化角度整合度这四类指标建立的线性回归模型;
将城市规划要素指标划分为线路长度指数、边界密度,将这组指标与光伏发电负载进行线性回归分析;
通过对拉格朗日乘数、决定系数、似然函数对数值等标准进行检验判断后,发现在所有模型当中对光伏发电负载的解释和预测能力的分析结果;
所述生态自然资源平衡包括进行功率平衡模拟,结果涉及电力、热力和天然气三个量之间的计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334931.1A CN113971348B (zh) | 2021-11-11 | 2021-11-11 | 一种基于综合能源系统的源端功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334931.1A CN113971348B (zh) | 2021-11-11 | 2021-11-11 | 一种基于综合能源系统的源端功率短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971348A true CN113971348A (zh) | 2022-01-25 |
CN113971348B CN113971348B (zh) | 2024-04-02 |
Family
ID=79589674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111334931.1A Active CN113971348B (zh) | 2021-11-11 | 2021-11-11 | 一种基于综合能源系统的源端功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971348B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116865263A (zh) * | 2023-08-30 | 2023-10-10 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259474A1 (en) * | 2011-04-11 | 2012-10-11 | General Electric Company | Systems and Methods for Analyzing Energy Usage |
CN110942205A (zh) * | 2019-12-05 | 2020-03-31 | 国网安徽省电力有限公司 | 一种基于himvo-svm的短期光伏发电功率预测方法 |
CN110956329A (zh) * | 2019-12-02 | 2020-04-03 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
CN113468790A (zh) * | 2021-07-12 | 2021-10-01 | 湖北工业大学 | 一种基于改进粒子群算法的风速特征模拟方法及系统 |
-
2021
- 2021-11-11 CN CN202111334931.1A patent/CN113971348B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120259474A1 (en) * | 2011-04-11 | 2012-10-11 | General Electric Company | Systems and Methods for Analyzing Energy Usage |
CN110956329A (zh) * | 2019-12-02 | 2020-04-03 | 国网浙江省电力有限公司绍兴供电公司 | 基于分布式光伏与电动汽车时空分布的负荷预测方法 |
CN110942205A (zh) * | 2019-12-05 | 2020-03-31 | 国网安徽省电力有限公司 | 一种基于himvo-svm的短期光伏发电功率预测方法 |
CN113468790A (zh) * | 2021-07-12 | 2021-10-01 | 湖北工业大学 | 一种基于改进粒子群算法的风速特征模拟方法及系统 |
Non-Patent Citations (1)
Title |
---|
王红庆;强诗瑗;陈鑫;徐朔阳;朱亦红;: "具有混沌特性的风电功率预测研究", 山西师范大学学报(自然科学版), no. 01, 30 March 2018 (2018-03-30) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116865263A (zh) * | 2023-08-30 | 2023-10-10 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN116865263B (zh) * | 2023-08-30 | 2024-01-09 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113971348B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | View-based greenery: A three-dimensional assessment of city buildings’ green visibility using Floor Green View Index | |
Guney et al. | Tailoring a geomodel for analyzing an urban skyline | |
Peronato et al. | A toolkit for multi-scale mapping of the solar energy-generation potential of buildings in urban environments under uncertainty | |
Klouček et al. | How does data accuracy influence the reliability of digital viewshed models? A case study with wind turbines | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
Wang et al. | A systematic method to develop three dimensional geometry models of buildings for urban building energy modeling | |
CN107392252A (zh) | 计算机深度学习图像特征并量化感知度的方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN112528508A (zh) | 电磁可视化方法和装置 | |
Liang et al. | Modeling urban growth in the middle basin of the Heihe River, northwest China | |
Graves McEwan | Qualitative Landscape Theories and Archaeological Predictive Modelling—A Journey Through No Man’s Land? | |
CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
Wang et al. | Simulating large-scale urban land-use patterns and dynamics using the U-Net deep learning architecture | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
CN113971348B (zh) | 一种基于综合能源系统的源端功率短期预测方法 | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Kastner et al. | A GAN-based surrogate model for instantaneous urban wind flow prediction | |
Puspitasari et al. | A reliable method for visibility analysis of tall buildings and skyline: A case study of tall buildings cluster in Jakarta | |
Shirowzhan et al. | Developing metrics for quantifying buildings’ 3D compactness and visualizing point cloud data on a web-based app and dashboard | |
Mubea et al. | Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya | |
Yao et al. | Delineating mixed urban “jobs-housing” patterns at a fine scale by using high spatial resolution remote-sensing imagery | |
CN114580975A (zh) | 街区活力获得方法及系统及装置及介质 | |
Reijsbergen | Probabilistic modelling of station locations in bicycle-sharing systems | |
Han et al. | Holistic visual data representation for built environment assessment | |
CN117371823B (zh) | 一种国土空间开发利用生态效应动态模拟预测系统 |
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 |