🔬 physics

Modeling medium and low voltage grids using population density

该研究提出了一种基于人口密度非线性关系和克鲁斯卡尔算法的电网建模方法，通过验证 35 个国家的数据，揭示了人口分布与中低压配电网结构之间的深刻联系，并证实了利用多元幂律可准确估算全球电网规模。

原作者： Emile Emery, Joseph Le Bihan, José Halloy

发布于 2026-02-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Emile Emery, Joseph Le Bihan, José Halloy

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在教我们如何**“用人口地图画出一张完美的电力网”**。

想象一下，你是一位城市规划师，手里有一张世界地图，上面密密麻麻地标记着哪里人多、哪里人少。你的任务是：在不看任何现有电线杆和变电站图纸的情况下，仅凭这张人口地图，就能猜出这个国家的电线大概有多长、变电站建在哪里。

听起来像算命？但作者说，这其实是一门科学。

以下是这篇论文的通俗解读：

1. 核心问题：我们为什么需要这个模型？

电力网（电线、变电站）里藏着大量的铜和铝。随着全球电气化（比如大家都开始用电动车、电暖气），我们需要铺设更多的电线。

痛点：很多国家的电力数据是保密的，或者太乱了，根本拿不到。我们不知道未来需要多少铜，也不知道电线该铺多长。
目标：作者想建立一个“万能公式”，只要输入人口密度，就能算出电力网的规模。

2. 他们是怎么做的？（两个步骤）

第一步：像撒豆子一样找变电站

想象你在一片土地上撒豆子（代表变电站）。

人多的地方（城市）：豆子撒得密，但不用按比例撒。因为人太集中了，一个变电站可以服务很多人，所以变电站的数量增长比人口增长要慢（这叫“亚线性”）。
人少的地方（农村）：豆子撒得稀。这里每多一个人，可能就需要多建一个变电站，因为大家住得太散了，一个变电站顾不过来。
作者的发现：他们通过研究法国的数据，发现了一个神奇的数学规律：人口越密，变电站越“省”；人口越稀，变电站越“费”。

第二步：像连点成线一样铺电线

一旦确定了变电站（豆子）的位置，怎么把它们连起来？

作者使用了**“克鲁斯卡尔算法”（Kruskal algorithm）。你可以把它想象成“最省钱连线法”**：就像你要把散落在各处的村庄用最短的公路连起来，你会优先连最近的，绝不走冤枉路。
虽然真实的电网为了安全会有“环路”（像蜘蛛网一样有回环），但作者发现，用这种“树状”的最短连线法，算出来的总长度已经非常接近真实情况了。

3. 结果怎么样？（法国是“优等生”，其他国家是“特长生”）

在法国（训练场）：
模型算出来的变电站数量和电线总长度，和真实数据惊人地吻合（误差很小）。这说明：只要知道人住哪，就能猜出电线在哪。
- 比喻：就像你看着一个人的指纹，就能猜出他的手掌大概有多大。
在其他国家（考场）：
作者把这个“法国公式”套用到全球 30 多个国家。
- 电线总长度：猜得很准！不管国家大小，电线总长度主要取决于人口总数和国土面积。
- 变电站数量：这就有点“水土不服”了。比如美国，他们的电网设计习惯和欧洲（法国）不一样（美国喜欢用很多小变压器，欧洲喜欢用几个大变压器）。所以直接套用公式，变电站数量会有偏差。
- 比喻：就像你学会了做“法式大餐”（法国电网模型），去给美国人做饭时，虽然主菜（电线总长）味道差不多，但配菜（变电站数量）的摆盘方式可能不太一样。

4. 最有趣的发现：不用看用电量，也能算出来

通常我们认为，用电越多，电线越粗、越长。但作者发现了一个反直觉的现象：

对于中压电网（连接城市的主干道），电线长度主要看“人住得有多散”，而不是“用了多少电”。
只要人住得散，哪怕大家都不怎么用电，为了把电送到每家每户，电线也得铺那么长。
比喻：送快递。不管包裹里装的是空气还是金子（用电量），只要收件人住得远（人口分散），快递员（电线）跑的路程是一样的。

5. 这个模型有什么用？（未来的价值）

算账：我们可以算出全球电网里到底埋了多少铜。这对于回收废旧金属、规划未来需要开采多少新铜矿至关重要。
预测：在那些没有详细电力数据的贫穷国家或发展中国家，只要知道人口分布，就能预测他们需要建多少电网，需要多少材料。
通用性：这个思路不仅适用于电，以后修水管、铺天然气管道、建 5G 基站，只要看人口分布，都能用类似的逻辑去估算。

总结

这篇论文告诉我们：电力网虽然复杂，但它本质上是在“服务”人口。
只要掌握了人口分布这张地图，再配合一点数学魔法，我们就能在不需要看到任何一根电线的情况下，精准地描绘出整个国家的电力网络骨架。这就像看着城市的“人口指纹”，就能还原出城市的“血管网络”。

论文技术总结：基于人口密度建模中低压电网

1. 研究背景与问题 (Problem)

随着全球电气化进程的加速，电力分配网络（Distribution Grid）的扩张需要部署大规模的基础设施。电力分配网络（特别是中压 MV 和低压 LV 网络）占据了社会在用铜和铝库存的很大比例。然而，准确评估这些网络的空间配置和材料需求面临巨大挑战：

数据缺失与不透明：与输电网络（通常由少数运营商管理，数据较公开）不同，分配网络由众多本地实体运营，且电缆和变电站的具体位置数据往往敏感或不可用，导致缺乏全球范围内的高分辨率电网数据。
建模困难：现有的基于卫星图像（如夜间灯光、屋顶检测）的方法在捕捉农村地区的网络连接时存在局限性，且处理成本高。
核心问题：如何仅利用易于获取的数据（如人口密度），构建一个能够准确描述中低压电网空间布局、节点数量及总长度的模型，并验证其在不同国家尺度的普适性？

