CN114239962A - 一种基于开源信息的精细化空间负荷预测方法 - Google Patents
一种基于开源信息的精细化空间负荷预测方法 Download PDFInfo
- Publication number
- CN114239962A CN114239962A CN202111545943.9A CN202111545943A CN114239962A CN 114239962 A CN114239962 A CN 114239962A CN 202111545943 A CN202111545943 A CN 202111545943A CN 114239962 A CN114239962 A CN 114239962A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- open source
- information
- load prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000013589 supplement Substances 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于配电网规划的空间负荷预测技术领域,提供一种基于开源信息的精细化空间负荷预测方法,根据开源地图收集POI数据信息,得到电力用户的基础信息,对电力用户进行二次查询,补充信息;针对待预测区域的实际情况构建相应的用户推荐负荷指标体系,对各电力用户进行负荷估算;对数据样本集合进行基于密度峰值搜索的聚类分析,以聚类得到的群簇划分供电网格;基于待预测区域的情况进行总量负荷预测得到目标年的总量负荷预测值;最后结合总量负荷预测结果与负荷分布情况,基于网格负荷归一化占比分配总量负荷完成空间负荷预测。本发明方法实现从规划区域的用户底层数据出发划分供电网格,自上而下的进行空间负荷预测,且预测结果准确性高。
Description
技术领域
本发明属于配电网规划的空间负荷预测技术领域,涉及一种基于开源信息的精细化空间负荷预测方法。
背景技术
随着经济的发展,城市电力负荷结构呈多样化、复杂化发展,导致城市电力负荷特性难以捕捉,尤其近年来配电网不断建设与改造,电力系统管理由粗放型向精益型转变,对网格化规划区域所展开的空间负荷预测提出了更高的要求。
目前采用的空间负荷预测方法可以分为四种:主观性较强的用地仿真法、基于土地类型已知的前提展开的负荷密度指标法、考虑多因素影响的多元变量法和较为传统的趋势类方法。基于以上四类方法研究人员从多个方面对空间负荷预测方法进行了改进与优化。
但现有的空间负荷预测研究大多在网格的划分上并未考虑电力用户本身的特点,所划分的供电网格与用户的底层数据信息匹配度较低,用于开展用户负荷预测具有很大的局限性。
发明内容
本发明的目的是为了克服上述现有技术的不足之处,提出一种基于开源信息的精细化空间负荷预测方法,自上而下准确的完成空间负荷预测工作,保证在网格化规划中划分的供电网格与用户的底层数据信息有较高的匹配度。
本发明的目的是通过以下技术措施实现的。
步骤1:根据开源地图收集POI(Point of Interest)数据信息,对开源信息中重复数据及缺失数据等进行抽取转化并根据数据标签进行分类,得到电力用户的基础信息;
步骤2:对基础信息进行数据清洗,并利用大数据技术对电力用户信息进行二次查询,补充电力用户的信息;
步骤3:针对待预测区域的实际情况构建相应的用户推荐负荷指标体系,对各电力用户进行负荷估算,得到不同年度负荷空间分布样本数据集合S={x1,x2,…,xn};
步骤4:输入各样本点的数据进行基于密度峰值搜索的聚类分析,以聚类得到的群簇划分供电网格;
步骤5:对待预测区域进行总量负荷预测,得到目标年的总量负荷预测值P;
步骤6:利用步骤3中所建立的用户推荐负荷指标体系将网格中不同类别用户数量加权归一化,得到各网格加权后的负荷数量Ni,进一步计算各网格负荷归一化占比li,
最后将总量预测结果规划至各网格,完成空间负荷预测。
Pi=Pli
本发明提出的一种精细化的实用型空间负荷预测方法能够有效解决现有空间负荷预测方法准确度偏低的问题。首先根据开源地图收集POI(Point of Interest)数据信息,得到电力用户的基础信息后进一步对基础信息进行数据清洗,并利用大数据技术对电力用户信息进行二次查询,补充电力用户的信息;接着针对待预测区域的实际情况构建相应的用户推荐负荷指标体系,对各电力用户进行负荷估算,得到不同年度负荷空间分布数据样本集合;对数据样本集合进行基于密度峰值搜索的聚类分析,以聚类得到的群簇划分供电网格;接着基于待预测区域的具体情况进行总量负荷预测得到目标年的总量负荷预测值;最后结合总量负荷预测结果与负荷分布情况,基于网格负荷归一化占比分配总量负荷完成空间负荷预测。本发明方法实现从规划区域的用户底层数据出发划分供电网格,自上而下的进行空间负荷预测,且所得预测结果有较高的准确性。
附图说明
图1为本发明基于开源信息的精细化空间负荷预测方法流程图。
具体实施方式
为了便于理解本发明,下面结合附图及实施例对本发明的实施方式做进一步描述。附图中给出了本发明的一个实施方式,应当理解,此实施例仅仅用以解释本发明,并不用于限定本发明。提供此实施例的目的是使对本发明的公开内容理解的更加透彻全面。
本发明实施例提出一种基于开源信息的精细化空间负荷预测方法,如图1所示,包括如下步骤:
步骤1:采用百度地图开放平台公开的Place API端口分年度收集规划区域内开源电力用户信息,对开源信息中重复数据及缺失数据等进行抽取转化并根据用户行业标签进行分类,得到电力用户的基础信息;
