空间电力负荷预测问题研究_第1页
空间电力负荷预测问题研究_第2页
空间电力负荷预测问题研究_第3页
空间电力负荷预测问题研究_第4页
空间电力负荷预测问题研究_第5页
已阅读5页,还剩11页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

空间电力负荷预测问题研究

0sf-4研究新方法也称为空间负荷预测,简称sl,是指对供电区域内未来电力负荷的大小和位置的预测,或sl。在指定区域内,电力负荷的时空分布预测。SLF是电力系统规划的基础性工作之一,根据SLF的结果来确定供电设备应当配置的容量及其最佳位置,可提高电力系统建设的经济性、高效性、可靠性。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。随着对电力系统的管理由粗放型向精益化的转变,传统负荷预测已不能满足电力系统规划的要求,所以SLF就成为热点研究课题。虽然国内外学者在这方面做了大量的研究工作,提出了很多种SLF方法[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66],但是每种SLF方法都有各自的适用条件和不足之处,在什么情况下使用何种方法呢?SLF的关键技术是什么?该领域内还有哪些相关问题需要深入探索?为了回答这些问题,本文回顾了SLF技术发展的历史,对现有的各种SLF方法、原理做了系统的归纳分析,进一步指出了SLF未来的研究重点及方向。1srf的起源国外自从20世纪30年代中期出现有关电力负荷分布的负荷预测的记载以来,一直称之为小区负荷预测。直到1983年,H.L.Willis给出了SLF的定义,即在未来的供电范围内,根据电压水平不同,将用地按照一定原则划分为相应大小的规则或不规则小区(每个小区又称为一个负荷元胞,简称元胞),通过对元胞负荷的历史数据的分析,以及对元胞内土地利用的特征和发展规律的分析,来预测每个元胞中电力用户负荷的数量、用量和产生的时间。从此SLF一词被广为接受和使用。国内关于SLF的研究起步相对较晚,最早明确使用SLF术语的文献出现在1989年,但最近20年对SLF理论进行了越来越深入的研究,并充分发挥地理信息系统(geographicinformationsystem,GIS)平台的作用,取得了更多、更快的进展。为了能够直观方便地看出国内外关于SLF技术的发展历程,本文给出了SLF取得重要进展的时间节点,如图1所示。2解析分析方法现有的SLF方法有几十种之多,若按照预测原理来分类,可分为用地仿真类SLF方法、负荷密度指标法、多元变量法及趋势类SLF方法;若根据预测过程是否可以写出解析表达式,可分为解析类预测方法和非解析类预测方法;若从确定元胞负荷与总量负荷的先后顺序来说,可分为自上而下的预测方法和自下而上的预测方法。具体分类情况如图2所示。本文采用按原理分类的顺序展开讨论。3模拟土地恢复方法slf3.1sf方法流程用地仿真类SLF法是通过分析土地利用的特性及发展规律,来预测土地的使用类型、地理分布和面积构成,并在此基础上将土地使用情况转化为空间负荷。其具体做法通常是将预测区域划分为大小一致的网格,每个网格为一个元胞,通过分析它的空间数据及相关信息,将其空间属性与用地需求相匹配,以评分的方式对各元胞适合于不同用地类型发展的程度进行评价。同时,结合整个预测区域的总量负荷预测结果与分类负荷密度预测结果,推导出未来年各用地类型的使用面积。根据元胞用地评分,建立用地分配模型,将分类土地使用面积分配到各元胞内,得到预测区域用地分布预测结果,结合分类负荷密度预测值,从而求出空间负荷分布,进而还可得到预测区域内匹配后的系统负荷[2,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37]。从数学角度分析用地仿真法的实现过程,又可用以下3种映射来描述。式中:f1将元胞(x,y)的特征F(x,y)映射成土地使用面积L(x,y);f2将土地使用面积L(x,y)映射成元胞负荷S(x,y);f3将元胞负荷累加成系统负荷St。f1实际上是元胞的用地决策过程,其中又包含2个映射。