基于误差幅空特性分析的空间负荷预测误差评价方法

对空间负荷预测误差进行有效评价是客观认识预测结果,指导预测结果合理应用的前提。然而,现有空间负荷预测误差评价的研究存在对误差的空间分布不考虑或考虑不充分导致评价不准确的问题。为此,提出一种基于误差幅空特性分析的空间负荷预测误差评价方法。首先,从空间负荷预测误差幅值大小和空间分布对电网规划影响的角度出发,对误差的幅空特性进行详细分析;其次,利用运输问题的数学模型来表征正负误差的幅空抵消特性,使用各空间邻近度–幅值误差值曲线与x轴围成面积之和来表征剩余未抵消误差的幅空叠加特性;然后,分别通过伏格尔法和各梯形面积累加公式来计算正负误差的幅空抵消影响值和剩余未抵消误差的幅空叠加影响值,并在此基础上构建空间负荷预测误差评价指标;最后,基于误差对电网规划的实际影响给出对误差评价指标性能的检验方法。算例分析表明,与传统方法相比,该文所提误差评价方法从幅值和空间两个维度实现了对空间负荷预测误差更为全面的评估,与误差对电网规划影响的实际情况贴近度更高。

基于多尺度LDTW和TCN的空间负荷预测方法

空间负荷预测为合理建设和使用变电站、馈线等提供了重要的指导,成为配电网规划中不可或缺的一部分。配电网规划的精细化产生了大量高分辨率的负荷数据,社会的快速发展使得地块的用电特征日趋复杂。当前的空间负荷预测没有充分考虑负荷数据之间的时间特性,且在预测过程中也未考虑到不同类型地块间可能存在的负荷峰值出现时间不一致问题。为此,提出一种空间负荷预测方法,通过基于多尺度限制对齐路径长度(LDTW)的谱聚类分析用户的负荷曲线在形状上的相似性,并提取不同地块的典型用电行为,以进一步分类确定同类型地块对应的同时率。多尺度LDTW通过限制序列之间匹配步长的上限来抑制病态匹配的产生,提高曲线相似性的综合评估能力。根据聚类结果筛选适合待预测区域的训练样本并构建基于时间卷积网络(TCN)的回归预测模型,将预测结果基于地块各自的同时率进行聚合,实现空间负荷预测。实验结果表明:该方法加强了对负荷曲线形状的分析和对不同类型地块同时率的区分,在聚类方面,DBI指数达到0.57,VI指数达到0.31;在预测方面,相对误差达到1.93%,决定系数达到0.941,相比其他典型方法均取得了较大改善。

基于态势感知的配电网空间负荷预测系统

针对动态地区配电网空间负荷优化预测问题,设计了一种基于实时自控态势感知的配电网空间负荷预测系统。首先构建配电网空间负荷预测目标决策要素经验池;然后利用深度长短期神经网络对配电网历史运行数据集进行处理,实现配电网实时自控态势感知;最后利用深度确定性策略梯度算法构建空间负荷预测与目标决策要素经验池之间的耦合模型,实现配电网空间负荷高效精准预测。对模型展开了实际算例分析,多类型配网供电区域场景下配电网空间负荷预测精度达到91.03%,多类型配网供电区域场景下配电网空间负荷预测效率提高了23.71%。

基于3σ-CEEMDAN-LSTM的空间负荷预测方法

为有效利用从配电网采集的海量数据以及改善空间负荷预测效果,提出一种基于3σ准则、自适应噪声完备集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的空间负荷预测方法。基于3σ准则对每个Ⅰ类元胞的实测负荷数据进行奇异值检测和处理;运用CEEMDAN技术将处理后的Ⅰ类元胞负荷数据分解为若干个频率和幅值均不同的本征模态函数(IMF);分别对每个IMF分量构建LSTM模型进行预测;将所有IMF分量预测结果进行线性叠加,得到目标年基于Ⅰ类元胞的空间负荷预测结果,在此基础上使用空间电力负荷网格化技术求得基于Ⅱ类元胞的空间负荷预测结果。算例分析结果验证了所提方法的正确性和有效性。

基于双层XGBoost和数据增强的空间负荷预测方法

为了解决空间负荷预测面临的特征变量众多和数据匮乏问题,文中提出一种基于双层极端梯度提升(extreme gradient boosting,XGBoost)和数据增强的空间负荷预测方法。该方法首先将待预测区域按馈线供电范围划分为若干子区域;其次构建基于双层XGBoost的特征选择模型,第一层XGBoost对特征进行评分及排序,将组合特征和负荷输入第二层XGBoost并进行子区域负荷预测,根据子区域负荷预测结果选择每个子区域的最佳特征变量;然后利用生成对抗网络(generative adversarial network,GAN)增强每个子区域的训练集样本,并通过极限学习机(extreme learning machine,ELM)实现子区域预测;最后将每个子区域的预测值相加得到待预测区域的预测值。以上海市局部区域为例,对文中方法进行仿真实验和对比分析。结果表明,文中方法可同时解决特征变量选择和数据匮乏问题,具有更高的预测精度。

