Great Britain Primary Substations Integrated with Household Heating Information

本数据集名为‘Great Britain Primary Substations Integrated with Household Heating Information’，由爱丁堡大学工程学院的研究人员创建。数据集包含4205条记录，涵盖了英国主要变电站的详细信息，如固定容量、峰值需求、位置及其父传输节点等。此外，数据集还整合了家庭供暖信息，通过将变电站数据与2021年英格兰和威尔士以及2011年苏格兰的普查数据相结合，提供了每种中央供暖类型的家庭数量。创建过程中，研究人员从英国六个配电网运营商公开的网站收集并处理了所有能源系统数据，确保了数据集的全面性和准确性。该数据集适用于全国范围的研究和政策制定，特别是在能源管理、社会动态和基础设施规划的交叉领域，有助于理解和解决能源系统与社会之间的复杂互动问题。

This dataset is named 'Great Britain Primary Substations Integrated with Household Heating Information', which was developed by researchers from the School of Engineering, University of Edinburgh. The dataset contains 4,205 records, covering detailed information of primary substations across Great Britain, including rated capacity, peak demand, geographic location, parent transmission nodes, and more. Furthermore, the dataset integrates household heating information: by combining substation data with census data from England and Wales in 2021 and Scotland in 2011, it provides the count of households for each type of central heating. During the dataset development process, researchers collected and processed all energy system data from the public websites of six UK distribution network operators, ensuring the dataset's comprehensiveness and accuracy. This dataset is suitable for national-scale research and policy formulation, especially at the intersection of energy management, social dynamics and infrastructure planning, and facilitates the understanding and resolution of complex interactive issues between energy systems and society.

搜集汇总

数据集介绍

构建方式

该数据集基于英国六大配电网络运营商（DNOs）公开发布的多源文件，涵盖英格兰、苏格兰和威尔士的全部一次变电站（PSs）。研究团队首先从各DNO的官网、技术报告及开放数据平台中提取变电站的额定容量、峰值负荷、地理位置及上级电网供应点（GSP）等信息。由于不同DNO的数据格式与命名规则存在显著差异，研究者采用Python脚本对变电站名称进行预处理（如统一小写、去除首尾空格），并通过迭代字符删除算法实现跨文件匹配，辅以人工校验以确保准确性。对于缺失位置信息的SPEN变电站，团队手动检索其交互式热力图。最终，在原始记录的4339个变电站中，保留了4205个（损失率3.09%），形成主数据集。扩展数据集则基于主数据集中变电站的地理位置，利用k-最近邻算法关联2021年英格兰与威尔士人口普查及2011年苏格兰人口普查中的家庭供暖数据，通过假设家庭数量与峰值负荷成比例，估算每个变电站所服务的家庭数量及供暖方式构成。

特点

该数据集的核心特色在于其跨学科整合能力与全国尺度的覆盖范围。主数据集首次系统性地提供了英国全境一次变电站的额定容量与峰值负荷信息，这些参数直接反映了现有配电网的剩余容量，为评估电气化项目的接入可行性提供了关键依据。尤为突出的是，扩展数据集将工程基础设施数据与人口普查中的家庭供暖方式（如天然气、电力、燃油、固体燃料等）相耦合，使得研究者能够量化分析能源系统与社会行为之间的交互作用。此外，数据集还包含了变电站与上级输电网络节点（GSP）的关联信息，便于与已有输电网络数据集进行衔接，从而支持从发电端到用户端的全链条分析。数据集的构建过程完全透明，原始数据、处理代码及最终结果均以CSV格式公开，便于复现与扩展。

使用方法

该数据集以CSV表格形式存储，每行对应一个一次变电站，列涵盖变电站名称、额定容量（MVA）、峰值负荷（MVA）、功率因数、地理坐标（经纬度）、上级GSP及所属DNO等工程属性。扩展数据集额外包含区域代码、区域名称、估计家庭总数及各供暖方式（如无中央供暖、天然气、电力、燃油、固体燃料等）的家庭数量。研究者可直接利用主数据集进行配电网容量评估、电气化负荷接入规划或输配电网耦合分析。对于社会-技术交叉研究，扩展数据集支持探索家庭供暖电气化对配电网压力的影响，或评估不同供暖政策的社会效益。数据集的构建方法具有可迁移性，用户可通过修改代码（如link2social_data.ipynb）将其他社会数据集（如人口密度、经济指标）与变电站位置信息进行整合。所有数据及代码均托管于Zenodo平台（DOI: 10.5281/zenodo.10866260），遵循GPL-3.0许可，支持自由使用与二次开发。