式中:f1′:F(x,y)→P(x,y),即把元胞的空间属性F(x,y)映射成元胞用地评分P(x,y);f1″:P(x,y)→L(x,y),即把用地评分映射成用地分布L(x,y)。式中:m为土地使用类型的数目;LCi为第i类的负荷密度;Li(x,y)和S(ix,y)分别表示元胞(x,y)的第i类土地使用面积和负荷。综上,用地仿真类SLF方法的实现流程可以用图3来表示,其核心部分是用地决策,而且假设了各类用地面积和分类负荷密度是已知的。可见元胞用地评分才是用地仿真类SLF方法的关键所在。3.2模糊多目标多人决策技术传统用地仿真法中的用地决策环节,通常依靠专家的意见来对元胞适合于每种土地使用类型的发展程度进行评分,并根据分值高低推断各元胞未来用地面积分配情况。但这样得到的评分结果受主观因素影响较大,势必导致基于用地面积分配而得到的元胞负荷预测值出现不同程度的偏差。1996年,模糊逻辑技术首次应用于用地仿真法的元胞用地决策中,其具体做法是:首先在对元胞空间属性分析的基础上,确定模糊集,将元胞的空间信息模糊化;然后根据专家经验建立模糊规则库,使用专家指定的隶属函数,得到模糊推理结果;最后,经过对模糊推理结果的清晰化,将模糊量转化为清晰量,从而得出元胞用地评分。最初的基于模糊逻辑技术的SLF方法在用地决策过程中均采用了单人决策方式,致使隶属度函数的选择受主观因素影响较大。对此文献[14-15]在做用地决策时引入了模糊多目标多人决策技术,具体做法是:首先,采用模糊语言算子区分各相关空间因素的相对重要程度;其次,引入层次分析法将语言算子转化为精确权重;然后,预测时由多个专家各自独立提出用地决策策略隶属度函数并分别决策;最后,综合考虑多人决策判断出最终用地类型。该方法有效降低了以往模糊推理方法对元胞用地进行评分过程中的主观性影响。随着预测区域内部情况的变化,或预测区域的扩展,先前合理的模糊规则可能在一段时间后不再适用,因此模糊逻辑技术采用的模糊集和模糊规则都需要不断地调整,为此又引入了神经网络、遗传算法。其具体做法是:利用模糊知识库来模拟每个用地类型的用地要求,将元胞空间属性数据作为训练样本,使用神经网络和遗传算法来调整模糊规则,训练模糊集的参数,最终获得元胞适用于各用地类型的发展程度。这种算法既融合了神经网络的学习能力、自适应能力,又保留了模糊系统的知识表达的灵活性和严谨的推理逻辑性,能够修正规划人员凭经验给定的模糊规则库(模糊规则库能根据负荷发展而不断地自调整),在建立模糊规则的过程中也可以有效地减少主观因素带来的影响。文献提出了一种在知识不完备的情况下,考虑前提重要性的模糊逻辑近似推理和决策方法,并将其应用于建立SLF中的元胞用地适应性和优劣性评价的推理模型。具体做法是:首先确定评价因子,构建评价系统;其次生成模糊推理规则库,并进行计及前提重要性(对评价因子的重要性加权)的模糊推理;然后提出将隶属函数的平方作为新权值用于清晰化过程的决策方法,得出土地优劣性与适应性的评价结果。3.3模糊粗模拟技术和云理论的结合虽然在元胞用地决策过程中可以采用模糊逻辑技术,但是考虑到地理环境、社会条件以及经济发展等诸多因素的影响,并且采用较高的空间分辨率的时候,模糊规则将成倍增加,导致用地决策过程变得繁杂而难于实现。为此,粗糙集理论被引入到了SLF中。通过对可能影响元胞用地决策的众多相关属性进行约简,去除冗余属性,使得用地决策过程相对简单,提高了SLF的效率。把粗糙集理论和模糊逻辑技术结合起来用于SLF,便产生了一种基于模糊粗糙集理论的综合数据挖掘方法。其具体做法是:采用粗糙集理论的信息系统循环采样技术,通过数据库知识获取手段把各样本按照自身的属性值进行聚类,根据聚类中心对连续取值的属性设定模糊值,根据决策属性包含度对模糊粗糙规则进行筛选,同样通过数据库知识获取手段来判断用地类型的转换,从而得到元胞用地类型的变化情况。然而,基于模糊粗糙集理论的综合数据挖掘方法在数据离散过程中,忽略了数据离散化本身所具有的不确定性,而且进行元胞用地评分时也忽略了元胞空间属性泛化后概念的模糊性。因此,文献引入了云理论,在元胞空间属性数据离散化过程里采用了面向属性的归纳方法中的最大方差法连续数据离散化方法,利用云模型将离散区间模糊化,既保持离散化的总体最优特性,又使离散区间具有一定的弹性,从而自动生成决策推理的模糊参数,解决数据离散的不确定性,然后由粗糙集方法实现决策表简化和最小的决策规则生成,最后利用云理论的不确定推理对元胞用地评分。