基于粗糙集和元胞自动机的配电网空间负荷预测

该文提出一种新颖的配电网空间负荷预测方法,采用元胞自动机(cellular automata,CA)模拟城市土地利用动态发展过程,预测规划区域各小区土地的未来使用类型。根据城市发展的实际情况,确定CA的迭代时间和转换规则调整时间,并采用粗糙集(roughsets,RS)理论逐步对每个调整时间段中可能影响小区土地使用决策的因素进行属性约简,获取动态的元胞自动机转换规则,消除冗余属性,克服了传统方法在获取小区土地使用决策受主观因素影响较大以及在规划年内一直采用静态的土地使用决策规则的缺陷。最后通过1个实例验证了该方法的有效性。

基于云理论的配电网空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测模型,该模型采用了基于云模型的知识表示,将定性概念所具有的模糊性、随机性有机地结合在一起,构成了定性和定量相互间的映射,克服了传统模糊理论的不彻底性。该文将云理论、面向对象的归纳方法以及粗糙集相结合,进行土地使用决策中空间属性信息定量定性转换、空间数据的离散化、决策规则的挖掘,克服了传统基于模糊集的空间负荷预测模型中模糊集参数及模糊系统规则选择的主观性,同时也利用云理论与粗糙集理论相互间的互补性,增强了知识发现的能力。运用基于云理论的不确定性推理计算小区对各用地类型适应性的评分,使推理结果更加合理而且贴近实际。给出了基于该模型的小区改造判据,改进了计及小区改造及经济性的用地分配的多目标规划模型,计算小区负荷。最后用实例说明了该方法的有效性。

基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测

传统的负荷密度指标的求取方法通常采用经验法或简单类比法,难以满足精度要求,从负荷密度与其影响因素存在着某种非线性关系的角度出发,提出了一种基于最小二乘支持向量机(least squares support vector machine,LS-SVM)的配电网空间负荷预测方法。该方法首先引入模糊C–均值算法把各类用地性质负荷聚类为几个等级,建立比较精确的负荷密度指标体系;然后根据待预测地块的规划属性,在体系中为LS-SVM预测模型选出与预测样本特征更为相似的样本进行训练,提高LS-SVM的泛化能力和预测精度;采用遗传算法对LS-SVM预测模型的参数进行自动优化,进一步提高预测模型的适应性和预测精度,实例验证了该方法的实用性和有效性。

基于双层贝叶斯分类的空间负荷预测

采用分类模型进行空间负荷预测。由于决定负荷密度的各属性之间并非完全独立,传统分类器分类效果并不理想。为此,该文采用双层贝叶斯分类模型,该模型是朴素贝叶斯分类模型的扩展,通过选取关键属性将单一属性集划分为强属性集和弱属性集,弱化了各属性间相互独立的假设,提高了对样本分类的正确性。给出了构建和训练该模型的方法,在正确分类的基础上,文中采用类内相似度方法进行负荷密度的修正。实践和算例证明,该文模型和算法适合进行空间负荷预测。

基于粗糙集数据挖掘的配电网小区空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测方法,采用粗糙集(RS)数据挖掘方法对可能影响小区用地决策的相关属性进行约简,去除冗余属性,克服了以往方法受人为因素影响较大的弱点,得出决定小区用地类型的决策规则,从而得到每个小区适于发展各类负荷的程度,再运用全局最优的土地分配算法来计算各小区内各类负荷的增长,克服了仿真法不能得到整个土地最优分配方案决策的弱点。最后用实例说明了该方法的有效性。

基于蚁群算法的配电网空间负荷预测方法研究

在进行空间负荷预测的过程中,用地类型转换规则的获取对预测的结果产生着深远的影响。提出了一种改进的配电网空间负荷预测方法,采用用地仿真法模拟城市土地动态发展过程,预测规划区域各小区土地的未来使用类型。根据城市发展的实际情况,利用蚁群算法(AntColonyAlgorithm,ACA)的自适应性及其在分类规则挖掘方面的优势,自动获取小区用地类型的转换规则,克服了传统方法在规划年内一直采用静态的土地使用决策规则的缺陷。用实例说明了该方法的有效性。

空间负荷预测中的负荷时序消差方法

通过分析影响基于时序的空间负荷预测(SLF)精度的主要因素,提出一种用于识别和校正负荷转移的负荷时序消差方法。将元胞之间经常出现的非永久性负荷转移分为跨单位时间型和非跨单位时间型2种,对前一种采用改进的负荷转移耦合法实现负荷时序消差,对后一种采用基于累积负荷曲线确定元胞负荷最大值的算法实现负荷时序消差,从而降低元胞之间负荷转移对SLF精度的不利影响。通过算例验证了基于负荷时序消差的SLF效果,结果表明该方法实用、有效。

基于地理信息系统平台的配电网空间负荷预测

以往的负荷预测大多是基于时间坐标的，根据地域发展作出的空间和时间负荷预测理论无疑是一种新的进展。文章对空间负荷预测的理论和模型进行了详细的描述，提出了基于地理信息系统（ＧＩＳ）平台的配电网负荷预测步骤，并在方法的实用化方面作了尝试。结果表明。

