CN107730045B - 一种基于离散惯性动力学***的基线负荷热惯性修正方法 - Google Patents
一种基于离散惯性动力学***的基线负荷热惯性修正方法 Download PDFInfo
- Publication number
- CN107730045B CN107730045B CN201710984059.2A CN201710984059A CN107730045B CN 107730045 B CN107730045 B CN 107730045B CN 201710984059 A CN201710984059 A CN 201710984059A CN 107730045 B CN107730045 B CN 107730045B
- Authority
- CN
- China
- Prior art keywords
- air temperature
- load
- discrete
- particle
- dynamics system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000010187 selection method Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提供了一种基于离散惯性动力学***的基线负荷热惯性修正方法,包括如下步骤:收集负荷周边的历史环境数据,通过选择变量法挖掘出负荷与气温的影响关系;将连续动力学***离散化,修正气温T′与实际气温T之间的滞后关系,并最终计算得出考虑气温、基线负荷参数的离散惯性动力学***模型;利用粒子群算法计算得出惯性动力学***模型关键参数;利用惯性动力学***模型对实际气温T进行修正获得修正气温T′,再将修正气温T′代替实际气温T作为负荷预测的输入量,获得精确的基线负荷预测。该基线负荷热惯性修正方法通过建立基于离散惯性动力学***的基线负荷热惯性修正模型,根据优化得到的参数与历史实际的气温就可得到修正后的气温。
Description
技术领域
本发明涉及一种基线负荷热惯性修正方法,尤其是一种基于离散惯性动力学***的基线负荷热惯性修正方法。
背景技术
在众多影响预测负荷的因素中,温度是一种重要的影响因素,因为电力负荷对温度极其敏感,温度升高,负荷升高,反之亦然。在夏季,负荷还受到热惯性的作用。热惯性具体体现在负荷的变化滞后于温度的变化,导致热惯性的原因有以下两个方面:
(1)由于建筑物的保温效应,室内温度滞后于室外温度的变化;
(2)人的用电行为相对于环境变化有一定滞后,当气温突然升高时,人们需要为高温天的到来做准备。
因此,有必要在负荷预测中考虑负荷的这种热惯性,从而增强预测精度。
发明内容
本发明要解决的技术问题是现有的负荷温度测量精度受到热惯性影响,导致无法精确预测负荷温度。
为了解决上述技术问题,本发明提供了一种基于离散惯性动力学***的基线负荷热惯性修正方法,其特征在于,包括如下步骤:
步骤1,收集负荷周边的历史环境数据,通过选择变量法挖掘出负荷与气温的影响关系;
步骤2,将连续动力学***离散化,修正气温T′与实际气温T之间的滞后关系,该滞后关系用一阶惯性环节描述为:
式中,T(s)和T′(s)分别是输入与输出,h为时间常数,再利用拉普拉斯逆变换与离散化的方法得出离散条件下的时域迭代表达式为:
T′(n)=kT′(n-1)+(1-k)T(n)
再令T′(0)=0,对上式通过迭代计算得出考虑气温、基线负荷参数的离散惯性动力学***模型为:
T′(n)=kn-1(1-k)T(1)+kn-2(1-k)T(2)+…+k(1-k)T(n-1)+(1-k)T(n)
式中,T(n)表示当天的实际最高气温,T(n-1)表示前一天的实际最高气温,T(2)表示前n-2 天的实际最高气温,T(1)表示前n-1天的实际最高气温;
步骤3,利用粒子群算法计算得出惯性动力学***模型关键参数k,粒子群算法的优化目标是使得负荷与修正的气温相关性系数最大,即:
Min-COR(P,T′)
式中,P是基线负荷,T′是修正后的气温,函数COR为相关系数;
步骤4,利用惯性动力学***模型对实际气温T进行修正获得修正气温T′,再将修正气温T′代替实际气温T作为负荷预测的输入量,获得精确的基线负荷预测。
作为本发明的进一步限定方案,步骤3中,利用粒子群算法的具体步骤为:
步骤3.1,随机初始化种群中各粒子的位置和速度;
步骤3.2,评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的个体极值中,将所有个体极值中适应值最优个体的位置和适应值存储于全局最优解中;
步骤3.3,用更新公式更新粒子的速度和位置,更新公式为:
vi,j(t+1)=wvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2,…n
式中:设定n维搜索空间中的第i个粒子的位置和速度分别为Xi=(xi,1xi,2…xi,n)和Vi=(vi,1 vi,2…vi,n),个体极值Pi=(pi,1pi,2…pi,n),全局最优解为Pg,w为惯性权重,c1和c2为正的学习因子,r1和r2为0到1之间的随机数;