该方法克服了传统模糊集理论的不彻底性。3.4基于粗模拟和元胞自动机相结合的sf考虑到元胞自动机在模拟空间复杂系统的时空动态演变方面具有很强的能力,文献将其引入用地仿真类SLF方法的用地决策过程中,提出了一种基于元胞自动机理论的SLF方法。其具体做法是:首先提出了电力负荷元胞、元胞样区、元胞时空数据库、样本数据库的概念;然后基于所提出概念制定了考虑多种相关因素的负荷元胞转换规则和相关参数,确定出各元胞的用地情况;最后在此基础上使用同类用地典型负荷密度推出其负荷值。虽然该方法具有可以从多个规则来描述影响电力负荷时空发展相关因素的优点,但是还需要进一步优化和完善其相关参数和规则。为此,文献将提出了一种基于粗糙集和元胞自动机结合的SLF方法。其具体做法是:首先利用元胞自动机对元胞未来土地使用类型进行模拟,根据负荷发展实际情况,确定元胞自动机的迭代时间和转换规则调整时间;然后采用粗糙集理论逐步对每个调整时间段中可能影响元胞土地使用决策的因素进行属性约简,形成动态元胞自动机转换规则,进而得出元胞用地情况;最后结合分类负荷密度推算出各元胞的负荷值。该方法克服了以往土地使用决策过程中主观因素影响较大且一直采用静态决策规则的问题。3.5基于控制变量的sf-msf方法针对用地决策过程中静态转换规则不能适应负荷发展的局限性,文献则提出了基于蚁群算法的SLF方法,即在对元胞未来土地使用类型进行模拟的过程中,采用蚁群算法动态地获取用地类型的转换规则,评判出元胞的用地情况,并结合分类负荷密度预测值,得到最终的空间负荷分布结果。3.6svm的sf-ls算法该方法首先在待预测区域内按照等大小网格生成元胞,然后在GIS平台上提取各元胞的空间信息,并利用主成分分析法对元胞的空间信息进行处理,实现元胞属性的简化,形成支持向量机(supportvectormachine,SVM)的训练样本集,用训练好的SVM算出元胞属性值,最后将其与待预测区域未来的发展规划相结合,并利用分类负荷密度得出SLF结果。3.7基于分子预测的负荷分配模型该方法首先基于系统论中的整体与个体的关系,利用系统动力学建模的方法对各个元胞建立统一的预测模型,通过分析实际情况来修正负荷预测模型,使个体差异性得到体现;然后利用上述预测模型所得到的预测结果生成分配因子,对总量负荷进行分配;最后建立运输模型并对其求解,从而得到具体的负荷分布与增长情况。这种方法属于早期的SLF方法之一,文献[31-32]仍在使用“分区电力负荷分布预测”的说法,并且指出其存在缺乏经验、模型的建立过于简单、考虑因素不够全面、参数赋值不十分准确等缺陷。另外,文中并未讨论由电量回推电力的过程。3.8预测模型的建立为了减少SLF过程中所用数据量和工作量,提高SLF效率,文献[33-35]研究了基于非均匀区域的SLF方法。该方法在整个待预测区域内并非按照大小一致的网格来生成元胞且建立统一预测模型,而是在电力用户稠密且负荷种类多的区域生成数量较多但面积较小的元胞,建立基于高空间分辨率的预测模型,在电力用户稀少的区域则生成数量较少但面积较大的元胞,建立基于低空间分辨率的预测模型。其在实现的过程中根据土地使用情况来计算负荷分配的优先权,使得元胞负荷之和与总量负荷相匹配。3.9基于事件中心的slp-sf方法传统的用地仿真类SLF方法通常仅适用于土地利用平稳发展的情况,在土地跳跃式发展时得到的预测结果则偏差较大。所以,在预测过程中还需要考虑用地变化过程中的不确定性因素。文献归纳、分析了预测过程中的各种不确定性因素,并针对这些不确定性因素可能导致的土地利用的跳跃式发展情况,提出了“事件中心”的概念,且将电力负荷的空间分布看作是基础分布和事件分布相互叠加的结果,先采用传统的用地仿真类SLF方法对电力负荷分布的平稳发展部分进行预测,得到基础分布结果,再针对大事件发生的时间和位置的不确定性,引入多方案预测方法论,给出元胞改造准则并将其用于处理用地改造,从而构建出可以同时计及负荷基础分布和事件分布的最优用地模型。文献则提出一种能够计及不确定性因素的SLF结果综合调整的区间方法。