关键词 配电网规划 空间负荷预测 遗传算法 模糊逻辑 运输模型 地理信息系统APPLICATIONOFGENETICALGORITHM,FUZZYLOGICANDTRANSSHIPMENTMODELTOSPATIALLOADFORECASTINGFORDISTRBUTIONPLANNINGWangTianhua WangPingyang FanMingtian
ElectricPowerResearchInstitute,MinistryofElectricPower，
Beijing,100085 ChinaABSTRACT Thispaperproposesanovelspatialloadforecasting(SLF)methodfordistributionplanning.GeneticalgorithmisintroducedintoSLFtolearningasetoffuzzyrules,whichthenisappliedtoevaluatescoresofsmallareasusingfuzzylogictechnology.Inordertoachievetheoptimallanduseallocationschema,transshipmentmodelisadopted.
KEYWORDS distributionsystem SpatialLoadForecasting GeneticAlgorithm FuzzyLogic Transshipmentmodel GeographicInformationSystem(GIS)1 前言
空间负荷预测（或称小区负荷预测）是配电网规划的基础。在配电网规划中，不仅要预测负荷的量，还要预测负荷增长的位置,即负荷的空间分布［1～6］。只有在确定负荷空间分布的基础上，才能进行配电网的布点和布线规划。
空间负荷预测是一个将总量负荷预测分配到供电小区的过程，可分为三个阶段：空间信息收集—土地使用决策—负荷增长预测。其中，土地使用决策是空间负荷预测的核心，文献［4～6］大量的算法都是针对这一过程而提出的。在传统的空间负荷预测中，土地使用决策主要是依靠专家判断对每个小区适于每个土地使用类的发展程度进行评估或评分，按照得分高低来决定未来各小区的发展情况。近年来，随着地理信息系统(GIS)在配电系统中的应用，空间信息的收集和处理越来越方便，使得直接利用小区在地理、交通、社区、学校、市政和城市规划方面的信息成为可能。文［4］提出了将模糊逻辑应用于空间负荷预测的方法，它采用模糊逻辑技术对GIS系统收集的信息进行模糊化、推理和清晰化，从而得到每个小区的评分。但随着城市的发展，模糊推理采用的模糊集和模糊规则都需要不断调整。例如，在现在看来，离市中心10 km算“远”，5年以后，离市中心10 km就可能算“近”了。一条模糊规则（如离高速公路近，离市区近，则适于发展居民住宅）从目前看来比较合理，但若干年后可能就不再适用。因此在将模糊逻辑应用于空间负荷预测时，采用的模糊集和模糊规则都应该不断滚动和调整。为了解决这个问题，本文引入遗传算法来调整模糊集的参数，并训练模糊系统规则，从而克服了模糊规则由专家指定的缺点，也使得空间负荷预测能够适应城市的发展。
在根据每个小区评分来分配土地使用的过程中，以前的空间负荷预测方法都是按照评分的高低来排队确定的。这种方法并不能得到土地的最优分配方案，它仅相当于运输模型采用最小元素法得到的初始解。在本文提出的空间负荷预测中，运输模型将被用来产生最优的土地分配方案，使得所有小区土地使用评分之和最大。
本文首先提出了空间负荷预测的数学模型，并在模型中引入遗传算法和模糊逻辑以进行土地使用决策，问题的解由运输模型给出。所提出的方法已在一个20 km2的配电网中实现，显示出如下的优点：①采用遗传算法训练模糊规则库，可以考虑城市的发展和市民生活水平的提高对空间负荷预测的影响；②将模糊逻辑引入土地使用决策能有效地解决以前只有依靠专家判断才能解决的问题；③经典的运输模型算法能保证土地使用的最优分配；④提高了整个空间负荷预测过程的自动化程度。2 空间负荷预测问题的数学模型
空间负荷预测的第一步是从GIS中提取空间特征。假定规划区地图Map所有的属性层表示为∪Layer，定义光栅化操作R，它将地图划分成大小一致的方格，则小区属性F(x,y)可以表示为R(Map(∪Layer))＝F(x,y)(1)从数学角度来讲，空间负荷预测及其计算存在如下三种映射：(2)式中 f1将小区(x,y)的特征F(x,y)映射成土地使用面积L(x,y)，f2将土地使用面积L(x,y)映射成小区负荷S(x,y)。(3)式中 m为土地使用类的个数，LCi为第i类的负荷密度，Li(x,y)和Si(x,y)分别表示小区(x,y)的第i类土地使用面积和负荷。
映射f3将小区负荷累加成系统负荷，(4)f2和f3是式(3)和(4)所表示的两个简单映射。而映射f1是非线性的、随机的，与时间和空间都有关系，受主客观因素的双重影响，难以找到精确的数学关系。实质上，f1就是土地使用决策过程。它可以分解为两个映射：f1＝f′1f″1，其中，f′1：F(x,y)→P(x,y)将小区属性映射成小区评分P(x,y)，f″1：P(x,y)→L(x,y)将评分映射成土地使用。由此可见，空间负荷预测的核心在于土地使用决策，而土地使用决策的关键是要找到两个映射f′1和f″1。
在城市发展过程中，被人看好的地块（评分高）总是要优先发展。土地使用决策的目标就是找到一组Li(x,y)，在满足各土地使用类的增长预测Lit（i＝1，…，m）和各小区的可发展土地Ld(x,y)（空地）约束时，使得所有小区的评分最高。可进一步表示为(5)约束条件： (6)(7)(8)一旦映射f′1确定，式(5)中的Pi(x,y)可用式(8)替换，式(5)～(8)就退化为经典的运输模型。式(5)～(8)运输模型表示的正好就是根据小区评分分配土地使用的过程，即映射f″1。这样，[1][2][3]下一页