步骤3.4,对每个微粒将其适应值和其经历过的最好位置作比较,如果较好,则将其作为当前的最好位置,否则最好位置不变;
步骤3.5,比较当前所有个体极值和全局最优解的值,更新全局最优解;
步骤3.6,若满足停止条件,停止条件为预设的运算精度或迭代次数,搜索停止,输出结果,否则返回步骤3.3继续搜索。
作为本发明的进一步限定方案,步骤2中,n取3~5。
本发明的有益效果在于:(1)利用收集的负荷周边的历史环境数据能够较准确地描述负荷随气温变化的滞后关系;(2)建立了考虑热惯性的基线负荷修正模型,由于修正气温T′考虑了热惯性,其与负荷P具有较高的线性程度,将修正气温T′代替实际气温作为负荷预测的输入量,能够显著提高基线负荷预测精度。
附图说明
图1为本发明的方法流程图;
图2为本发明的修正前的气温散点图;
图3为本发明的修正后的气温散点图。
具体实施方式
如图1所示,本发明提供的基于离散惯性动力学***的基线负荷热惯性修正方法,包括如下步骤:
步骤1,收集负荷周边的历史环境数据,通过选择变量法挖掘出负荷与气温的影响关系,其中历史环境数据主要收集某一地区的负荷、气温、降雨量、湿度、风力、日期类型等历史数据,用于分析负荷的主要影响因素,在确定其它影响因素的前提下挖掘负荷-气温的关系;
步骤2,将连续动力学***离散化,修正气温T′与实际气温T之间的滞后关系,该滞后关系用一阶惯性环节描述为:
式中,T(s)和T′(s)分别是输入与输出,h为时间常数,再利用拉普拉斯逆变换与离散化的方法得出离散条件下的时域迭代表达式为:
T′(n)=kT′(n-1)+(1-k)T(n)
再令T′(0)=0,对上式通过迭代计算得出考虑气温、基线负荷参数的离散惯性动力学***模型为:
T′(n)=kn-1(1-k)T(1)+kn-2(1-k)T(2)+…+k(1-k)T(n-1)+(1-k)T(n)
式中,T(n)表示当天的实际最高气温,T(n-1)表示前一天的实际最高气温,T(2)表示前n-2 天的实际最高气温,T(1)表示前n-1天的实际最高气温;
对公式T′(n)=kT′(n-1)+(1-k)T(n)迭代计算的具体步骤为:
T′(n-1)=kT′(n-2)+(1-k)T(n-1)
T′(n-2)=kT′(n-3)+(1-k)T(n-2)
……
T′(3)=kT′(2)+(1-k)T(3)
T′(2)=kT′(1)+(1-k)T(2)
T′(1)=kT′(0)+(1-k)T(1)
令式T′(1)=kT′(0)+(1-k)T(1)中T′(0)=0,则:
T′(1)=(1-k)T(1)
从下往上代入,即得到:
T′(2)=k(1-k)T(1)+(1-k)T(2)
T′(3)=k2(1-k)T(1)+k(1-k)T(2)+(1-k)T(3)
最终可以得到考虑气温、基线负荷参数的离散惯性动力学***模型为:
T′(n)=kn-1(1-k)T(1)+kn-2(1-k)T(2)+…+k(1-k)T(n-1)+(1-k)T(n);
步骤3,利用粒子群算法计算得出惯性动力学***模型关键参数k,粒子群算法的优化目标是使得负荷与修正的气温相关性系数最大,即:
Min-COR(P,T′)
式中,P是基线负荷,T′是修正后的气温,函数COR为相关系数;
步骤4,利用惯性动力学***模型对实际气温T进行修正获得修正气温T′,再将修正气温T′代替实际气温T作为负荷预测的输入量,获得精确的基线负荷预测。
其中,步骤3中,利用粒子群算法的具体步骤为:
步骤3.1,随机初始化种群中各粒子的位置和速度;
步骤3.2,评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的个体极值中,将所有个体极值中适应值最优个体的位置和适应值存储于全局最优解中;
步骤3.3,用更新公式更新粒子的速度和位置,更新公式为:
vi,j(t+1)=wvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2,…n
式中:设定n维搜索空间中的第i个粒子的位置和速度分别为Xi=(xi,1xi,2…xi,n)和Vi=(vi,1 vi,2…vi,n),个体极值Pi=(pi,1pi,2…pi,n),全局最优解为Pg,w为惯性权重,c1和c2为正的学习因子,r1和r2为0到1之间的随机数;
步骤3.4,对每个微粒将其适应值和其经历过的最好位置作比较,如果较好,则将其作为当前的最好位置,否则最好位置不变;
步骤3.5,比较当前所有个体极值和全局最优解的值,更新全局最优解;
步骤3.6,若满足停止条件,停止条件为预设的运算精度或迭代次数,搜索停止,输出结果,否则返回步骤3.3继续搜索。
其中,在实际情况中,气温的累积效应与近几天的气温关系比较密切,因此步骤2中,n 取3~5;优选为4,即n=4,则:
T′(4)=(1-k)T(4)+k(1-k)T(3)+k2(1-k)T(2)+k3(1-k)T(1)
本实施方式将上式作为考虑气温、基线负荷参数的离散惯性动力学***模型,根据优化得到的参数与历史实际的气温就可得到修正后的气温。
如图2和3所示,对比两幅图可以看出,修正气温后图3的散点分布更为集中,说明线性程度更好,进一步说明建立基于离散惯性动力学***的基线负荷热惯性修正模型的必要性。
Claims (3)