该方法首先通过建立多层分区的SLF区间模型,将预测单元分为总量层、数据收集层及仿真层,然后在此区间模型的基础上,进行信息不完备条件下的负荷分布估计,从而实现对SLF结果的综合调整。3.10等大小网格1)该类方法把分类负荷用地面积和分类负荷密度当作已知条件,前者由规划部门确定,相对容易获得,并且该信息往往比较准确、可信,但是后者数值大小的确定却并不容易。2)由于该类方法在生成元胞时往往采用等大小的网格来实现,所以通常无法获得元胞负荷的实际测量值,而只能推算出其理论负荷值,这样就会在评估预测结果精度的时候遇到困难。3)该类方法都含有保证元胞负荷和总量负荷的相等(要么由总量直接分配下去,要么通过不同调整手段来平衡)的环节,但若考虑到电力负荷的同时率,则元胞最大负荷之和与总量负荷最大值不相等才更为合理。4负荷密度指数的测定方法4.1负荷密度指标法如果认为规划门制定的土地利用方案将会得以有效地执行与落实,即未来土地的使用性质基本已经明确,那么用地决策不再是突出问题。同时,过于粗陋的分类负荷的负荷密度指标给用地仿真类SLF方法带来的不利影响却显得更为严重。为此,基于负荷密度指标的SLF方法得到了更多重视,特别是在最近5年内,已经出现了十多篇专门讨论这类方法的论文[38,39,40,41,42,43,44,45,46,47,48,49]。负荷密度指标法一般先把负荷分类(如居民、商用、市政、医疗等),然后在待预测区域内按功能小区边界生成元胞,最后通过预测各分类负荷密度,并结合用地信息来计算每个元胞的负荷值,从而实现SLF。因该方法先对负荷分类,后给待测地块分区(即生成元胞),故又称之为分类分区法。所谓功能小区是指一片用地类型相同的地块或街区,其中包括1个或多个负荷类型相同的电力用户。基于其生成的元胞内只含一个类型的负荷。该类方法的核心就是在各类用地面积及其位置已知的条件下,求取分类负荷密度指标。4.2传统负荷密度指数的测定方法传统的负荷密度指标的求取通常采用经验法、简单类比法,以及粗略估算分类负荷平均密度法。这样做在实际应用中难以满足精度的要求。1主客观判断标准所谓“直观法”就是利用所搜集和存储的相关数据与信息,依据规划人员的经验和主观判断来确定负荷的大小及其分布。涂色法(coloringbook)是直观法中的一个典型代表,这个古老的方法是以专家的历史经验为依据,主观地估计出各元胞的负荷密度,并按照负荷密度大小,为元胞涂上与之相对应的不同颜色。2各元胞负荷增长文献认为分析元胞负荷变化的特征是研究该类方法的基础,元胞内不同种类负荷的构成变化及其增长情况决定了元胞负荷的增长,元胞负荷等于计及同时率的所有构成负荷的代数和。该方法在预测过程中将所有元胞内相同性质负荷聚合成一类,通过预测分类负荷平均密度,结合市政规划方案中的用地信息,并根据各元胞内分类负荷所占的面积,最终分别计算出各元胞的负荷值。其实质是把各个元胞的负荷预测转化为分类负荷及其分布的预测。4.3确定指标库及确定标准该类方法的思路是,首先通过大量调研,搜集并整理相关数据,对负荷进行精细分类,形成尽可能全面的负荷密度指标样本库,并按类确定影响负荷密度的主要因素,构建分级的负荷密度标准样本指标集;然后在待预测区域内按照功能小区的边界生成元胞;最后根据已经规划好的用地信息及元胞的输入特性,对各元胞进行正确的属性分类,并与标准样本指标集相对照,从而获取各元胞的负荷密度指标。该类方法的实现流程如图4所示。1负荷密度修正考虑到决定负荷密度的各属性之间并非完全独立,传统分类器的分类效果并不理想,文献提出了一种基于双层贝叶斯分类模型的SLF方法,主要思路是利用基于样本训练完成的分类模型,对各元胞依据其输入特征进行合理分类,从而获得其类标签,即负荷密度指标。其实现步骤如下:根据负荷特性对该负荷进行分类→对每一细分负荷建立分类模型→按细分负荷类型进行大量样本数据的采集→对已经生成的样本集根据其类标签划分等级→收集待预测元胞的属性值并利用双层贝叶斯分类模型计算其属于各等级的概率→采用类内相似度方法进行负荷密度的修正。该方法在实际应用中必将面临如何收集和处理大量样本数据的问题,因为样本的数量、质量、分布,及其对模型的训练效果,都会影响到其预测精度。另外还需要修正环节才能给出量化结果。