步骤2:利用python爬虫脚本对电力用户信息进行二次查询,对电力用户的信息进行补充。收集全国企业信用信息公示系统、国家知识产权局、商标局等网站中用户的开源关联信息作为补充,完成电力用户开源信息的收集,主要有使用面积、营业期限和经营状态等。
步骤3:在将开源信息补充完整后,结合待预测区域的城市规划方案以及规划单位建设用地的负荷指标建立相应的用户推荐负荷指标体系,对各电力用户进行负荷估算,得到不同年度负荷空间分布样本数据集合;
步骤4:输入样本数据集合S={x1,x2,…,xn}进行基于密度峰搜索的聚类分析,计算各样本点的局部密度ρi和样本间距δi等关键指标,其表达式如下
其中IS={1,2,…,n}为相应的下标集合,dij=dist(xi,xj)为数据点xi与xj之间的地球球面距离,dc为截断距离。选择出局部密度和距离均较大的数据点(按照局部密度>4500kW·(km2)-1并且距离>200m的标准来选定)作为聚类中心,并对非群簇中心的点进行群簇归类,将各数据点与高于其局部密度且距离最近的数据点归为同一类,完成整个聚类过程,以聚类得到的群簇划分供电网格;
步骤5:综合多种传统总量负荷预测方法对规划区进行总量负荷预测,并结合规划区域的土地类型的得到目标年的总量负荷预测值;
步骤6:利用步骤3中所建立的用户推荐指标体系将网格中不同类别用户数量加权归一化,得到各网格负荷数量Ni,计算规划区各个网格的负荷数量Ni与规划区总体负荷数量的比值,得到各网格的负荷归一化占比li,从而计算出各网格的预测结果。
最后将待预测区域所得空间负荷预测结果与目标年的实际负荷量进行比对,如下表所示
供电网格编号 | 空间负荷预测结果/kW | 实际负荷量/kW | 相对误差/(%) |
M2 | 2153.01 | 1995.88 | 7.87 |
M3 | 1656.14 | 1934.22 | 14.38 |
M4 | 833.71 | 869.95 | 4.17 |
M5 | 1691.09 | 1660.01 | 1.87 |
M6 | 1798.50 | 1691.47 | 6.33 |
其中由于M3中电力用户处于快速增长阶段,开源信息更新不及时,导致负荷预测出现较大的相对误差,而对于其他发展成熟的供电单元而言,均能够得到比较准确的预测结果。
本说明书中未作详细描述的内容,属于本专业技术人员公知的现有技术。
以上所述,仅为本发明的具体实施例,但本发明的适用范围并不局限于此,凡是由本领域工作人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种基于开源信息的精细化空间负荷预测方法,其特征在于该方法包括以下步骤:
(1)根据开源地图收集POI数据信息,对开源信息中重复数据及缺失数据进行抽取转化并根据数据标签进行分类,得到电力用户的基础信息;
(2)对基础信息进行数据清洗,并利用大数据技术对电力用户信息进行二次查询,补充电力用户的信息;
(3)针对待预测区域的实际情况构建相应的用户推荐负荷指标体系,对各电力用户进行负荷估算,得到不同年度负荷空间分布样本数据集合S={x1,x2,…,xn};
(4)输入各样本点的数据进行基于密度峰值搜索的聚类分析,以聚类得到的群簇划分供电网格;
(5)对待预测区域进行总量负荷预测,得到目标年的总量负荷预测值P;
(6)利用步骤(3)中所建立的用户推荐负荷指标体系将网格中不同类别用户数量加权归一化,得到各网格加权后的负荷数量Ni,进一步计算各网格负荷归一化占比li,
最后将总量预测结果规划至各网格,
Pi=Pli
完成空间负荷预测。
2.根据权利要求1所述的基于开源信息的精细化空间负荷预测方法,其特征在于,所述的步骤(2)中“补充电力用户的信息”具体为:完成电力用户开源信息的收集,包括有使用面积、营业期限和经营状态。
3.根据权利要求1所述的基于开源信息的精细化空间负荷预测方法,其特征在于,所述的步骤(3)中“针对待预测区域的实际情况构建相应的用户推荐负荷指标体系”具体为:结合待预测区域的城市规划方案以及规划单位建设用地的负荷指标建立相应的用户推荐负荷指标体系。
4.根据权利要求1所述的基于开源信息的精细化空间负荷预测方法,其特征在于,所述的步骤(4)中“基于密度峰值搜索的聚类分析”具体为:
输入样本数据集合S={x1,x2,…,xn}进行基于密度峰搜索的聚类分析,计算各样本点的局部密度ρi和样本间距δi,其表达式如下
其中IS={1,2,…,n}为相应的下标集合,dij=dist(xi,xj)(i,j∈Is,i≠j)为数据点xi与xj之间的地球球面距离,dc为截断距离;选择出局部密度和距离均较大的数据点作为聚类中心,并对非群簇中心的点进行群簇归类,将各数据点与高于其局部密度且距离最近的数据点归为同一类,完成整个聚类过程,以聚类得到的群簇划分供电网格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111545943.9A CN114239962A (zh) | 2021-12-16 | 2021-12-16 | 一种基于开源信息的精细化空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111545943.9A CN114239962A (zh) | 2021-12-16 | 2021-12-16 | 一种基于开源信息的精细化空间负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239962A true CN114239962A (zh) | 2022-03-25 |
Family