1.一种基于离散惯性动力学***的基线负荷热惯性修正方法,其特征在于,根据考虑气温、基线负荷参数的离散惯性动力学***模型,建立基于离散惯性动力学***的基线负荷热惯性修正模型,根据优化得到的参数与历史实际的气温就得到修正后的气温;包括如下步骤:
步骤1,收集负荷周边的历史环境数据,通过选择变量法挖掘出负荷与气温的影响关系;
步骤2,将连续动力学***离散化,修正气温T′与实际气温T之间的滞后关系,该滞后关系用一阶惯性环节描述为:
式中,T(s)和T′(s)分别是输入与输出,h为时间常数,再利用拉普拉斯逆变换与离散化的方法得出离散条件下的时域迭代表达式为:
T′(n)=kT′(n-1)+(1-k)T(n)
再令T′(0)=0,对上式通过迭代计算得出考虑气温、基线负荷参数的离散惯性动力学***模型为:
T′(n)=kn-1(1-k)T(1)+kn-2(1-k)T(2)+…+k(1-k)T(n-1)+(1-k)T(n)
式中,T(n)表示当天的实际最高气温,T(n-1)表示前一天的实际最高气温,T(2)表示前n-2天的实际最高气温,T(1)表示前n-1天的实际最高气温;
步骤3,利用粒子群算法计算得出惯性动力学***模型关键参数k,粒子群算法的优化目标是使得负荷与修正的气温相关性系数最大,即:
Min-COR(P,T′)
式中,P是基线负荷,T′是修正后的气温,函数COR为相关系数;
步骤4,利用惯性动力学***模型对实际气温T进行修正获得修正气温T′,再将修正气温T′代替实际气温T作为负荷预测的输入量,获得精确的基线负荷预测。
2.根据权利要求1所述的基于离散惯性动力学***的基线负荷热惯性修正方法,其特征在于,步骤3中,利用粒子群算法的具体步骤为:
步骤3.1,随机初始化种群中各粒子的位置和速度;
步骤3.2,评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的个体极值中,将所有个体极值中适应值最优个体的位置和适应值存储于全局最优解中;
步骤3.3,用更新公式更新粒子的速度和位置,更新公式为:
vi,j(t+1)=wvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]
xi,j(t+1)=xi,j(t)+vi,j(t+1),j=1,2,…n
式中:设定n维搜索空间中的第i个粒子的位置和速度分别为Xi=(xi,1xi,2…xi,n)和Vi=(vi,1vi,2…vi,n),个体极值Pi=(pi,1pi,2…pi,n),全局最优解为Pg,w为惯性权重,c1和c2为正的学习因子,r1和r2为0到1之间的随机数;
步骤3.4,对每个微粒将其适应值和其经历过的最优位置作比较,如果较优,则将其作为当前的最优位置,否则最优位置不变;
步骤3.5,比较当前所有个体极值和全局最优解的值,更新全局最优解;
步骤3.6,若满足停止条件,停止条件为预设的运算精度或迭代次数,搜索停止,输出结果,否则返回步骤3.3继续搜索。
3.根据权利要求1所述的基于离散惯性动力学***的基线负荷热惯性修正方法,其特征在于,步骤2中,n取3~5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984059.2A CN107730045B (zh) | 2017-10-20 | 2017-10-20 | 一种基于离散惯性动力学***的基线负荷热惯性修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984059.2A CN107730045B (zh) | 2017-10-20 | 2017-10-20 | 一种基于离散惯性动力学***的基线负荷热惯性修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730045A CN107730045A (zh) | 2018-02-23 |
CN107730045B true CN107730045B (zh) | 2023-07-14 |
Family
ID=61212917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710984059.2A Active CN107730045B (zh) | 2017-10-20 | 2017-10-20 | 一种基于离散惯性动力学***的基线负荷热惯性修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730045B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685449B (zh) * | 2020-12-29 | 2024-06-25 | 深圳市出新知识产权管理有限公司 | 一种热力***性能计算方法、装置及设备 |
CN113112094B (zh) * | 2021-05-10 | 2024-02-13 | 瑞纳智能设备股份有限公司 | 量化风况影响的热负荷预测方法、***、装置及存储介质 |
CN117670073B (zh) * | 2023-10-30 | 2024-07-23 | 国家电网有限公司华东分部 | 一种基于负荷气温关联分析的预测模型构建方法及装置 |
