CN111738555A - 一种基于现货电价的农网规划方法 - Google Patents

Abstract

本发明提供了一种基于现货电价的农网规划方法，属于电网规划技术领域，其包括以下步骤：获取发电机组在一个区域内的位置信息和所述发电机组的储能系统的充电状态信息，计算所述发电机组的储能系统充放电的必要性程度，并分配用于指导每个所述发电机组的储能系统的信息用于部署所述区域配电网的与该发电机组之间的联络线。本发明提供技术方案提供了一种农网规划方法，便于激活农网电力交易，使农网发电机组有效参与到电力市场交易中。

Description

一种基于现货电价的农网规划方法

技术领域

本发明属于电网规划技术领域，尤其涉及一种基于现货电价的农网规划方法。

背景技术

目前国内农村配电网的范围为县级公司所属区域内的城镇、农村或农（林、牧、渔）场对各类用户供电的110kV及以下各级配电网。近年来，由于分布式发电技术的不断发展及国家政策的大力支持，分布式光伏得到广泛应用。2014年我国实施的光伏发电扶贫工程工作方案中提出在农村安装分布式光伏，充分利用分布式光伏进行发电。2050年，可再生能源发电量的占比将达到60％以上，由于分布式光伏的大规模接入及用户负荷密度低等原因，农村局部地区的分布式光伏渗透率大幅度提升。然而农村白天分布式光伏发电量较大，负荷用电量较低，导致分布式光伏发电无法就地消纳。

粒子群优化算法(ParticleSwarmOptimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能(Swarmintelligence,SI)的一种。它可以被纳入多主体优化系统(MultiagentOptimizationSystem,MAOS)。粒子群优化算法是由Eberhart博士和kennedy博士发明。PSO模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略，即最简单有效的就是搜寻离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。

现有技术中，对电力市场运行约束条件主要在于发电机组与配电网出力与消纳的模型建立，对于农网，发电机组形式较多，且连接发电机组的配电网网络连接较薄弱，尚未形成适用于电力市场交易的农网网络。

发明内容

本发明目的在于提供一种考虑现货电价的农网规划方法，以便合理规划农网，使其便于参与电力市场交易。

本发明提供了一种基于现货电价的农网规划方法，包括以下步骤：获取发电机组在一个区域内的位置信息和所述发电机组的储能系统的充电状态信息，计算所述发电机组的储能系统充放电的必要性程度，并分配用于指导每个所述发电机组的储能系统的信息用于部署所述区域配电网的与该发电机组之间的联络线。本发明总的发明构思是获取农网中现有各个发电机组的地理位置以及其配套储能系统的充电状态信息，这种充电状态信息包括储能系统的总容量、蓄能占比，最大输出功率等，以判断发电机组可用于电力交易的出力能力。对于具备较强交易能力的电力机组，考虑其实际位置与其最位置接近，并且需求最接近的配电网，并在所述配电网与所述发电机组之间部署联络线。一般的，联络线经过若干开关站，在非检修状态下，所经过的开关站应当保证联络线的有效运行。

优选的，基于所述区域内发电机组位置信息和发电机组储能系统充电状态信息计算各发电机组储能系统充放电必要性程度的信息，并根据配电网需要程度，部署每处发电机组到指定配电网的联络线。对于经常处于较高蓄能占比的发电机组，其出售电力需求处于较高水平，应当选择具备较大需求的配电网，并在两者之间建立联络线。

本发明的一些具体实施例中，所述储能系统包括蓄电池和蓄水储能系统。

本发明的一些具体实施例中，所述配电网需要程度为所述配电网的一个预测现货电价。考虑现货电价是比较直观的体现配电网对电力的需求程度，因此，一些实施例中，优选使用配电网预测的现货电价作为该配电网对电力需求的指标。

一些具体实施例中，所述配电网的预测现货电价的通过以下步骤获取：获取一定时间范围内的历史电价数据，形成历史电价数据序列；对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；将所述不同频率的子序列分成训练集和预测集；利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列，以实际电价预测序列的一个均值为所述配电网的预测现货电价。

