基于地理信息系统平台的配电网空间负荷预

　　(2)各类用户采用的终端设备所占比例在变化；
　　(3)随着DSM（需求侧管理）和负荷控制等指导及控制用户用电行为的方案的采用与实施，终端用户的负荷曲线会有所变化；
　　终端用电预测方法主要是采用负荷曲线叠加[3,8]。对用地类型进一步细分，可能的话，一直分到终端用电设备。细分到什么程度，要以数据收集情况而定。从下至上进行叠加，就可以求出未来各用地类型的典型负荷曲线。具体做法请参阅文献[3,8]。
3.5　分类土地预测
　　分类土地预测就是要确定未来年份内各用地类型的土地增长量。空间负荷预测在本质上是一个负荷分配过程，而在分配的过程中，不仅要保证小区负荷之和等于总量负荷预测的结果，而且要保持各类负荷间一定的比例关系。在城市的发展中，各行业、各部门都是相互协调、相互促进的，内在地存在一个比较固定的比例关系。分类土地预测的目的就是要利用这个比例关系，从总量预测中推导出各用地类型的未来土地增长量。该比例关系可从统计数据中得到，也可以直接利用当前的比例关系。
3.6　小区空间属性提取
　　用地仿真是空间负荷预测的核心，它将小区的属性和各用地类型的需求进行匹配，找出一种最佳匹配组合，使得所有小区物尽其能。用地仿真需要解决两个方面的问题：①小区属性如何与用地需求进行匹配，即如何评价各小区适于各用地类型发展的程度；②如何分配土地，使得所有用地类型都找到了最适于发展的小区。即确定一种最优的土地分配方案，使得所有分配的土地的评分和最大。第一个问题的解决涉及四个方面的内容：①确定小区的空间属性；②模拟各用地类型的土地要求；③找到一种评价方法，对每个小区进行评分；④根据小区属性适于用地类型发展程度的评分将分类土地预测分配到各小区。本步骤要解决的就是第一个内容：确定小区的空间属性。
　　表2将小区空间属性分为三大类[2,3,8]：小区本身属性、距离因素和环境因素。其中，小区本身属性包括了小区自身的地理条件和市政管理方面的内容，环境因素具体反映了小区周围的商业和社区等信息。距离因素包括两个方面：①与市、区中心，工、商业中心的距离；②与最近的高速公路、公路、地铁、工厂、商场、水源、学校等的距离。第一类距离因素几乎对所有的小区都有影响，而第二类距离因素只对局部小区有影响。