CN117221008B (zh) * | 2023-11-07 | 2024-02-23 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930356B (zh) * | 2012-11-16 | 2016-06-22 | 广东电网公司电力调度控制中心 | 基于气象因素敏感度的短期负荷预测方法 |
CN104111606A (zh) * | 2014-06-09 | 2014-10-22 | 河海大学常州校区 | 变风量空调***室温控制的梯度校正辨识算法 |
CN106485339A (zh) * | 2015-08-31 | 2017-03-08 | 中车大连电力牵引研发中心有限公司 | 一种电力***的负荷特性确定方法及*** |
CN107239850A (zh) * | 2017-04-24 | 2017-10-10 | 华北电力大学 | 一种基于***动力学模型的中长期电力负荷预测方法 |
-
2017
- 2017-10-20 CN CN201710984059.2A patent/CN107730045B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107730045A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730045B (zh) | 一种基于离散惯性动力学***的基线负荷热惯性修正方法 | |
CN111563610B (zh) | 一种基于lstm神经网络的建筑物电负荷综合预测方法及*** | |
Deppe et al. | A WRF ensemble for improved wind speed forecasts at turbine height | |
Tabari et al. | Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression | |
US11585549B1 (en) | Thermal modeling technology | |
Ramedani et al. | Modeling solar energy potential in a Tehran province using artificial neural networks | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN112001537B (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
US20140365128A1 (en) | Method for predicting hourly climatic data to estimate cooling/heating load | |
WO2014203431A1 (ja) | 予測システム、予測装置および予測方法 | |
US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN112330077A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
KR102478684B1 (ko) | 앙상블 학습을 이용한 에너지 소비 예측 방법 및 상기 방법을 수행하는 컴퓨팅 장치 | |
CN113505927A (zh) | 太阳能驱鸟设备电池容量选型方法、装置、设备和介质 | |
CN106326191B (zh) | 一种基于天气预报描述性数据量化日照时数的方法 | |
Sha et al. | A control strategy of heating system based on adaptive model predictive control | |
Cao | Total daily solar irradiance prediction using recurrent neural networks with determinants | |
CN116974320B (zh) | 一种档案智慧管理调控方法及集成控制*** | |
Zhao et al. | An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble | |
Li et al. | Building energy forecasting using system identification based on system characteristics test | |
KR20220146158A (ko) | 일사량 예측 장치 및 그 방법 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
Moghaddamnia et al. | Evaporation estimation using support vector machines technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |