空间负荷预测中不确定性因素的处理方法

城市的变化通常呈现平稳发展和跳跃发展两种态势,其间还夹杂着各种规模的城区改造。笔者对影响空间负荷预测（SLE）的不确定性因素进行了详细的分析和归类,并对传统的SLE模型进行了改造使之处理城市跳跃发展和城市改造等特殊情况,针对跳跃式发展模型,提出了“事件中心”的概念,并将空间负荷预测分解为基础分布和事件分布的叠加;针对大事件出现时间和位置的不确定性,提出了多方案预测法：针对城市改造模式,提出了小区改造准则,改进了用地最优分配模型,从而解决了城市改造中的不确定性问题。     

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。     

城市新建小区的负荷预测

依据国内外的相关法规和有关技术资料,根据城市小区的建设特点,以陕西省某城市新区的市政发展规划及布局为基础,对该城市新建小区负荷进行科学、合理的预测,给出了该小区详细的分区负荷密度.     

基于用地仿真法的配电系统空间负荷预测

配电系统空间负荷预测与传统的电力负荷预测不同之处是它不仅基于时间坐标,而且基于空间坐标。受单元自动机CA(Cellular Automata)在土地利用变化中的应用启发,对基于用地仿真的配电系统空间负荷预测过程进行了改进,可以给出不同目标下的综合预测结果,并将空间信息和预测结果以矩阵形式表达,使整个过程简单明了。对应用原理和过程进行了详细阐述,利用一个实际空间负荷预测的小区用地分析实例说明所提方法的应用过程。     

城市新建小区的负荷预测

依据国内外的相关法规和有关技术资料，根据城市小区的建设特点，以陕西省某城市新区的市政发展规划及布局为基础，对该城市新建小区负荷进行科学、合理的预测，给出了该小区详细的分区负荷密度。     

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(Ant Colony Algorithm,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.     

一种基于参数循环优化的空间负荷预测方法研究与应用

在结合我国国情的基础上分析了传统用地仿真法在国内空间负荷预测工作中实现困难的现状,提出了一种实用性很强的基于参数循环优化的空间负荷预测模型.该方法以城市规划局的土地规划图为基础,运用GIS的强大功能对城市配网大量矢量地图数据进行存储管理,再结合循环优化后的负荷密度模型对各规划小区用地进行负荷预测结果计算.新的空间负荷预测模型免去了用地仿真法在网格划分及各小区空间数据收集过程中的大量工作,提高了工作效率.应用实例表明该方法预测结果准确性能满足目前我国电力行业的发展要求.     

基于负荷细分与SVM技术的电力负荷空间分布预测

提出了一种新颖的电力空间负荷分布预测模型,该方法首先对各类负荷的影响因素进行分析并分别建模预测;而后将选定区域划分成等面积小区,利用主成分分析法对小区空间信息进行处理,从而形成支持向量机的训练样本集;在此基础上用训练好的支持向量机计算待预测区域小区的属性值,并按照各类用地类型排序.根据预测结果,结合待预测区域的整体发展规划,给出待预测区域各类负荷增量;最后,结合各类负荷密度预测值、各类用地发展总量、各类用地发展排序,给出空间负荷预测值.实例验证了本文方法的有效性.     

采用混合语言信息群决策的电力负荷密度预测法

传统城市空间负荷密度预测法在实际预测过程中其结果的可信度依赖于大量有效的样本数据,而在实际中收集到较齐全的可行样本数据存在很大的难度。为此提出了一种将混合语言信息群决策方法和BP神经网络相结合的城市电力负荷密度预测法。该方法采用基于混合语言信息的群决策方法,通过各决策者的评价,计算城市各小区相应的经济、人口、地理环境的综合评分值,并利用BP神经网络,训练各指标综合评分值与相应的小区负荷密度,利用训练后的网络结构和待定小区的各指标综合评分结果,预测城市该小区的负荷密度。通过对城市若干小区的负荷密度及各指标综合评分值做比较分析,预测了部分小区的负荷密度值。结果表明预测计算过程摆脱了需要大量收集特定指标定量数据的问题,并且预测结果具有较高的可信度。     

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（Ant Colony Algorithm,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。     

计及分布式能源与电动汽车接入的空间负荷预测

相较于传统负荷预测,空间负荷预测更加关注某一局部空间内的负荷分布情况,因而可以更好地确定电气设备的选型与空间布局。分布式能源及电动汽车的飞速发展,使城市空间负荷分布变得更为复杂,采用原有基于时间序列的负荷预测方法可能带来较大误差,不利于城市规划的经济性与可靠性。利用最小二乘支持向量机(least squares supportvectormachine,LS-SVM)的非线性映射能力,建立了计及分布式能源与电动汽车充电负荷的空间负荷预测模型,并通过我国中部某地区的实际算例验证了所提方法的有效性。     