2确定负荷密度指标针对在求取负荷密度指标时采用经验法或简单类比法难以满足精度要求的问题,文献[40-41]把模糊理论引入到负荷密度指标的求取过程当中。其基本思路是先尽可能多地搜集样本数据,并且在此基础上构建分级标准指标集(一般分为5级);然后利用模糊理论对待测元胞的相关属性数据进行分析评判,确定其归属范围;最后对所选取的负荷密度指标进行细微调整。文献提出了一种基于模糊综合评判的负荷密度指标选取方法,其具体作法是:①搜集负荷密度指标样本数据,确定评判因素,并形成评语集;②建立单项因素隶属度函数,形成隶属度函数矩阵;③确定一、二级评判因素的权重,并生成各自的判断矩阵,给出对应的权重向量;④求出元胞对评语集各元素的隶属度,根据最大隶属度原则判定元胞负荷密度指标。然而,该文中未说明如何对负荷进行分类,而且由隶属度确定的指标等级是一个区间,即最终得到的负荷密度指标没有充分量化。对此,文献提出了一种基于模糊贴近度理论的负荷密度指标求取方法,其具体作法是:①把负荷细分为10类,并按类整理其负荷密度指标样本数据;②确定影响负荷密度指标的主要因素,构造评价指标,生成5级标准样本指标集;③构造隶属度函数,确定各影响因素的权重;④采用加权海明贴近度算式计算相关模糊贴近度,确定待测元胞的所属等级;⑤通过线性插值得出待测元胞负荷密度指标的量化结果。该法还需要进一步解决,在构造或选取隶属度函数时如何减少主观性带来不利影响的问题。3核心法的改进—)基于AHP和TOPSIS的负荷密度指标法。为了避免因通过经验或简单类比所获得的负荷密度指标不能满足精度要求,也为了降低在确定隶属度函数时由主观因素导致的不利影响,文献把层次分析(analytichierarchyprocess,AHP)法和逼近理想解排序(techniquefororderpreferencebysimilaritytoidealsolution,TOPSIS)法引入到负荷密度指标的求取过程当中。其基本思路是采用AHP法确定评价指标的权重,并运用TOPSIS法对评价指标进行规范化和排序计算,对影响负荷密度指标的因素实现量化,最后使用类内相似度法修正负荷密度指标。实现流程如图5所示。在实际使用AHP的过程中,由于信息不完备,当通过两两比较量化评价指标时,会出现不确定的主观判断,对此若采用点值来表述并不合适,故文献对此改用区间层次分析法(intervalanalytichierarchyprocess,IAHP),即用区间数代替了点值,从而有效地表达了专家的主观判断。由于该方法通过分类来获取负荷密度,根据评价结果对待定负荷密度指标进行归类,从而得到负荷密度指标的区间范围,但是该范围的划分本身就缺少精确的标准,并且根据分类得到的结果欠量化,需引入修正环节才能得到一个最终的量化值。4基于自适应神经模糊推理系统的负荷密度分析针对前述几种方法存在的隶属度函数不易确定、负荷密度指标分级缺少精确划界标准,且需要修正环节才能得到最终量化结果的问题,文献从负荷密度与影响它变化的因素之间存在某种非线性映射关系的角度出发,提出了一种基于自适应神经模糊推理系统(adaptativeneural-fuzzyinferencesystem,ANFIS)的负荷密度指标求取方法。其基本思路是采用熵权法对影响负荷密度指标的各种因素的输入值做加权处理,并使用共轭梯度法对ANFIS默认的混合学习算法进行改进,建立改进型ANFIS预测模型来计算负荷密度。该方法的具体实现步骤如图6所示。虽然该方法可以通过神经网络的自学习来制定模糊推理系统中的模糊逻辑规则及隶属度函数,也可以输出一个确定的最终负荷密度指标,但是影响分类负荷密度指标的因素存在不确定性,预测能力仍然取决于所搜集样本的数量和质量,以及对样本训练的效果。5负荷密度指标由于支持向量机在解决有限样本、非线性及高维识别的问题中具有明显优势,所以文献提出了一种基于最小二乘支持向量机(leastsquaressupportvectormachine,LS-SVM)的负荷密度指标求取方法。其具体做法是:①把负荷按照用地的性质细分为10类,并运用C-均值算法把每一类负荷都分别根据其负荷密度的大小聚类为几个等级;②针对待测元胞的用地属性,有选择性地使用特征相似的样本对LS-SVM预测模型进行训练;③利用遗传算法对LS-SVM预测模型的参数进行自动优化,其多输入单输出结果就是最终负荷密度指标。