论文部分内容阅读
城市配电网精益化规划对空间负荷预测工作提出了更高的要求,且随着电动汽车充电负荷的日益增多,给城市供电网格的准确空间负荷预测带来更大挑战。此外互联网的发展,海量数据的涌现为各类型负荷预测工作提供了更多的数据支持。因此,本文基于数据挖掘技术开展城市空间负荷预测对精益化电网规划具有十分重要的理论和实际意义。
基于数据挖掘的一般方法,本文针对电力数据构建了电力多源数据挖掘架构。分析了电力多源数据的含义、来源与各类数据和电力负荷之间的相关关系。详细介绍了基于开源数据实现供电网格负荷预测的数据收集过程,构建了多元数据集合为城市空间负荷预测提供数据支撑。
针对传统负荷的空间分布预测,本文基于聚类算法和神经网络算法提出了一种网格化空间分布预测方法。综合总量负荷预测方法,得到合适地区发展情况的总量负荷预测结果。对电力用户进行聚类分析得到各负荷类型电力用户的分布情况,基于S形发展曲线分析了电力用户的负荷发展特性。最后利用神经网络算法分析各类型电力用户数量对现有负荷数据的影响权重,结合总量负荷预测结果得到各供电网格的负荷预测结果。该方法优势在于采用城市总量负荷预测修正供电网格单元的空间负荷预测,预测结果相较于只考虑各网格发展情况时偏差更小。
此外,考虑到城市中出现的电动汽车充电负荷的特点与传统负荷存在较大差异,本文基于充电负荷的时空特性对其进行了规划层面的预测。首先基于Bass模型预测了规划区域的电动汽车保有量,简化了动力电池功率特性;在空间层面,考虑电动汽车在各类型用地中的停车生成率,且由于不同类型地块中的充电负荷峰值所在时间不同,在时间层面上引入了同时率,从时空层面对电动汽车充电需求进行量化;最后基于改进的密度峰值快速聚类算法对充电需求进行聚类分析,得到充电负荷的空间分布情况。考虑传统负荷与充电负荷之间的同时率,将电动汽车充电负荷与传统负荷的预测结果有机结合,得到城市空间负荷分布预测情况。
基于数据挖掘的一般方法,本文针对电力数据构建了电力多源数据挖掘架构。分析了电力多源数据的含义、来源与各类数据和电力负荷之间的相关关系。详细介绍了基于开源数据实现供电网格负荷预测的数据收集过程,构建了多元数据集合为城市空间负荷预测提供数据支撑。
针对传统负荷的空间分布预测,本文基于聚类算法和神经网络算法提出了一种网格化空间分布预测方法。综合总量负荷预测方法,得到合适地区发展情况的总量负荷预测结果。对电力用户进行聚类分析得到各负荷类型电力用户的分布情况,基于S形发展曲线分析了电力用户的负荷发展特性。最后利用神经网络算法分析各类型电力用户数量对现有负荷数据的影响权重,结合总量负荷预测结果得到各供电网格的负荷预测结果。该方法优势在于采用城市总量负荷预测修正供电网格单元的空间负荷预测,预测结果相较于只考虑各网格发展情况时偏差更小。
此外,考虑到城市中出现的电动汽车充电负荷的特点与传统负荷存在较大差异,本文基于充电负荷的时空特性对其进行了规划层面的预测。首先基于Bass模型预测了规划区域的电动汽车保有量,简化了动力电池功率特性;在空间层面,考虑电动汽车在各类型用地中的停车生成率,且由于不同类型地块中的充电负荷峰值所在时间不同,在时间层面上引入了同时率,从时空层面对电动汽车充电需求进行量化;最后基于改进的密度峰值快速聚类算法对充电需求进行聚类分析,得到充电负荷的空间分布情况。考虑传统负荷与充电负荷之间的同时率,将电动汽车充电负荷与传统负荷的预测结果有机结合,得到城市空间负荷分布预测情况。