一些具体的实施例中，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

一些具体的实施例中，所述每处发电机组到指定配电网的联络线的部署策略通过以下方式获得：根据所述各预测现货电价数据分析区域价格敏感性，基于地理位置生成至少两个维度的价格敏感度矢量空间；将通过空间预测法获取的空间预测数据与所述价格敏感度矢量空间进行叠加矫正，获得新的空间预测数据；根据所述新的空间预测数据进行联络线部署规划。

优选的一些具体的实施例中，所述一定时间范围内的历史电价数据为一个完整的定价周期。

一些具体的实施例中，所述完整的定价周期包括季度、年或者气候周期。

一些具体的实施例中，在连接所述发电机组的配电网络中，开关站与发电机组的数量之比不低于3:1。

本发明提供技术方案提供了一种农网规划方法，便于激活农网电力交易，使农网发电机组有效参与到电力市场交易中。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例中于现货电价的农网规划方法的流程图。

图2为本发明一个实施例中对一个历史电价数据序列进行3尺度小波分解的算法示意图。

具体实施方式

如图1所示，本发明的多个实施例中提供了一种基于现货电价的农网规划方法，包括以下步骤：获取发电机组在一个区域内的位置信息和所述发电机组的储能系统的充电状态信息，计算所述发电机组的储能系统充放电的必要性程度，并分配用于指导每个所述发电机组的储能系统的信息用于部署所述区域配电网的与该发电机组之间的联络线。

尽管背景技术是基于一种的假设，即使用通过设置在农网中的发电机组连同其蓄电系统一起连接到配电网中，并通过电力市场参与现货电价交易，现有技术中，并未有关于未连接至配电网的农网发电机组其出力被引导至电力现货市场的相关披露。

举例的，农网风电站的发电频率约为每天1小时，并不能达到稳定的出力条件，因此并不能直接出力至配电网。因此，只有当配有蓄电系统的发电机组才能作为具备稳定出力的发电机组参考性的为配电网提供承诺的出力条件。因此，如果对此类发电机组给予激励建立相应的蓄电系统，并促使其整体参与市场竞价体系，有助于农网多余发电量的充分利用，提高农网发电户的收入水平。

考虑到这些事实，完成本发明。本发明提供一种电网规划技术等，用于引导具备蓄电系统的发电机组整体作为一个整体的发电机组通过联络线与附近的诺干配网连接，从而更可靠地保持向电网侧供电。

本发明使用以下方法来解决上述问题。

收集和存储所属区域内电动汽车的当前位置信息和电动汽车蓄电池的充电状态信息，并根据所存储的位置信息，将每辆电动汽车引导到指定的充放电点进行充放电的信息分布蓄电池的充电状态信息和充放电点的位置信息。由于本发明具有上述结构，因此可以将移动的电动汽车引导到充电/放电点，以便更可靠地保持向电网侧供电。

下面将参考附图描述本发明的实施例，用于说明使用本方法系统的总体配置的图。在本发明中，提供了在一个区域内进行供电和控制的供电指挥站、管理电网相关数据（例如电网中的潮流历史、各种设备的运行历史和用户合同信息）的数据中心、执行发电机组（以下简称发电机组）蓄电系统管理与控制的控制中心、通信网络、具有蓄电系统的若干发电机组（包括太阳能光伏发电机组，风力发电机组、使用热力发电机组）、用于对上述各设施的各种数据进行通信的通信线路、以及连接发电机组和配电网用于输送电的联络线。

通信线路与通信网络之间交换的数据经由通信线路传送到数据中心，并由数据中心根据稍后将描述的目的进行转换。功率聚合器是具有以下功能的提供商：获取关于配置在蓄电系统的信息、从目标发电机组收集由功率馈送命令站指定的功率馈送量以及指定从电网向电网充电/放电。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述做出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

本发明总的发明构思是获取农网中现有各个发电机组的地理位置以及其配套储能系统的充电状态信息，这种充电状态信息包括储能系统的总容量、蓄能占比，最大输出功率等，以判断发电机组可用于电力交易的出力能力。对于具备较强交易能力的电力机组，考虑其实际位置与其最位置接近，并且需求最接近的配电网，并在所述配电网与所述发电机组之间部署联络线。一般的，联络线经过若干开关站，在非检修状态下，所经过的开关站应当保证联络线的有效运行。

