CN105069519A - 一种智能电网园区终端用户能源需求状况动态预测***及方法 - Google Patents

Abstract

本发明公开了一种智能电网园区终端用户能源需求状况动态预测***及方法，首先对影响智能电网园区终端用户冷热电负荷需求的气象因素进行主成分分析；其次将相关变量转换成少数线性无关的随机变量；将天气因素和日类型进行量化，与历史负荷数据采用模糊聚类方法进行分析形成样本；然后将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中；最后按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果；所述***包括主成分分析模块、分析样本形成模块、负荷特性曲线模块、负荷预测模块。本发明降低了网络规模，提高了预测精度，充分发挥BP神经网络在大规模并行处理和自适应学习能力方面优势。

Description

一种智能电网园区终端用户能源需求状况动态预测***及方法

技术领域

本发明属于电力***技术领域，尤其涉及一种智能电网园区终端用户能源需求状况动态预测***及方法。

背景技术

负荷预测作为智能电网园区能量管理的重要组成部分，为智能电网园区的规划建设、运行优化管理等各个环节提供重要的决策支持。但是智能电网园区用户终端数量众多，类型复杂，工业用户、数据中心以及公共机构等用户的用能曲线存在差异，对冷热电负荷的需求状况有较大差别，负荷预测存在一定难度。

传统的负荷预测方法主要有时间序列法和回归分析法，时间序列法没有考虑天气对负荷的影响，而回归分析法难以解决负荷与天气等变量之间的动态的、非线性的关系，针对园区用户类型较多，带负荷需求存在差异的情况，传统方法的预测精度不能令人满意，在面对海量数据的处理与挖掘上也存在不足。如何将海量数据挖掘技术应用在能源需求动态预测技术上，发挥数据挖掘和智能算法的优势，提高预测的精度和效率，是摆在智能电网园区管理者面前的一个突出问题。

发明内容

本发明的目的在于提供一种智能电网园区终端用户能源需求状况动态预测***及方法，旨在解决传统负荷预测方法存在的预测精度不能令人满意，在面对海量数据处理与挖掘上也存在不足的问题。

本发明是这样实现的，一种智能电网园区终端用户能源需求状况动态预测方法，所述智能电网园区终端用户能源需求状况动态预测方法包括：

首先对影响智能电网园区终端用户冷热电负荷需求的最高温度、最低温度、平均温度、降雨量、风速、太阳辐射强度气象因素进行主成分分析；

其次将相关变量转换成少数线性无关的随机变量；将天气因素和日类型进行量化，与历史负荷数据采用模糊聚类方法进行分析形成样本；

然后将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中；

最后按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果。

进一步，所述智能电网园区终端用户能源需求状况动态预测方法具体包括以下步骤：

第一步，运用主成分分析法对影响负荷的多种因素进行分析；基于模糊聚类分析法对用户类型进行分类；对BP神经网络进行学习和训练，网络收敛后，对智能电网园区的冷热电负荷进行动态预测；

第二步，以欧氏距离最短的类别作为预测日的类别，建立BP神经网络进行预测，得到智能电网园区终端用户冷热电负荷数据。

进一步，所述运用主成分分析法对影响负荷多种因素进行分析的步骤包括：

步骤一、对样本数据进行标准化处理：

原始数据矩阵：

式中，n是样本个数；p是每个样本维数；X_ij为第i个样本的第j维取值，用X₁,X₂,…,X_p分别表示矩阵X的各列矢量，有：

$X_j^{*}=\frac{X_j-E\left(X_j\right)}{\sqrt{Vax\left(X_j\right)}};$

式中E(X_j)和Vax(X_j)分别表示X_j的均值和方差；

步骤二、计算相关系数矩阵R：

$r_{ij}=\frac{Cov(X_i,X_j)}{\sqrt{Var\left(X_i\right)Var\left(X_j\right)}}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{X}_{ki}^{*}{X}_{kj}^{*};$