2. 方法论 (Methodology)

本研究提出了一种基于人口密度驱动的网络生成模型，主要包含以下步骤：

2.1 数据输入

人口数据：使用 WorldPop 数据库提供的高分辨率（30 角秒，约 0.59 km²）人口密度数据。
校准数据：利用法国 ENEDIS 提供的公开变电站（MV/LV）位置数据作为基准进行模型校准。

2.2 变电站采样 (Substation Sampling)

非线性关系建模：研究发现变电站密度 ( $n_{stat}$ $n_{s t a t}$ ) 与人口密度 ( $\rho$ $ρ$ ) 之间存在非线性关系。模型根据人口密度将区域分为两个机制：
- 稀疏区 ( $\rho < 8$ 人/km²)：变电站数量与人口数量近似成正比 ( $n_{stat} \propto \rho$ )。
- 密集区 ( $\rho \ge 8$ 人/km²)：受规模效应影响，变电站数量呈现次线性增长 ( $n_{stat} \propto \rho^{0.5}$ )。
随机采样：为了模拟实际分布中的随机性（如地理障碍导致的空白），在每个网格单元内，根据上述关系确定的期望值，采用泊松分布 (Poisson Distribution) 随机生成变电站数量，并在单元内均匀随机放置。

2.3 网络构建 (Network Construction)

最小生成树 (MST)：假设电网具有树状结构以最小化成本，使用 Kruskal 算法 连接采样到的变电站节点，生成最小生成树。
修正因子：
- 几何修正：实际电缆沿道路铺设（曼哈顿距离），而非直线（欧几里得距离），引入系数 $\gamma_1 = 4/\pi$ 。
- 重叠修正：区分“路由长度”与“电缆总长度”（考虑多根电缆并行），引入系数 $\gamma_2$ 。
- 拓扑修正：实际电网存在环路（桥接）以提高可靠性，引入系数 $\gamma_3$ 。
- 最终总长度 $L_{MV} = \gamma \times L_{MST}$ ，其中 $\gamma \approx 1.537$ 。

3. 主要贡献 (Key Contributions)

提出了一种极简的电网生成框架：证明了仅凭高分辨率人口密度数据，无需复杂的电网拓扑数据，即可生成逼真的中压电网空间结构。
揭示了人口分布与电网结构的深层联系：验证了在中压层面，电网的拓扑和总长度主要由人口的空间分布决定，而非具体的电力消耗量。
开发了多尺度工具：
- 微观尺度：可生成具体的变电站位置和连接路径。
- 宏观尺度：推导出了描述电网总长度和变电站数量的多元幂律关系 (Multivariate Power Laws)。
填补了数据空白：为缺乏详细电网数据的国家提供了估算铜/铝等关键材料库存和未来需求的新方法。

4. 研究结果 (Results)

4.1 法国案例验证 (局部与全局)

空间分布：模型生成的变电站位置与法国实际数据在视觉上高度吻合，准确捕捉了城市和农村的分布特征。
拓扑结构：生成的网络拓扑（树状结构）与实际电网一致。虽然具体线路走向受道路网络影响存在局部偏差，但在聚合尺度上，总长度误差极小。
定量指标：
- 变电站总数预测误差约为 12%。
- 中压电缆总长度预测误差约为 6%（模型估算值与文献值高度一致）。

4.2 跨国应用 (35 个国家)

变电站数量：模型在预测变电站数量时存在较大偏差（特别是美国，偏差达两个数量级）。这归因于不同国家（如欧洲 vs 美国）的电网架构差异（变压器容量和分布策略不同）。
中压线路总长度：尽管变电站数量预测不准，但模型对中压线路总长度的预测非常准确。这表明线路总长度主要受人口空间分布和国土面积驱动，受变压器具体配置的影响较小。
幂律关系发现：
- 中压长度 ( $L_{MV}$ )：与人口 ($Pop $) 和国土面积 ($ Area $) 呈现极强的幂律关系 ($ L_{MV} \propto Pop^{0.59} Area^{0.36}$)，且电力消费量对预测精度影响微乎其微。
- 低压长度 ( $L_{LV}$ )：与人口和面积的关系较弱，且更依赖于电力消费量，因为低压网络直接服务于终端用户，受距离约束更强。
- LV/MV 比例：低压电缆长度约为中压长度的 1.63 倍（占比约 62%）。

5. 意义与展望 (Significance)

材料流分析与循环经济：该模型能够以平方公里为精度定位铜基础设施，为评估在用金属库存（特别是铜）和制定回收策略提供了关键工具。
全球电气化规划：在缺乏详细电网数据的新兴经济体中，该方法可预测电气化扩张所需的基础设施和材料需求，支持可持续发展目标（SDG 7）。
基础设施通用性：该基于人口密度的生成逻辑可推广至其他基础设施网络（如供水、燃气管道、电信），因为这些系统的部署逻辑同样受需求空间分布驱动。
未来方向：
- 扩展至低压（LV）层，结合高分辨率地形数据（如建筑物分布）以优化末端连接点。
- 利用时间序列人口数据模拟电网的历史演变和未来更新周期。
- 研究可再生能源去中心化对现有经验关系的潜在影响。

总结：该论文通过结合统计物理（幂律、分形）和图论（最小生成树），建立了一个从人口密度到电网物理属性的强大映射模型。它不仅解释了电网结构的形成机制，更为全球范围内的能源基础设施规划提供了可操作、低成本的计算工具。