具体的，包括步骤S100和S200：

S100，获取农网中现有各个发电机组的地理位置以及其配套储能系统的充电状态信息。在一些实施例中，这些信息可以是给予一个时间段的，另一些实施例中，这些信息可以是基于若干关键时间结点的，如结算周期前的一个时间段的平均值。

S200，根据S100获取信息，判断发电机组的出力能力，并匹配其地理位置附近消纳与其最为接近的配电网，并在两者之间建立联络线。

本发明的多个实施例中，基于所述区域内发电机组位置信息和发电机组储能系统充电状态信息计算各发电机组储能系统充放电必要性程度的信息，并根据配电网需要程度，部署每处发电机组到指定配电网的联络线。

本发明的一些具体实施例中，所述储能系统包括蓄电池和蓄水储能系统。

本发明的一个实施例中，所述配电网需要程度为所述配电网的一个预测现货电价。示范的，所述配电网的预测现货电价的通过以下步骤获取：获取一定时间范围内的历史电价数据，形成历史电价数据序列；对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；将所述不同频率的子序列分成训练集和预测集；利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列，以实际电价预测序列的一个均值为所述配电网的预测现货电价。

作为进一步的示范，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

作为进一步的示范，所述每处发电机组到指定配电网的联络线的部署策略通过以下方式获得：根据所述各预测现货电价数据分析区域价格敏感性，基于地理位置生成至少两个维度的价格敏感度矢量空间；将通过空间预测法获取的空间预测数据与所述价格敏感度矢量空间进行叠加矫正，获得新的空间预测数据；根据所述新的空间预测数据进行联络线部署规划。

在一个具体的实施例中，上述各步骤的预测通过一种电价预测装置，其包括：

获取模块，用于获取一定时间范围内的历史电价数据，并形成历史电价数据序列。

归一化模块，用于对所述历史电价数据序列进行归一化，获得归一化的历史电价数据序列。

小波分解模块，用于采用设定的尺度对归一化的历史电价数据序列进行小波分解，分解成不同频率的子序列。

其中，所述对所述历史电价数据序列进行归一化，具体的，将所述历史电价数据归一化到0～1之间。

所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，

可以采用3尺度、4尺度、5尺度、6尺度或7尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；

根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

所述3尺度的小波分解的示意图如图2所示，

其中，P(n)＝A 3 (n)+D 3 (n)+D 2 (n)+D 1 (n)。

分类模块，用于将所述不同频率的子序列分成训练集和预测集。

电价预测模块，用于将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据。

其中，在利用训练集训练CNN模型之前，还需要构建CNN模型。CNN(卷积神经网络)模型是一种深度学习模型，采用的是有监督的学习机制，这使得它能适应大部分的问题，尤其是在对局部特征进行挖掘和对全局训练特征进行提取方面有强大的优越性。它是从输入到输出的一种映射，不需要精确的表达式，只需要有对应的输入与输出就可以映射出对应关系。开始训练前对参数采用的是随机初始化的方法，保证要尽量小以免进入饱和状态，同时随机赋值也是为了使网络具备学习能力，与其他深度学习算法相比，卷积神经网络不需要复杂的数据预处理过程，性能更高。。

在CNN模型构建后，利用训练集中的样本数据，并采用误差反向传输算法分别训练对应的CNN模型。

在所述CNN模型训练好后，利用预测集中的电价数据作为输入数据，将其输入到经过训练后的CNN模型中获得预测电价。

小波重构模块，用于对所述预测数据进行小波重构，得到重构的预测数据；

反归一化模块，用于对所述重构的预测数据进行反归一化处理，输出实际电价预测序列。

在本发明实施例中，所述对预测数据进行小波重构，具体的，将通过小波重构模块分解得到的不同频率的子序列重构成在小波分解前的序列数据。

其中，3尺度的子序列数据，重构后的序列数据采用的表达式如下：

P(n)＝A 3 (n)+D 3 (n)+D 2 (n)+D 1 (n)

