1.222737
10.1
2.263
1.27
11
0.0320596
1.187133
10.2
2.163
1.30
12
0.0510277
1.013116
8.1
-1.272
10.60
13
0.0515366
1.000394
8.3
-1.313
10.10
对表1中数据用聚类分析方法进行处理,可得到5种负荷增长的类型,如表2所示。
表2 分类的情况 Tab.2 Category
序 号
人口密度增 长率/%
人均收入增 长率/%
人均电量增 长率/%
电费对煤气价格 之比增长率/%
负荷密度增 长率/%
1
0.0722726
1.073419
7.40
-0.693
10.086
2
0.0364217
5.275431
11.50
0.976
12.790
3
0.0594351
1.354729
4.30
1.812
4.200
4
0.0430751
0.936478
8.37
2.573
2.279
5
0.0253746
1.489525
6.50
1.312
5.675
由未来居民负荷相关因素构成矢量Xn+1=(5.431120×10-4,1.379986×10-2,3.700000×10-2,2.193000×10-2)T, 用式(11)(12)求得未来居民负荷对表2的隶属度为(0.431,0.081,0.834,0.688,0.528),其中P3=0.834为最大,故得未来负荷属于第三类,负荷密度增长率为4.20%。由式(14)~(17)可求得负荷增长率的修正量为0.20%。用修正后的负荷密度增长率就可求得预测负荷密度。
4 结论 根据目前我国的实际情况,本文把空间负荷预测的重点放在对小区(块)负荷密度的预测上。采用人工神经元网络的聚类分析和模糊隶属度分析法,对各类负荷进行分类简化并求出最适应于待测小区(块)环境因素的负荷。从而减少了负荷预测对数据的依赖性,并提高了预测的精度,这对新开发小区的电力负荷预测具有实际意义。 5 参考文献 1 Willis H L.Spatial electric load forecasting.New York: Marcel Dekker,Inc, 1994 2 Chow Mo-yuen. Methodology of urban re-development considerations in spatial load forecasting. IEEE Trans on Power Systems, 1997, 12(2): 996~1001 3 Chow Mo-yuen. Application of fuzzy multi-objective decision making in Spatial Forecasting. IEEE Trans on Power Systems, 1998, 13(3):1185~1190 4 Chow Mo-yuen.Application of fuzzy logic technology for spatial load forecasting IEEE Trans on Power Systems, 1997, 12(3):1360~1365 5 王天华, 王平洋, 范明天. 遗传算法、模糊逻辑和运输模型在配电网空间负荷预测中的应用.电网技术, 1999, 23(1):24~28 6 陈章潮, 唐德光. 城市电网规划和改造. 北京:中国电力出版社, 1998 7 韩正之.Principle of artificial neural networks.上海交通大学讲义
上一页 [1] [2]
|