[發明專利]一種基于模糊粗糙集理論和時空信息的空間負荷預測方法

有效

• 申請號: 201611166237.2
• 申請日: 2016-12-16
• 公開（公告）號: CN106600063B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 肖白;劉慶永;姚狄;房龍江;宋凱豪
• 申請（專利權）人: 東北電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 吉林市達利專利事務所 22102
• 代理人: 陳傳林

1.一種基于模糊粗糙集理論和時空信息的空間負荷預測方法，其特征在于，它包括以下內容：

1)建立電力GIS

建立包含10kV饋線信息圖層和待規劃區內用地信息圖層的電力GIS，在電力GIS中整合10kV饋線的信息，其中包括：10kV饋線的歷史負荷、供電面積；地理信息系統(GeographicInformation System，GIS)；

2)劃分供電小區

根據電力GIS中待規劃區域內用地類型的不同，將用地分為居民用地、商業用地、工業用地、行政辦公用地、文化娛樂用地、市政公共設施用地、綠化用地、特殊用地，共八類用地，每類用地上的負荷都具有相似的負荷特性，計為同一類負荷，則每類用地所對應的分類負荷分別為居民負荷，商業負荷，工業負荷，行政辦公負荷，文化娛樂負荷，市政公共設施負荷，綠化負荷，特殊負荷，將每類用地按照地理位置和連片情況劃分成多個供電小區，并對不同類型用地的供電小區分別進行編號，求出各供電小區的空間屬性值，包括負荷屬性值、距離屬性值和環境屬性值；

3)求取模糊粗糙因子

由于城市電網內的同類用地的發展程度不同，其負荷密度也是非均勻的，而模糊粗糙因子是一個能夠描述具體某塊用地負荷密度大小程度的參數，該參數的獲取是在利用模糊粗糙集理論的基礎上，分析空間信息中的各屬性和歷史負荷數據得來的，因此在考慮各種空間地理信息的前提下，應用模糊粗糙集理論求取模糊粗糙因子，實現更精確的空間負荷預測，其具體分為①-⑦步驟：

①決策表的形成

將預測的各小區作為論域，通過相關性系數值大小篩選出影響小區評價的相關因素作為條件屬性，條件屬性選取色塊和它自身所屬饋線的負荷密度相關性比較強的那些屬性，專家對小區的評價作為決策屬性，形成一張二維表格，表中每一行描述一個對象，每一列表征對象的一種屬性；

②數據的離散化

為使量化后的決策表具有最大一致性，應用模糊C均值聚類方法進行優化并得出各連續屬性的量化區間數和分點值；

③粗糙集屬性的約簡

將決策表離散化后，應用粗糙集對決策表進行簡化，主要包括各條件屬性和屬性值的簡化，即合并具有相同條件屬性和決策屬性的對象；刪除某一條件屬性后若決策表仍為一致性的，則該條件屬性為可省略的，否則為不可省略的；

④規則集的建立

模糊理論是處理系統不確定性的重要工具，在日常生活中常存在距離和環境的不確定性描述，應用模糊離散化方法和各推理規則的約簡結果，建立推理規則集；

⑤反模糊化

由于推理結果為模糊集，需要對其進行清晰化以便得到小區對土地使用類型的適合程度評分；

⑥條件屬性的篩選

在評價小區適于某用地類型發展時，不同的空間屬性有不同的重要性，并且相同的屬性在不同的決策屬性下對決策輸出也會有不同的影響，商業類用地對市中心或公路距離顯得尤其重要，而對河流和環境的要求則次之；而居住小區不希望離公路和市中心太近，以避免公路等帶來的噪音和污染，但也不希望離公路太遠以造成出行不便，對環境的要求也較重要，流則可有可無；工業小區要求離公路近、離市中心遠、環境好，以便于運輸和避免污染，為克服確定條件屬性的主觀性，用相關性理論中相關性系數大小分析計算各條件屬性對各用地類型的不同重要性；

⑦模糊粗糙因子的確定

通常距離屬性涉及幾個論域：離高速公路的距離、離市中心的距離和離學校的距離，定義三個模糊集，非常近(Very Close，VC)，近(Close，C)和遠(Far，F)來定義距離的遠近；經過模糊粗糙集推理規則的推理后，得到屬性決策集，對于決策集中的五個模糊集給出類似于距離屬性的定義，采用非常適合發展(Strongly Prefer，SP)，中等程度地適合發展(Moderately Prefer，MP)，一般程度地適合發展或不發展(No Trick，NT)，中等程度地不適合發展(Moderately Against，MA)，非常不適合發展(Strongly Against，SA)來描述供電小區適于發展的程度，對每一類用地生成一個規則集，并構造一個子樣本集，該子樣本集為總樣本集中所有包含用地類型的記錄集合，八類用地則有八個規則集，運用模糊粗糙集理論分別求出各用地類型下所有供電小區的模糊粗糙因子A_k，k＝1,2,…,w_j，w_j為對應規則集中所有供電小區的個數，j＝1,2,…,m，m為用地類型的總數，并將其作為各供電小區的模糊粗糙因子，并規定其值域為{SP，MP，NT，MA，SA}，定義如下，SP：模糊粗糙域80％＜A_k≤100％；MP：模糊粗糙域60％＜A_k≤80％；NT：模糊粗糙域40％＜A_k≤60％；MA：模糊粗糙域20％＜A_k≤40％；SA：模糊粗糙域0＜A_k≤20％，與適合發展程度相應的各供電小區的模糊粗糙因子為SP＝1.0，MP＝0.8，NT＝0.6，MA＝0.4，SA＝0.2，最終將同一條10kV饋線下的所有同類用地中供電小區的模糊粗糙因子A_k取平均值作為該10kV饋線下的該類用地供電小區統一的模糊粗糙因子；

4)分別求取各分類負荷密度的平均值

在已知每條饋線的歷史年負荷最大值的基礎上，預測出目標年各饋線的負荷最大值，建立饋線負荷與各類用地負荷密度，簡稱：分類負荷密度的關系方程式(1)，并采用最小二乘法求取最大分類負荷密度，

其中：P_i為目標年第i條饋線的負荷最大預測值，i＝1，2，…，n，

n為10kV饋線的總數，

α_ij為第i條饋線內第j類用地統一的模糊粗糙因子，j＝1,2,…,m，

m為用地類型的總數,

S_ij為第i條饋線供電范圍內第j類用地面積，

D_j為第j類用地的最大分類負荷密度預測值，

利用最小二乘估計方法求出每一類用地的最大負荷密度預測值后，計算各分類負荷總量及其對應的供電面積，利用式(2)分別求取各分類負荷密度的平均值，

其中：表示第j類用地類型的負荷密度的平均值，j＝1,2,…,m,

5)空間負荷預測

對每類用地中的編號供電小區，根據對應的模糊粗糙集推導規則，得到各編號供電小區對應的模糊粗糙因子，利用已求出的每類用地的平均分類負荷密度值，預測出每個供電小區在目標年的負荷值，

其中：P_ijk為目標年第i條饋線內第j類用地中第k個供電小區的負荷值，

i＝1,2,…,n，

n為10kV饋線的總數，

j＝1,2,…,m，

m為用地類型的總數，

k＝1,2,…,w_j，

w_j為每類用地中供電小區的總數，

α_ij為第i條饋線內第j類用地統一的模糊粗糙因子，

為第j類用地的負荷密度平均值，

S_ijk為第i條饋線內第j類用地中第k個供電小區的面積。