ID=80757360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111545943.9A Pending CN114239962A (zh) | 2021-12-16 | 2021-12-16 | 一种基于开源信息的精细化空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239962A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028838A (zh) * | 2023-01-09 | 2023-04-28 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN116523278A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
-
2021
- 2021-12-16 CN CN202111545943.9A patent/CN114239962A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028838A (zh) * | 2023-01-09 | 2023-04-28 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN116028838B (zh) * | 2023-01-09 | 2023-09-19 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN116523278A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
CN116523278B (zh) * | 2023-07-05 | 2023-10-13 | 北京观天执行科技股份有限公司 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chiu et al. | An intelligent market segmentation system using k-means and particle swarm optimization | |
CN106022509B (zh) | 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 | |
CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN110097529B (zh) | 一种基于语义规则的农田定级单元划分方法及系统 | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN106600063B (zh) | 一种基于模糊粗糙集理论和时空信息的空间负荷预测方法 | |
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 | |
CN112990976A (zh) | 基于开源数据挖掘的商业网点选址方法、系统、设备及介质 | |
CN111985389A (zh) | 一种基于流域属性距离的流域相似判别方法 | |
CN112766800A (zh) | 一种基于模糊层次分析法的城市绿色交通系统评价方法 | |
CN108898244A (zh) | 一种耦合多源要素的数字标牌位置推荐方法 | |
Guo et al. | Harris hawks optimization algorithm based on elite fractional mutation for data clustering | |
CN111461197A (zh) | 一种基于特征提取的空间负荷分布规律研究方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN113240209A (zh) | 一种基于图神经网络的城市产业集群发展路径预测方法 | |
CN109409394A (zh) | 一种基于半监督聚类的cop-kmeans方法与系统 | |
CN112381644A (zh) | 一种基于空间变量推理的信贷场景风险用户评估方法 | |
CN116720750A (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
CN115205699B (zh) | 一种基于cfsfdp改进算法的地图图斑聚类融合处理方法 | |
CN116416090A (zh) | 火电行业碳排放效率的空间关联网络特征获取方法及系统 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
Liang et al. | A statistical analysis model of big data for precise poverty alleviation based on multisource data fusion | |
CN114091904A (zh) | 一种基于人工智能算法的企业迁移园区招商分析方法 | |
Karimi et al. | Analyzing the results of buildings energy audit by using grey incidence analysis | |
Li et al. | Identifying urban form typologies in seoul with mixture model based clustering |
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 |