基于支持向量机和互联网信息修正的空间负荷预测方法

为提高电网规划阶段的空间负荷预测精度,提出了一种基于支持向量机和互联网信息修正的空间负荷预测（spatial load forecasting,SLF）方法,该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值;二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差;三是针对这些偏差,利用搜索引擎获取互联网信息,识别造成偏差的不确定事件,包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响,并建立这两类事件与其造成的影响之间的分类事件影响定量模型,基于该模型对地块负荷初始预测值进行修正,得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证,结果表明该方法可以提高预测精度,可用于配电网以及能源互联网规划中的空间负荷预测。     

基于人工神经元网络及模型算法的空间负荷预测

改进了配电网的空间负荷预测方法,将其研究重点 放在对各类负荷的负荷密的预测上,在原始数据不充分的条件下,引入模糊隶属度分析和人工神经元网络中的聚类分析,对负荷进行分类和简化,从而得到环境因素相适应的负荷,预测取得了满意的效果。     

采用面积灰关联决策的高斯过程回归概率短期负荷预测

为克服概率负荷预测各评价指标相互冲突,难以确定最优预测模型难题,提出采用面积灰关联决策的高斯过程回归(GPR)概率短期负荷预测新方法。首先,构建综合评价指标集合,全面评估基于不同协方差函数的GPR模型预测效果,得到综合评价矩阵。然后,采用熵权法对各指标客观赋权,并在此基础上,使用面积灰关联决策对各模型排序,确定最优GPR概率预测模型。最终,以该模型开展概率预测。实验表明,相较传统距离灰关联决策,面积灰关联决策更明确地分辨方案间差异,结论更可靠。最优GPR模型在保证确定性预测精度的同时,相较预测误差分布特性统计法,准确刻画了负荷的波动性,预测区间更加精确可靠,区间上限明显更低,有助于为决策提供更多有效信息。     

A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting

In this paper, a new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting is proposed. Auto-regressive (AR) and moving average (MA) with exogenous variables (ARMAX) has been widely applied in the load forecasting area. Because of the nonlinear characteristics of the power system loads, the forecasting function has many local optimal points. The traditional method based on gradient searching may be trapped in local optimal points and lead to high error. While, the hybrid method based on evolutionary algorithm and particle swarm optimization can solve this problem more efficiently than the traditional ways. It takes advantage of evolutionary strategy to speed up the convergence of particle swarm optimization (PSO), and applies the crossover operation of genetic algorithm to enhance the global search ability. The new ARMAX model for short-term load forecasting has been tested based on the load data of Eastern China location market, and the results indicate that the proposed approach has achieved good accuracy.     

考虑分布式光伏和电动汽车接入的配电网空间负荷预测方法

针对大规模分布式光伏和电动汽车接入配电网对空间负荷预测影响的问题,提出一种考虑远景年屋顶分布式光伏饱和安装、大规模电动汽车参与V2G的城市配电网空间负荷预测方法。区分不同小区,依据相应的容积率和可利用率系数计算屋顶光伏饱和安装面积,结合历史辐射值数据计算光伏出力。基于改进型停车生成率模型预测停车需求,结合日行驶里程、停车特性和充放电策略,建立电动汽车V2G负荷预测模型,利用蒙特卡罗仿真得出V2G负荷时空分布情况。采用改进型负荷密度指标法,实现对考虑时序的配电网传统日负荷的预测。以某规划区为例,预测结果表明:屋顶分布式光伏和电动汽车V2G对配电网空间负荷预测结果影响较大,且对不同小区负荷影响的程度不同。     

基于熵权法与GRA-ELM的配电网空间负荷预测

空间负荷预测对配电网规划建设具有重要意义。为了提高配电网空间负荷预测精度,文中提出基于熵权法与灰色关联分析-极限学习机(GRA-ELM)的配电网空间负荷预测方法。首先,将规划区域内的小区按用地性质划分,分析不同类型负荷的影响因素,建立空间负荷密度指标体系;其次,利用熵权法对不同类型负荷的负荷密度指标进行权重分配;然后,应用GRA挑选出与待测地块负荷密度指标相似的训练样本;最后,将样本带入经粒子群优化(PSO)算法参数处理后的极限学习机(ELM)进行训练,得到预测结果。通过实例对所提方法的性能进行仿真验证,结果表明,所提方法相对其他方法的空间负荷预测精度更高。     

基于聚类分析的配电网小区负荷预测

通过引入聚类分析,对样本数据聚类,利用聚类后的结果预测小区负荷密度,并且提出了2种修正小区负荷密度的方法,有效减小了预测误差。与传统负荷密度法相比较,该方法不仅提高了预测精度,精简了优化配电网建设的资金,而且计算简单,通过算例表明其工程实用效果较好。