式中Cov(X_i，X_j)表示数据矩阵中第i列与第j列之间的协方差；

步骤三、求正交矩阵及其特征值：

P^TRP＝diag(λ₁,λ₂,…,λ_p)；

式中λ₁≥λ₂≥…≥λ_p是R的p个特征值，diag表示对角矩阵。

进一步，所述模糊聚类分析对历史负荷数据聚类步骤包括：

步骤一、对样本数据进行规格化处理：

x'_jk＝(x_jk-x_kmin)/(x_kmax-x_kmin)；

式中，x_kmax、x_kmin分别为x_1k,x_2k,…,x_nk的最大值和最小值；x'_jk为规格化后的数据；

步骤二、建立模糊相似关系矩阵R＝{r_ij}：

$r_{ij}=\exp (-\underset{k=1}{\overset{m}{\Σ}}|x_{ik}^{,}-x_{jk}^{,}\left|\right);$

步骤三、进行动态聚类：

$C_i=\frac{{\mathrm{\λ}}_{i-1}-{\mathrm{\λ}}_i}{n_i-n_{i-1}};$

式中i为λ从高到低的聚合序次数，n_i和n_i-1分别为第i次和第i-1次聚类的元素个数；λ_i和λ_i-1分别为第i次和第i-1次聚类时的置信水平，若C_i＝max(C_j)，则认为第i次聚类的置信水平λ_i为最佳阈值；

步骤四、计算预测日与上述各类的欧氏距离：

$d_{ij}=\frac{1}{\sqrt{m}}\sqrt{\underset{k=1}{\overset{m}{\Σ}}{(x_{ik}^{,}-x_{jk}^{,})}^2};$

式中x'_ik为预测日的特性指标矢量，x'_jk为各分类的特性指标矢量。

本发明的另一目的在于提供一种智能电网园区终端用户能源需求状况动态预测***，所述智能电网园区终端用户能源需求状况动态预测***包括：

主成分分析模块，对影响智能电网园区终端用户冷热电负荷需求的最高温度、最低温度、平均温度、降雨量、风速、太阳辐射强度气象因素进行主成分分析；

分析样本形成模块，将相关变量转换成少数线性无关的随机变量；将天气因素和日类型进行量化，与历史负荷数据采用模糊聚类方法进行分析形成样本；

负荷特性曲线模块，将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中；

负荷预测模块，按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果。

本发明提供的智能电网园区终端用户能源需求状况动态预测***及方法，结合智能电网园区内冷热电负荷需求的特点，基于数据挖掘技术，综合考虑影响负荷需求的历史负荷因素和气象因素，将时间序列法和回归分析法相结合，通过组合预测方法取得了令人满意的预测精度。本发明还充分考虑了智能电网园区冷热电负荷的差异和特点，利用数据挖掘技术降低网络规模并提高预测精度，同时还充分发挥BP神经网络在大规模并行处理和自适应学习能力方面的优势，提高了智能电网园区冷热电负荷预测的精度。

本发明结合智能电网园区内冷热电负荷需求的特点，基于数据挖掘技术，综合考虑影响负荷需求的历史负荷因素和气象因素，将时间序列法和回归分析法相结合，通过组合预测方法取得了令人满意的预测精度；本发明运用主成分分析法，将影响冷热电负荷需求的众多相关变量转换成少数几个主成分，降低网络的规模；运用模糊聚类分析方法，对历史负荷数据进行聚类，取欧氏距离最短的一类作为预测日的类别，该类包含的样本即为BP网络的训练样本；合理调整BP网络的权值和阀值，网络收敛后，对智能电网园区终端用户的冷热电负荷进行预测。

附图说明

图1是本发明实施例提供的智能电网园区终端用户能源需求状况动态预测方法流程图；

图2是本发明实施例提供的智能电网园区电负荷曲线示意图；

图3是本发明实施例提供的智能电网园区热负荷曲线示意图；

图4是本发明实施例提供的智能电网园区冷热荷曲线示意图；

图5是本发明实施例提供的运用BP神经网络技术进行负荷预测的流程图；

图6是本发明实施例提供的按照BP神经网络技术进行电负荷预测得到的预测负荷与实际负荷对比图；

图7是本发明实施例提供的按照BP神经网络技术进行热负荷预测得到的预测负荷与实际负荷对比图；

图8是本发明实施例提供的按照BP神经网络技术进行冷负荷预测得到的预测负荷与实际负荷对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的基于数据挖掘技术和BP神经网络的智能电网园区终端用户能源需求状况动态预测方法，用于解决现有的智能电网园区冷热电负荷预测过程中考虑因素不足、数据挖掘深度不足和预测精度较低等技术问题；将数据挖掘技术与智能算法结合，通过组合预测方法提高冷热电负荷预测的精度。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的智能电网园区终端用户能源需求状况动态预测方法包括以下步骤：