尽管该方法对样本集具有一定的鲁棒性,但是仍然存在影响分类负荷密度指标的因素以及负荷密度指标体系并不唯一也不固定的问题。4.4各城市用地分类负荷总量确定方法对于无历史数据的新、老城区的SLF问题,文献提出了一种基于空区推论(vacantareainference,VAI)的空间负荷预测分类分区实用法。其基本思路是用老城区的分类负荷总量减去有历史负荷数据的老城区的分类负荷总量得到无历史数据的老城区的同类负荷总量,用规划中的整个城区的分类负荷总量减去老城区的分类负荷总量得到新城区的分类负荷总量,再结合城市用地规划方案即可分别求出无历史数据的新、老城区各类负荷的平均密度。其中分类负荷总量是以负荷发展曲线为基础求取的。具体实现步骤如图7所示。该方法对于没有历史负荷数据或历史负荷数据不充足的城区,也能够求取出其规划年的负荷密度指标,而且避免了在新、老城区内同类型用地上使用统一的负荷密度指标。应注意文献中的远景年和规划年之间的区别,远景年一般是指25~30年,因为经过这么长年限发展的城区的负荷可以认为是饱和值了;而规划年一般指1~5年,例如制定城市或电网发展的五年规划,以及每年的滚动修订规划。虽然所估计的远景年负荷总量会有较大误差,但它对提高预测规划年负荷总量的准确程度是有帮助的。另外,该文中并未介绍相关的负荷同时率如何确定,而且通过分类负荷电量和最大利用负荷小时数回推最大分类负荷总量,也会使结果变得更加粗糙。2饱和负荷密度针对新开发地块的SLF问题,文献提出了一种基于饱和负荷密度和负荷相对系数的负荷密度指标求取方法。其基本思想是在大量调研,搜集并整理样本数据的基础上,通过对各类负荷(分为11类)发展规律的研究,估算分类负荷的饱和负荷密度,确定不同时间的分类负荷相对系数,并计及同类负荷内部同时率,结合预先按照功能小区的方式生成元胞,从而推算出元胞的负荷密度指标。与4.3节结中方法最大不同之处在于,该方法中的饱和负荷密度以及相对负荷系数都是通过对大量样本数据统计而得到的。虽然该方法的思路清晰,原理简单,但是其在实际应用中的可操作性值得讨论。例如,如何判断样本中一些数据就是饱和负荷密度值?如何保证分类负荷相对系数的有效性?另外,同类负荷与不同类负荷的两级同时率的确定也很困难。3同类元胞负荷密度的确定前边介绍的几种负荷密度指标法,均忽略了新生元胞的发展时序,也未讨论元胞面积和规模的大小、功能性质的差别、地理位置的优劣等因素在某种程度上导致的元胞负荷发展不均衡情况。针对新生元胞负荷密度的求取问题,文献改进了基于VAI的负荷密度指标法,对同类元胞分别逐年进行VAI,实现了不同投运年份的元胞在同一规划年处具有不同负荷密度。其具体做法如下:①按照功能小区边界生成元胞。②假设t0年投运的所有同类元胞的负荷均在(t0+T)年达到饱和,t0为现状年,T为相对远景年,t为规划年,t1>t0,同理有t1年投运的所有同类元胞的负荷均在(t1+T)年达到饱和。③分别求出t0和t1年投运的所有同类元胞的负荷饱和值P0s与P1s;用历史值和P0s绘制t0年投运的所有同类元胞的负荷发展曲线,可知t年的负荷为P0t;用历史值、P0t和P1s绘制t1年投运的所有同类元胞的负荷发展曲线,可知t年的负荷为P1t。④用式(5)可求出t1年投运的所有同类元胞的t年负荷密度d1t;同理可得其它年份投运元胞的t年负荷密度。式中S1t为t1年投运的所有同类元胞的面积之和。文献综合考虑了影响元胞负荷发展不均衡的多个因素,把元胞按照其数据条件分为5种类型,分别采取不同方法求取各类元胞的负荷密度:①对已知历史负荷数据的老城区,利用含饱和点控制的分类负荷发展曲线来处理;②对仅知历史年份的老城区,采用分类负荷密度模板法来求解,而典型模板又通常可由曲线拟合趋势外推方法或饱和系数法生成;③对无数据的老城区,使用一次VAI即可;④对已知投运年份的新区,按照其发展的时序关系,依次分类逐年进行VAI;⑤对未知投运年份的新区,先求出其分类负荷增量,再根据元胞地理位置等因素引入优先指数,从而计算出负荷增量分配到各元胞的权重。4.5分类影响因素的选用不够合理1)该类方法适用于土地性质较为明确的预测环境,对城市规划方案的变化具有较强的适应性。