表2　小区空间属性
Tab.2　Spatial attributes for small areas 类　别属　　性 自身属性坡地和限制地、市政管理 距离因素离高速公路、公路、地铁、学校、大工厂、市中心、区中心、工业中心、商业中心的最近距离 环境因素0.5km内居民区面积、1.5km内居民区面积、1.5km内商业面积 　　为了区分这两种类型的距离因素和它们不同的影响范围，这里介绍一个叫“中心”(urban pole)的概念[3,8]。城市是由“中心”开始，由内向外扩展的，称为“市中心”。城市中各个区也有中心，称为“区中心”。对于工业城市，会有很明显的“工业中心”。在空间负荷预测中，也可以定义自己的“中心”。如，假定某外商将投资一个大项目，要预测该项目引起的负荷增长情况。该项目建成后，不仅会促进该地区经济的发展，而且会提供大量的就业机会。员工需要住宅，住宅会带动商业，同时需要建学校供孩子们读书，以及配套的市政管理。此时，该项目就起到了一个“中心”的作用，附近的其他产业和服务都是以它为“中心”展开的。这个中心可以叫作“项目中心”，或者“事件中心”。因此，在空间负荷预测中，要特别关注这些大项目的动向。一般来讲，这些大项目从意向到投产有很长的前导时间(leading time)，比投产一座变电站可能还要长很多，因此，只要规划人员不断跟踪这些信息，不断调整预测和规划，随着项目由不确定逐步变为确定，规划结果也更加确定。这就是配电网预测规划中处理不确定性的常用方法，叫做“多方案规划”(multi-senario planning)。
　　这样，就确定了算例系统的空间数据收集项。在收集距离数据时，计算两点之间相隔的小区数。同样，在收集面积数据时，计算其占小区面积的百分数。在其环境因素中，对每个小区，分别收集其附近“一小区内的居民面积”、“两小区内的居民面积”、“两小区内的商业面积”。
　　对某个小区来讲，附近“一小区内的居民面积”反映了该小区的社区条件，若某小区1km内无人居住，该小区恐怕也很少有人去住。“两小区内的居民面积”指标反映的是该小区发展商业、学校和市政设施的潜力，小区附近2km内住的人多，说明市场潜力较大，并极有可能在该小区内建设学校和市政设施。“两小区内的商业面积”反映了小区附近商业的发达程度，若商业已经很发达，则不大可能在该小区内发展新的商业。
3.7　各用地类型模糊知识库
　　在日常生活中经常可以听到这样的要求，如房子离市中心远不远，交通方便不方便等。很显然，这些要求不好精确定义，在本质上是模糊的[1,2,5,6]。如何将这些语言表达非常方便的知识进行量化使之适于计算机处理，模糊数学从理论上和实践上都提供了有力的武器。模糊规则知识库及其相关的模糊推理技术就是其中之一。
　　首先，定义五个标准模糊集VH、H、N、L、VL，分别对应“很高”、“较高”、“一般”、“较低”、“很低”。这些模糊集将论域[0，1]划分为5个等级，各等级间有25%到30%的交叉以反映语义上的重叠（即模糊性）[1]。本文将这五个模糊集作为一个模板，其他模糊集都可以通过归一化变换转换为上述五个标准模糊集。具体定义请见文[1,2,5, 6]。
　　这样，就可以建立以表3为例的用地要求模糊知识库。其中，SP、MP、NT、MA、SA反映小区适于发展各用地类型的程度（小区空间属性与用地要求的匹配程度）。VH－SP表示“若VH，则SP”，具体语义取决于该规则应用的场合。
　　在评价小区是否适于发展某用地类型时，不同的空间属性有不同的重要性。如“市中心”对商业类型非常重要，但对工业类型就不很重要。因此，在用地要求知识库中，对每一空间属性需要给定一个权重以反映该属性的重要程度。表3　居民类用地要求知识库
Tab.3　Preference expert system for residence 评价指标权重模糊规则 离市中心距离0.9VH-SP; H-MP; N-NT;L-MA; VL-SA 离区中心距离0.8VH-SP; H-MP; N-NT;L-MA; VL-SA 离公路距离0.8VH-SA; H-SP; N-MP;L-MA; VL-SA 离学校距离0.8VH-SP; H-MP; N-NT;L-MA; VL-SA 附近1小区内居民面积0.7VH-SA; H-MA;N-SP; L-MP; VL-SA 附近2小区内商业面积0.7VH-SP; H-MP;N-NT; L-MA; VL-SA 3.8　小区模糊评分
　　小区评分是将小区的空间属性与用地要求进行匹配，从而评价出小区适于某一用地类型发展的程度。评价通常是多目标的，表3的居民用地知识库中，评价指标就有六项。本文首先运用模糊推理技术逐一评判所有的评价指标，然后采用多目标决策理论对所有指标进行综合评价。
　　假定某一评价指标有两条规则：
　　R1：If x is A1 and y is B1, then z is C1；
　　R2：If x is A2 and y is B2, then z is C2。
　　这里Ai，Bi and Ci是模糊集。给定x＝x0，y＝y0，根据Mamdana推理，输出量z的隶属函数C′可以表示为

(1)

　　采用重心法对式（1）的隶属函数进行清晰化,就可以将模糊量转换为精确量。
　　将上述的模糊推理技术运用于用地要求知识库的所有评价指标，就得到了小区空间属性对各指标的评分。假定小区属性对指标i的评分为Oi，指标i权重为wi，则所有指标的综合评分为

(2)

式中　E为最终的多目标评估结果。wi使得不重要的指标对评分的影响比较小。
　　以表3的居民用地知识库为例，小区模糊评分以表4为例评价指标有六个，对应于第一列。某小区的空间属性见表4中的第三列。对每个评价指标的模糊规则集运用式（1）后并清晰化得到小区的单指标评分Oi，采用式（2）就可以得到小区的多目标评分，见表4中的第五列。

表4　小区模糊评分举例
Tab.4　Example for suitability evaluation process 指标权重属性值Oi 10.90.270.750.75 20.80.100.770.77 30.80.300.900.90 40.80.400.650.65 50.70.650.770.77 60.70.940.810.81 多目标评估0.65 3.9　用地最优分配（用地决策）
　　空间负荷预测是一个将负荷总量预测分配到小区的过程。分配的依据是各用地类对小区空间属性的评分。本文采用运输模型进行用地最优分配[1,2]。
　　将上节得出的小区评分填入表5的rij（小区i适于类型j发展的程度），并将每个小区的可发展面积和每个用地类型的分类用地预测分别填入最后一列和最后一行。用地最优分配要保证评分高的小区优先分配，其目标函数可以表示为所有小区所有类型负荷的用地面积与评分的乘积之和最大。因此，表5所表示的是一个不平衡的运输模型（所有小区可发展面积之和一般大于所有用地类型的用地预测之和）。表5　运输模型应用于土地决策
Tab.5　Transshipment model applied to landuse decision

上一页  [1] [2] [3]  下一页

本文关键字：信息  空间  电力配电知识，电工技术 - 电力配电知识