基于云理论和元胞自动机理论的城市配电网空间负荷预测

针对城市电网规划中电力负荷空间分布和时间动态演化预测难题,提出一种采用元胞自动机(cellular automata,CA)模拟城市土地利用的逐年发展过程进而进行城市配电网空间负荷预测方法。该方法基于云模型的知识,将影响因素的定性概念所具有的模糊性、随机性有机地结合在一起,构成定性和定量间的相互映射。综合考虑多种影响负荷发展的因素,运用云理论训练CA转换规则,制定多种转换规则来预测规划区域地块的发展程度。通过应用所提模型和方法对某规划小区负荷发展进行预测及实际对比,验证了其有效性。

基于模糊多目标多人决策的配电网空间负荷预测

提出了一种新的空间负荷预测方法,在进行空间负荷预测用地类型决策时引入了模糊多目标多人决策。考虑各个相关空间因素,采用模糊语言算子区分各因素的相对重要程度,引入层次分析法将语言算子转化为精确权重,多个专家各自独立决策,综合考虑多人决策得到最终用地类型。多人决策降低了以往空间负荷预测用地分析的主观性,提高了预测精度。

基于模糊粗糙集理论的综合数据挖掘方法在空间负荷预测中的应用

基于模糊粗糙集理论,提出了一种综合数据挖掘方法,并将其应用于空间负荷预测中。基于规则约简方法提出了循环采样方法,采用数据库知识获取技术按采集的样本属性值将样本聚类,根据聚类中心对连续取值的属性设定模糊值,根据决策属性的包含度对模糊粗糙规则进行筛选,并采用数据库知识获取技术实现了用地类型的转换。算例结果表明该方法简单灵活,可用于短期、中期和长期空间负荷预测中。

多层分区空间负荷预测结果综合调整的区间方法

提出了一种新的能计及不确定性因素的空间负荷预测结果综合调整的区间方法。首先建立了多层分区的空间负荷预测区间模型,将预测单元分为总量层、数据收集层和仿真层,既能结合趋势法和仿真法的优点,又能在保证足够土地划分解析度和预测精度的前提下有效控制数据收集的工作量。然后提出了基于该模型的空间负荷预测综合调整区间方法,这是一种在信息不完备条件下的负荷分布估计方法,解决了实际中空间负荷预测结果综合调整的难题。最后通过实例说明了该方法的实用性和有效性。

基于空区推论的空间负荷预测分类分区实用法

目前对无历史数据的新老城区空间负荷预测,一般采用分类分区法,所有同类小区基于统一的分类负荷平均密度预测其负荷。针对这一不足,基于空区推论的思想对分类分区法进行了改进,提出现有面积(不含新城区)上的分类总负荷减去有历史负荷数据的老城区的负荷即得到无历史负荷数据的同类老城区的总负荷;同理,规划面积(含新城区)上的分类总负荷减去现有面积上的分类总负荷即得到同类新城区总负荷,再结合面积算得无历史数据的新老城区的平均负荷密度,进而预测其负荷分布。这样使得有、无历史数据的老城区和新城区采用不同的负荷预测思路以提高其预测精度。该方法几乎不增加收集原始数据的工作量或附加的数据较易获得。最后通过实例说明了该方法的实用性和有效性。

基于元胞负荷特性分析的RBF神经网络空间负荷预测方法

针对元胞历史负荷数据的特点,结合RBF神经网络在非线性拟合方面的优势,提出了一种基于元胞负荷特性分析的RBF神经网络空间负荷预测方法。该方法以元胞的历史负荷数据为基础,横向从元胞的年历史负荷特性入手,描述各元胞年负荷峰值段的发展趋势;纵向从元胞日最大负荷出现的时刻入手,刻画峰值时段的最大负荷数据群。在充分地考虑元胞负荷的季节特性、双峰特性和转移特性对空间负荷预测精度影响的基础上,构建出一种合理的峰值时段最大负荷数据群的双向选取模型。然后采用RBF神经网络对所选取的最大负荷数据群进行训练和预测,进而得到目标年各元胞的年最大负荷预测值。工程实例验证了该方法的实用性和有效性。

空间负荷预测中确定元胞负荷最大值的概率谱方法

针对元胞负荷中异常数据会给空间负荷预测带来不利影响的问题,提出一种用于确定元胞负荷最大值的概率谱方法。该方法从城市电网规划需求的角度入手,结合城市电网的实际运行方式,对元胞负荷中出现的异常数据进行了分类,阐明了各类异常数据对空间负荷预测产生影响的作用方式,揭示了元胞之间负荷转移、元胞负荷非平稳增长、元胞负荷数据奇异与规划所需数据之间的内在联系,通过计算元胞负荷的概率谱曲线来描述和刻画不同类型异常数据的各自特点,在采用高斯拟合技术处理过的元胞负荷概率谱曲线上对元胞负荷最大值进行限定和约束。实例分析表明,使用概率谱方法确定的元胞负荷最大值进行空间负荷预测,提高了预测精度。