S101：对影响智能电网园区终端用户冷热电负荷需求的最高温度、最低温度、平均温度、降雨量、风速、太阳辐射强度等气象因素进行主成分分析；

S102：将相关变量转换成少数线性无关的随机变量；

S103：将天气因素和日类型进行量化，与历史负荷数据一起采用模糊聚类方法进行分析形成样本。

S104：将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中；

S105：按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果。

将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中，冷热电负荷分别如图2、图3和图4所示，然后按照图5所示的BP神经网络算法流程对模型进行求解，得到如图6、图7和图8的所示的冷热电负荷预测结果。

下面结合具体的实施例对本发明的应用原理作进一步的描述：

首先，运用主成分分析法对影响负荷的多种因素进行分析；基于模糊聚类分析法对用户类型进行分类；对BP神经网络进行学习和训练，网络收敛后，对智能电网园区的冷热电负荷进行动态预测；

实施过程中，利用负荷预测结果对供能设备和储能设备进行调度，实现智能电网园区能源的优化利用。

其中，运用主成分分析法对影响负荷的多种因素进行分析，其步骤包括：

步骤一、对样本数据进行标准化处理：

原始数据矩阵：

式中，n是样本个数；p是每个样本维数；X_ij为第i个样本的第j维取值。用X₁,X₂,…,X_p分别表示矩阵X的各列矢量，有：

$X_j^{*}=\frac{X_j-E\left(X_j\right)}{\sqrt{Vax\left(X_j\right)}};$

式中E(X_j)和Vax(X_j)分别表示X_j的均值和方差。

步骤二、计算相关系数矩阵R：

$r_{ij}=\frac{Cov(X_i,X_j)}{\sqrt{Var\left(X_i\right)Var\left(X_j\right)}}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{X}_{ki}^{*}{X}_{kj}^{*};$

式中Cov(X_i，X_j)表示数据矩阵中第i列与第j列之间的协方差。

步骤三、求正交矩阵及其特征值：

P^TRP＝diag(λ₁,λ₂,…,λ_p)；

式中λ₁≥λ₂≥…≥λ_p是R的p个特征值，diag表示对角矩阵。

每个主成分集中了随机变量X的各个分量不同的共同特征，这样变量的维数降低，下面基于模糊聚类分析对历史负荷数据聚类，其步骤包括：

步骤一、对样本数据进行规格化处理：

x'_jk＝(x_jk-x_kmin)/(x_kmax-x_kmin)；

式中，x_kmax、x_kmin分别为x_1k,x_2k，…,x_nk的最大值和最小值；x'_jk为规格化后的数据；

步骤二、建立模糊相似关系矩阵R＝{r_ij}：

$r_{ij}=\exp (-\underset{k=1}{\overset{m}{\Σ}}|x_{ik}^{,}-x_{jk}^{,}\left|\right);$

步骤三、进行动态聚类：

$C_i=\frac{{\mathrm{\λ}}_{i-1}-{\mathrm{\λ}}_i}{n_i-n_{i-1}};$

式中i为λ从高到低的聚合序次数，n_i和n_i-1分别为第i次和第i-1次聚类的元素个数；λ_i和λ_i-1分别为第i次和第i-1次聚类时的置信水平，若C_i＝max(C_j)，则认为第i次聚类的置信水平λ_i为最佳阈值；

步骤四、计算预测日与上述各类的欧氏距离：

$d_{ij}=\frac{1}{\sqrt{m}}\sqrt{\underset{k=1}{\overset{m}{\Σ}}{(x_{ik}^{,}-x_{jk}^{,})}^2};$

式中x'_ik为预测日的特性指标矢量，x'_jk为各分类的特性指标矢量。

最后，以欧氏距离最短的类别作为预测日的类别，建立BP神经网络进行预测，得到智能电网园区终端用户冷热电负荷数据，以此作为园区能源管理平台的有效支撑。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种智能电网园区终端用户能源需求状况动态预测方法，其特征在于，所述智能电网园区终端用户能源需求状况动态预测方法包括：