背景与挑战

背景概述

随着电气化供暖、电气化交通及高能耗数据中心的迅猛发展，英国配电网正面临日益严峻的承载压力。若电气化项目在推进过程中忽视配电基础设施的现状，可能引发意外停电与经济损失。为填补现有研究中缺乏真实配电网容量与需求数据的空白，Yihong Zhou、Chaimaa Essayeh 与 Thomas Morstyn 于2024年创建了“Great Britain Primary Substations Integrated with Household Heating Information”数据集。该数据集由爱丁堡大学、诺丁汉特伦特大学与牛津大学的研究团队联合发布，核心研究问题在于揭示英国配电网主变电站（Primary Substations）的固有能力、峰值需求、地理位置及其与上级输电节点（Grid Supply Point）的关联，并进一步将网络数据与人口普查中的家庭供暖信息相耦合。该数据集覆盖全英六大配电网络运营商（DNOs）的4,205个主变电站，为跨学科研究能源系统与社会动态的交互提供了关键基础设施，对全国范围的电网规划与政策制定具有重要支撑作用。

当前挑战

该数据集面临的核心挑战在于多源异构数据的整合与跨领域耦合的精确性。首先，英国六大DNOs发布的原始数据在变电站命名、容量定义与格式上存在显著不一致，例如同一变电站在不同文件中可能出现拼写错误或后缀差异，需通过Python脚本与人工验证相结合的方式逐条匹配，最终仍导致3.09%的变电站记录因信息缺失而被剔除。其次，在构建扩展数据集时，将家庭供暖数据与变电站关联面临空间尺度不匹配的难题：变电站所服务的家庭数量需基于峰值需求按比例估算，但工业负荷、本地发电及气候因素会干扰这一假设的准确性；同时，人口普查数据的最小地理单元（如MSOA）与变电站的供电范围不完全吻合，需采用k近邻算法合并最近的两个地理单元，并引入比例缩放以保持全国总量一致，最终仍产生1.52%的估算偏差。此外，SPM许可证区域内的336个变电站缺失上级GSP信息，限制了其与输电网络数据集的完整对接。

常用场景

经典使用场景

该数据集的核心应用在于为英国配电网的容量评估与负荷预测提供基础数据支撑。通过整合全英4205座一次变电站的额定容量、峰值需求、地理坐标及上级输电节点信息，研究者能够精确量化现有网络基础设施的剩余接纳能力。这一数据集特别适用于评估电气化供暖与交通负荷接入对配电网的压力，为电网规划者提供关键输入参数，从而避免因基础设施过载引发的停电风险与经济损失。

实际应用

在实际应用中，该数据集为英国配电运营商（DNOs）和能源监管机构提供了全国范围的网络规划工具。借助变电站的地理位置与容量数据，电力公司可精准识别高负载率区域，优先部署灵活性资源或升级改造工程。同时，家庭供暖信息的整合使得社区级能源转型方案的设计成为可能，例如针对燃气依赖度高的区域推广电热泵替代计划，从而在保障供电可靠性的前提下加速脱碳进程。此外，数据集还支撑了国家级别的电网韧性评估与应急响应策略制定。

衍生相关工作

基于该数据集，衍生工作主要集中在三个方向：首先，研究者利用其提供的输电网连接节点信息，将配电网数据与英国输电系统模型耦合，构建了涵盖电压等级的全链条能源网络分析框架；其次，家庭供暖数据的空间分布特征被用于训练机器学习模型，以预测不同政策情景下的区域电力需求演变；最后，数据集的开放代码与标准化流程促进了跨区域复制研究，例如苏格兰与英格兰的供暖结构差异分析，以及将类似方法扩展至电动汽车充电负荷与分布式光伏接入等新兴社会数据集。