空间电力负荷预测方法用地仿真法的基本原理

用地仿真类空间负荷预测法是通过分析土地利用的特性及发展规律，来预测土地的使用类型、地理分布和面积构成，并在此基础上将土地使用情况转化为空间负荷。其具体做法通常是将预测区域划分为大小一致的网格，每个网格为一个元胞，通过分析它的空间数据及相关信息，将其空间属性与用地需求相匹配，以评分的方式对各元胞适合于不同用地类型发展的程度进行评价。同时，结合整个预测区域的总量负荷预测结果与分类负荷密度预测结果，推导出未来年各用地类型的使用面积。根据元胞用地评分，建立用地分配模型，将分类土地使用面积分配到各元胞内，得到预测区域用地分布预测结果，结合分类负荷密度预测值，从而求出空间负荷分布，进而还可得到预测区域内匹配后的系统负荷 。

综上，用地仿真类空间负荷预测方法的实现流程可以参考《实现用地仿真类SLF法的流程图》来表示，其核心部分是用地决策，而且假设了各类用地面积和分类负荷密度是已知的。可见元胞用地评分才是用地仿真类空间负荷预测方法的关键所在。

空间电力负荷预测方法基于模糊逻辑技术的空间负荷预测方法

传统用地仿真法中的用地决策环节，通常依靠专家的意见来对元胞适合于每种土地使用类型的发展程度进行评分，并根据分值高低推断各元胞未来用地面积分配情况。但这样得到的评分结果受主观因素影响较大，势必导致基于用地面积分配而得到的元胞负荷预测值出现不同程度的偏差。

1996年，模糊逻辑技术首次应用于用地仿真法的元胞用地决策中，其具体做法是:首先在对元胞空间属性分析的基础上，确定模糊集，将元胞的空间信息模糊化;然后根据专家经验建立模糊规则库，使用专家指定的隶属函数，得到模糊推理结果;最后，经过对模糊推理结果的清晰化，将模糊量转化为清晰量，从而得出元胞用地评分。

随着预测区域内部情况的变化，或预测区域的扩展，先前合理的模糊规则可能在一段时间后不再适用，因此模糊逻辑技术采用的模糊集和模糊规则都需要不断地调整，为此又引入了神经网络、遗传算法 。其具体做法是:利用模糊知识库来模拟每个用地类型的用地要求，将元胞空间属性数据作为训练样本，使用神经网络和遗传算法来调整模糊规则，训练模糊集的参数，最终获得元胞适用于各用地类型的发展程度。这种算法既融合了神经网络的学习能力、自适应能力，又保留了模糊系统的知识表达的灵活性和严谨的推理逻辑性，能够修正规划人员凭经验给定的模糊规则库(模糊规则库能根据负荷发展而不断地自调整)，在建立模糊规则的过程中也可以有效地减少主观因素带来的影响。

空间电力负荷预测方法基于粗糙集理论的空间负荷预测方法

虽然在元胞用地决策过程中可以采用模糊逻辑技术，但是考虑到地理环境、社会条件以及经济发展等诸多因素的影响，并且采用较高的空间分辨率的时候，模糊规则将成倍增加，导致用地决策过程变得繁杂而难于实现。

为此，粗糙集理论被引入到了空间负荷预测中。通过对可能影响元胞用地决策的众多相关属性进行约简，去除冗余属性，使得用地决策过程相对简单，提高了空间负荷预测的效率。

把粗糙集理论和模糊逻辑技术结合起来用于空间负荷预测，便产生了一种基于模糊粗糙集理论的综合数据挖掘方法。其具体做法是:采用粗糙集理论的信息系统循环采样技术，通过数据库知识获取手段把各样本按照自身的属性值进行聚类，根据聚类中心对连续取值的属性设定模糊值，根据决策属性包含度对模糊粗糙规则进行筛选，同样通过数据库知识获取手段来判断用地类型的转换，从而得到元胞用地类型的变化情况 。

然而，基于模糊粗糙集理论的综合数据挖掘方法在数据离散过程中，忽略了数据离散化本身所具有的不确定性，而且进行元胞用地评分时也忽略了元胞空间属性泛化后概念的模糊性。

空间电力负荷预测方法基于元胞自动机的空间负荷预测方法

考虑到元胞自动机在模拟空间复杂系统的时空动态演变方面具有很强的能力，有文献将其引入用地仿真类SLF方法的用地决策过程中，提出了一种基于元胞自动机理论的SLF方法。其具体做法是：首先提出了电力负荷元胞、元胞样区、元胞时空数据库、样本数据库的概念;然后基于所提出概念制定了考虑多种相关因素的负荷元胞转换规则和相关参数，确定出各元胞的用地情况;最后在此基础上使用同类用地典型负荷密度推出其负荷值。虽然该方法具有可以从多个规则来描述影响电力负荷时空发展相关因素的优点，但是还需要进一步优化和完善其相关参数和规则。

空间电力负荷预测方法基于蚁群算法的空间负荷预测方法

针对用地决策过程中静态转换规则不能适应负荷发展的局限性，有文献则提出了基于蚁群算法的SLF方法，即在对元胞未来土地使用类型进行模拟的过程中，采用蚁群算法动态地获取用地类型的转换规则，评判出元胞的用地情况，并结合分类负荷密度预测值，得到最终的空间负荷分布结果。

空间电力负荷预测方法基于SVM的空间负荷预测方法

该方法首先在待预测区域内按照等大小网格生成元胞，然后在GIS平台上提取各元胞的空间信息，并利用主成分分析法对元胞的空间信息进行处理，实现元胞属性的简化，形成支持向量机(SVM)的训练样本集，用训练好的SVM算出元胞属性值，最后将其与待预测区域未来的发展规划相结合，并利用分类负荷密度得出SLF结果 。

空间电力负荷预测方法基于系统动力学的空间负荷预测方法

该方法首先基于系统论中的整体与个体的关系，利用系统动力学建模的方法对各个元胞建立统一的预测模型，通过分析实际情况来修正负荷预测模型，使个体差异性得到体现;然后利用上述预测模型所得到的预测结果生成分配因子，对总量负荷进行分配;最后建立运输模型并对其求解，从而得到具体的负荷分布与增长情况。

空间电力负荷预测方法考虑不确定性因素的空间负荷预测方法

传统的用地仿真类SLF方法通常仅适用于土地利用平稳发展的情况，在土地跳跃式发展时得到的预测结果则偏差较大。所以，在预测过程中还需要考虑用地变化过程中的不确定性因素。

空间电力负荷预测方法用地仿真类空间负荷预测方法存在的问题

1)该类方法把分类负荷用地面积和分类负荷密度当作已知条件，前者由规划部门确定，相对容易获得，并且该信息往往比较准确、可信，但是后者数值大小的确定却并不容易。

2)由于该类方法在生成元胞时往往采用等大小的网格来实现，所以通常无法获得元胞负荷的实际测量值，而只能推算出其理论负荷值，这样就会在评估预测结果精度的时候遇到困难。

3)该类方法都含有保证元胞负荷和总量负荷的相等(要么由总量直接分配下去，要么通过不同调整手段来平衡)的环节，但若考虑到电力负荷的同时率，则元胞最大负荷之和与总量负荷最大值不相等才更为合理。