2)若基于智能算法,则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。3)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。5多元变量法5.1多元变量法多元变量法简称多变量法,它是以每个元胞的年负荷峰值历史数据和其它多个能够影响到该负荷峰值变化的变量为基础,来预测目标年的元胞负荷峰值,以及相应的系统负荷峰值。用于分析每个元胞负荷发展的相关变量有很多(介于1~60之间),它们分别反应人口水平、气候条件、GDP、居民消费指数、固定资产投资、产业结构等众多因素对负荷变化的影响。多元变量法把这些相关变量作为控制数据,在此基础上建立相应的外推模型来预测元胞未来年的负荷。由每个元胞的多个变量构成的“数据向量”可用式(6)来表示。式中:vi,k(t)为第k个元胞在t年的第i个变量,i=1,...,I,I为变量总个数;k=1,...,N,N为元胞总个数;其他一些变量就是负荷数据。多元变量法通过在时间序列上的一系列迭代外推来预测目标年的负荷,如式(7)所示。式中:V(t)为包含所有Vk(t)的向量集;C(t+a)为控制集;a为预测迭代期,通常a(28)1~3年;G为多变量预测函数。可见,多元变量法的实质就是经济计量模型预测法在SLF中的应用。5.2多元变量法面临的问题1分辨率和所使用的空间分辨率影响元胞负荷变化的因素较多,所需使用的数据量太大;所使用的空间分辨率要尽可能低(即元胞面积较大),否则难以准确统计各种数据;不同空间分辨率下的数据和变量之间也很难交互使用。2很难预测出生的元泽由于初生元胞内原来是空地,或者才出现电力用户不久,无法获得足够的各种原始数据实现外推算法,所以很难利用本方法对初生元胞进行预测。3预测迭代期的确定从多元变量法的原理来看,可知对每个元胞的负荷峰值和相关变量进行综合地趋势外推是该方法的一个重要环节,其中预测迭代期一般取1~3年,即该方法的有效预测期就是1~3年。总之,因为多元变量法的可操作性差,预测精度也不高,所以国内外学者对其研究相对较少,甚至有文献指出其在20世纪80年代已被逐步淘汰。但是随着“大数据时代”的到来,重新激活多元变量法还是大有可能的。6趋势slf方法6.1趋势类srf方法趋势预测法是所有基于负荷历史数据外推负荷发展趋势的方法总称。例如回归分析法、指数平滑法、灰色系统理论法、动平均法、增长速度法、马尔可夫法、灰色马尔可夫法、生长曲线法等。早在20世纪70年代就提出了基于曲线拟合的回归分析的趋势类SLF方法,该方法利用多项式对各元胞历史负荷数据分别进行曲线拟合,通过回归分析求解待定系数,进而求出SLF结果。当前的趋势类SLF方法,一般是在待测区域内按照变电站或馈线的供电范围生成元胞,分别研究每个元胞的历史负荷数据变化趋势,并据此外推其规划年的负荷值,进而得到规划年负荷在整个待测区域内的空间分布。其实现步骤如图8所示。该类方法简单方便,数据需求量小,相对而言易于实现,然而,元胞负荷的非平稳增长、负荷转移以及新生元胞的相关数据不足等情况,都会给该类方法带来不利影响。6.2影响因素的反应措施1负荷饱和值控制策略针对元胞负荷的非平稳增长,即元胞的历史负荷曲线呈“S”型增长的问题,文献[56-57]提出在拟合负荷发展曲线的时候,采用远景年(也称水平年horizonyear)负荷饱和值控制技术,以确保规划年(即预测的目标年)的元胞负荷预测值不会因为其历史值的跃变而导致偏差过大。文献提出对元胞历史负荷进行规律性分析,通过对元胞负荷发展的特点的讨论,明确元胞负荷当前的发展阶段,针对不同阶段负荷的特点调整预测方法模型,从而达到提高SLF结果精度的目的。文献则指出当元胞面积减小时,平均负荷增长趋势的平稳性降低,在某段时间内会呈现“S”型或尖拱型的增长趋势。这种“S”型或尖拱型的曲线难以进行精确的外推,从而导致大量预测误差的出现。所以在预测过程中采用了允许的较低空间分辨率。2负荷转移的记录转移为了消除元胞间的负荷转移给SLF带来的不利影响,文献[60-62]提出了负荷转移耦合(loadtransfercoupling,LTC)法。