首先对影响智能电网园区终端用户冷热电负荷需求的最高温度、最低温度、平均温度、降雨量、风速、太阳辐射强度气象因素进行主成分分析；

其次将相关变量转换成少数线性无关的随机变量；将天气因素和日类型进行量化，与历史负荷数据采用模糊聚类方法进行分析形成样本；

然后将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中；

最后按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果。

2.如权利要求1所述的智能电网园区终端用户能源需求状况动态预测方法，其特征在于，所述智能电网园区终端用户能源需求状况动态预测方法具体包括以下步骤：

第一步，运用主成分分析法对影响负荷的多种因素进行分析；基于模糊聚类分析法对用户类型进行分类；对BP神经网络进行学习和训练，网络收敛后，对智能电网园区的冷热电负荷进行动态预测；

第二步，以欧氏距离最短的类别作为预测日的类别，建立BP神经网络进行预测，得到智能电网园区终端用户冷热电负荷数据。

3.如权利要求2所述的智能电网园区终端用户能源需求状况动态预测方法，其特征在于，所述运用主成分分析法对影响负荷多种因素进行分析的步骤包括：

步骤一、对样本数据进行标准化处理：

原始数据矩阵：

式中，n是样本个数；p是每个样本维数；X_ij为第i个样本的第j维取值，用X₁,X₂,…,X_p分别表示矩阵X的各列矢量，有：

$X_j^{*}=\frac{X_j-E\left(X_j\right)}{\sqrt{Vax\left(X_j\right)}};$

式中E(X_j)和Vax(X_j)分别表示X_j的均值和方差；

步骤二、计算相关系数矩阵R：

$r_{ij}=\frac{Cov(X_i,X_j)}{\sqrt{Var\left(X_i\right)Var\left(X_j\right)}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{X}_{ki}^{*}{X}_{kj}^{*};$

式中Cov(X_i，X_j)表示数据矩阵中第i列与第j列之间的协方差；

步骤三、求正交矩阵及其特征值：

P^TRP＝diag(λ₁,λ₂,…,λ_p)；

式中λ₁≥λ₂≥…≥λ_p是R的p个特征值，diag表示对角矩阵。

4.如权利要求2所述的智能电网园区终端用户能源需求状况动态预测方法，其特征在于，所述模糊聚类分析对历史负荷数据聚类步骤包括：

步骤一、对样本数据进行规格化处理：

x'_jk＝(x_jk-x_kmin)/(x_kmax-x_kmin)；

式中，x_kmax、x_kmin分别为x_1k,x_2k,…,x_nk的最大值和最小值；x'_jk为规格化后的数据；

步骤二、建立模糊相似关系矩阵R＝{r_ij}：

$r_{ij}=\exp \left(-\underset{k=1}{\overset{m}{\Σ}}\left|x_{ik}^{,}-x_{jk}^{,}\right|\right);$

步骤三、进行动态聚类：

$C_i=\frac{{\mathrm{\λ}}_{i-1}-{\mathrm{\λ}}_i}{n_i-n_{i-1}};$

式中i为λ从高到低的聚合序次数，n_i和n_i-1分别为第i次和第i-1次聚类的元素个数；λ_i和λ_i-1分别为第i次和第i-1次聚类时的置信水平，若C_i＝max(C_j)，则认为第i次聚类的置信水平λ_i为最佳阈值；

步骤四、计算预测日与上述各类的欧氏距离：

$d_{ij}=\frac{1}{\sqrt{m}}\sqrt{\underset{k-1}{\overset{m}{\Σ}}{(x_{ik}^{,}-x_{jk}^{,})}^2};$

式中x'_ik为预测日的特性指标矢量，x'_jk为各分类的特性指标矢量。

5.一种智能电网园区终端用户能源需求状况动态预测***，其特征在于，所述智能电网园区终端用户能源需求状况动态预测***包括：

主成分分析模块，对影响智能电网园区终端用户冷热电负荷需求的最高温度、最低温度、平均温度、降雨量、风速、太阳辐射强度气象因素进行主成分分析；

分析样本形成模块，将相关变量转换成少数线性无关的随机变量；将天气因素和日类型进行量化，与历史负荷数据采用模糊聚类方法进行分析形成样本；

负荷特性曲线模块，将智能电网园区中多种类型的负荷、多种类型的分布式供能***的负荷特性均体现在负荷曲线中；

负荷预测模块，按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果。