在通过小波重构获得小波分解前的序列数据后，将电价预测模块5获得的预测数据进行反归一化处理，得到起实际电价预测序列。

由于历史电价数据序列中含有较强的非线性特征，具体表现为序列波形中的尖峰或者剧烈振荡，而这些特征是影响预测精度的重要原因。

本发明的一个实施例中，所述一定时间范围内的历史电价数据为一个完整的定价周期。示范性的，所述完整的定价周期包括季度、年或者气候周期。

本发明的一个实施例中，在连接所述发电机组的配电网络中，开关站与发电机组的数量之比不低于3:1。

对所公开的实施例的各种修改对于本领域的技术人员来说是显而易见的，在不脱离本发明的精神和范围的情况下，这里定义的一般原理可以应用于其它实施例和应用。因此，本发明不限于所示的实施例，而是符合与这里公开的原理和特征一致的最宽范围。

以上对实施例的描述仅是为了说明和描述的目的而提出的。它们不是穷举性的或将本说明书限于所公开的形式。因此，对于本领域技术人员来说，许多修改和变化将是显而易见的。另外，上述公开内容并不意欲限制本说明书。本说明书的范围由所附权利要求限定。

本发明上述多个实施例中，所述影响电力价格的因素包括获取电力价格，在所述每个鸟群的跟踪方法是基于模型演化的电力价格，其中，先对电力价格进行建模，然后在连续序列中更新这个模型而到达跟踪的目的，前一序列中的跟踪结果被用于当前序列相关参数的初始化，能代表电力价格的特征的模型就这样在序列间进行演化。

本发明的实施例中所述跟踪方法包含主动轮廓法、水平集法、基于核的跟踪或均值漂移跟踪方法。本实施例中所述追踪方法为主动轮廓法，其中，在前一序列中定义了一个与多个电力价格轮廓相关的内部能量和外部能量之和的能量函数，在当前序列中使得能量函数最小化，进而找出电力价格轮廓。

具体的，所述粒子群优化算法包括以下步骤：搜索和优化粒子群，建立位置搜索策略和轮廓模型，实现多电力价格的位置与轮廓跟踪。实现其所述多电力价格的位置与轮廓跟踪的系统包括基于PSO的跟踪模块，基于PSO的发现模块和基于PSO的轮廓模块。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于现货电价的农网规划方法，其特征在于，包括以下步骤：获取发电机组在一个区域内的位置信息和所述发电机组的储能系统的充电状态信息，计算所述发电机组的储能系统充放电的必要性程度，并分配用于指导每个所述发电机组的储能系统的信息用于部署所述区域配电网的与该发电机组之间的联络线。

2.根据权利要求1所述的农网规划方法，其特征在于：基于所述区域内发电机组位置信息和发电机组储能系统充电状态信息计算各发电机组储能系统充放电必要性程度的信息，并根据配电网需要程度，部署每处发电机组到指定配电网的联络线。

3.根据权利要求1所述的农网规划方法，其特征在于：所述储能系统包括蓄电池和/或蓄水储能系统。

4.根据权利要求2所述的农网规划方法，其特征在于：所述配电网需要程度为所述配电网的一个预测现货电价。

5.根据权利要求4所述的农网规划方法，其特征在于，所述配电网的预测现货电价的通过以下步骤获取：获取一定时间范围内的历史电价数据，形成历史电价数据序列；对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；将所述不同频率的子序列分成训练集和预测集；利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列，以实际电价预测序列的一个均值为所述配电网的预测现货电价。

6.根据权利要求5所述的农网规划方法，其特征在于：所述采用设定的尺度对所述归一化后的历史电价数据序列，通过小波分解获得一个低频的近似信号和若干个高频的细节信号；根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

7.根据权利要求5所述的农网规划方法，其特征在于，所述每处发电机组到指定配电网的联络线的部署策略通过以下方式获得：根据所述各预测现货电价数据分析区域价格敏感性，基于地理位置生成至少两个维度的价格敏感度矢量空间；将通过空间预测法获取的空间预测数据与所述价格敏感度矢量空间进行叠加矫正，获得新的空间预测数据；根据所述新的空间预测数据进行联络线部署规划。

8.根据权利要求7所述的农网规划方法，其特征在于：所述一定时间范围内的历史电价数据为一个完整的定价周期。

9.根据权利要求8所述的农网规划方法，其特征在于：所述完整的定价周期包括季度、年或者气候周期。

10.根据权利要求5所述的农网规划方法，其特征在于：在连接所述发电机组的配电网络中，开关站与发电机组的数量之比不低于3:1。

Images