LTC法采用Markov回归法同时外推发生负荷转移的2条馈线的历史负荷数据,先将2条馈线的负荷曲线拟合多项式的系数矩阵合并,再引入方阵R,其特征为:对角线元素均为1,非对角线位置上,存在负荷转移的两条馈线的年份处为1,其他均为0。这样就把2条馈线在该年的负荷数据耦合在一起了,从而利用方阵R非对角线元素建立的曲线回归等式消除负荷转移对预测结果造成的误差。LTC法的优点在于不需要知道负荷转移的方向和大小,仅需要知道发生负荷转移的馈线名称及年份即可。一般在实际中没有记录有关倒供电产生负荷转移的量,只知道发生负荷转移的馈线的名称及对应时间。LTC法同样也可用于处理3、4条馈线间的负荷转移问题。但LTC法仅处理几个月甚至几年的负荷转移问题,并不处理日常操作(几小时、几天)所造成的负荷转移。3空区推推法的解决针对新生元胞历史负荷数据为空白或不充足的问题,文献[63-64]采取了空区推论(VAI)法来解决。4.8和4.10小节中也均有涉及。它的基本思路是:外推有历史负荷区域的负荷发展趋势,然后外推加上空白区域后的较大区域的总负荷发展趋势,最后根据两者之差推算出空区的负荷。4聚类模板匹配法在对元胞进行历史负荷数据曲线拟合的过程中,为了减少工作量,避免对每个元胞都进行曲线拟合,并且进一步解决空间分辨率增大时,元胞负荷发展呈不平稳性的问题,文献[65-66]提出了一种聚类模板匹配法。聚类模板技术外推负荷增长趋势并不通过对独立的元胞负荷进行曲线拟合,而是通过对一组元胞的负荷曲线进行拟合。一般做法是:先把所有待预测元胞分为几组,通常5到6个元胞为一组,每组所有元胞的历史负荷增长曲线呈相似形态,找出每一组的平均增长曲线,并将其定义为一个模板。然后把预测模板与历史负荷数据进行比照,尽可能准确的“重叠”,从而实现预测。聚类模板匹配法虽然能够减少SLF的工作量,但同时也存在负荷模板多,难以选择的问题。7sf预测方法的选择虽然对SLF的研究已经取得了许多成果,但这些成果主要集中于预测的方法,而具体预测方法的提出和实现势必会受到所使用的基础数据、应用的环境与条件、预测的空间误差及其评价标准等因素的影响和制约,所以在SLF领域仍有很大的研究空间值得去深入探索。笔者认为以下几个方面尚需开展进一步的研究工作。1整合与合理利用的问题SLF所需基础信息和数据比较庞杂,来源不同,门类性质各异,但都会不同程度地决定着SLF目标的确定、预测模型的建立、预测方法的选用或提出、预测结果的精度及评判,因此必须解决如何有效整合、合理利用这些信息和数据的问题。即不但要知道SLF所需各类信息和数据有哪些,更需要明确它们之间在SLF过程中的相互匹配关系,并以此为线索来探寻怎样合理地组织和使用它们,形成相应的优化整合技术,从而更好地满足SLF的要求。2电力负荷多尺度空间分辨率理论研究面临的问题在SLF过程中,如何生成元胞(划分供电小区)是一个至关重要的问题,它决定了可以对电力负荷的历史数据或预测结果进行可信分析的最佳单位空间。对此,文献提出了电力负荷的空间分辨率概念,并给出了最佳电力负荷空间分辨率的获取原则,这为合理地描述和刻画空间电力负荷创造了条件,但电力负荷的多尺度空间分辨率理论还面临着几个需解决的问题。例如,假设对相同供电区域分别采用两个空间分辨率进行分析,若两者均按照不规则小区生成元胞,且元胞个数相同,但是大小和位置并不相同,那么如何对比这两个空间分辨率呢?再若两者分别按照规则和不规则小区生成元胞,则又如何将这两种空间分辨率归一化分析呢?3多尺度空间分辨率下的电力负荷特性对空间电力负荷规律性的分析,就是在研究负荷自身的本质属性,即其内在固有的东西,如果能够把握好负荷的规律性,那么就能够保证预测的准确性。然而,空间电力负荷的数据处理量大,随着空间分辨率的提高,系统中供电小区的数目越来越多,可谓量大面广,各个供电小区的负荷变化规律又有其各自的特点,预测人员难以逐一深入分析其特点。所以,需进一步开展多尺度空间分辨率下的电力负荷规律性研究。对于重大的不确定性因素给SLF带来的不利影响,则可利用多场景分析技术来解决。4不同层级电网的srf目标组合SLF的结果一般用于确定规划方案中电力设备应配置的容量

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论