CN110796307A - 一种综合能源***分布式负荷预测方法及*** - Google Patents
一种综合能源***分布式负荷预测方法及*** Download PDFInfo
- Publication number
- CN110796307A CN110796307A CN201911035294.0A CN201911035294A CN110796307A CN 110796307 A CN110796307 A CN 110796307A CN 201911035294 A CN201911035294 A CN 201911035294A CN 110796307 A CN110796307 A CN 110796307A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- daily
- curve
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005265 energy consumption Methods 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013277 forecasting method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 30
- 230000006870 function Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种综合能源***分布式负荷预测方法及***。该方法包括:获取综合能源***的电负荷、热负荷和气负荷,电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;根据电负荷、热负荷和气负荷计算负荷特性指标;根据负荷特性指标、电负荷时序曲线、热负荷时序曲线和气负荷时序曲线进行负荷聚类;根据外界因素数据对每一类负荷建立离线负荷预测模型;根据当前日负荷数据和待预测日的外界因素数据采用离线负荷预测模型进行在线负荷预测,得到待预测日负荷;对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。采用本发明的方法及***,能够提高综合能源***负荷预测的精度。
Description
技术领域
本发明涉及负荷预测技术领域,特别是涉及一种综合能源***分布式负荷预测方法及***。
背景技术
面对资源紧缺、环境污染等问题的挑战,综合能源***已经成为能源转型过程中一种重要的能源利用方式,对提高能源利用效率、降低污染物排放具有显著作用。与传统的电力***、热力***和天然气***是单独规划、单独设计和独立运行不同,综合能源***集成了多种形式的供能、能量转换和储能设备,在源、网、荷等不同环节实现了不同类型能源的耦合,使得电、热、气***之间的联系更加的紧密,综合能源负荷预测将成为综合能源***经济调度和优化运行中重要的部分。
现有的负荷预测方法大多是电、热、气负荷各自预测,无法协同考虑不同类型负荷之间的相互影响。同时,随着智能电表等终端设备的普及,用户用电数据一方面随时间不断更新,增长迅速,呈海量态势;另一方面,数据采集点分布在用户侧,具有极强的分散性。现有预测方法难以处理大规模分布式数据。因此,需要对基于数据驱动的综合能源***分布式负荷预测方法进行深入研究,充分利用海量分布式数据信息,分析电-热-气负荷耦合特征,实现对综合能源***负荷的高精度预测。
发明内容
本发明的目的是提供一种综合能源***分布式负荷预测方法及***,考虑了不同类型负荷之间的相互影响,利用分布式数据信息,分析电-热-气负荷耦合特征,提高了综合能源***负荷预测的精度。
为实现上述目的,本发明提供了如下方案:
一种综合能源***分布式负荷预测方法,包括:
获取综合能源***的电负荷和气负荷,获取电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;所述外界因素数据包括电价格、气价格和气象条件数据;
根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标;
根据所述负荷特性指标、所述电负荷时序曲线、所述热负荷时序曲线和所述气负荷时序曲线进行负荷聚类,得到多类负荷;
根据所述外界因素数据对每一类负荷建立离线负荷预测模型;
针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据所述当前日负荷数据和所述待预测日的外界因素数据采用所述离线负荷预测模型进行在线负荷预测,得到待预测日负荷;
对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。
可选的,在根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标之前,还包括:
对所述电负荷、所述热负荷和所述气负荷采用数据曲线拟合的方法进行偏差数据修正;
对修正后的电负荷、修正后的热负荷和修正后的气负荷进行归一化处理,得到归一化处理后的电负荷、归一化处理后的热负荷和归一化处理后的气负荷。
可选的,所述根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标,具体包括:
根据如下公式计算日平均负荷:
根据如下公式计算日负荷率:
根据如下公式计算峰时耗能率:
根据如下公式计算谷时耗能率:
式中,Kav表示日平均负荷,Eall表示日用能量,所述日用能量为日用电量、日用热量、日用气量中的一种,T表示日时段数,T=24,Kd表示日负荷率,Pav表示日平均负荷,Pmax表示日最大负荷,ρp表示峰时耗能率,Ep表示高峰时段用能量,ρv表示谷时耗能率,Ev表示日低谷时段用能量。
可选的,所述根据所述负荷特性指标、所述电负荷时序曲线、所述热负荷时序曲线和所述气负荷时序曲线进行负荷聚类,得到多类负荷,具体包括:
根据如下公式进行负荷聚类:
式中,F表示聚类目标函数,K表示聚类个数,M表示负荷时序曲线个数,hk,m表示标识变量,当负荷曲线m属于负荷类别k时,hk,m取值为1,当负荷曲线m不属于负荷类别k时,hk,m取值为0,α表示权重系数,表示负荷曲线m与负荷类别k之间的负荷特性距离,表示负荷曲线m与负荷类别k之间的负荷时序曲线距离,λ1表示第一系数、λ2表示第二系数、λ3表示第三系数、λ4表示第四系数,且满足λ1+λ2+λ3+λ4=1;Kav,m表示负荷曲线m的日平均负荷率,Kav,k表示负荷类别k的日平均负荷率,Kd,m表示负荷曲线m的日负荷率,Kd,k表示负荷类别k的日负荷率,ρp,m表示负荷曲线m的峰时耗能率,ρp,k表示负荷类别k的峰时耗能率,ρv,m表示为负荷曲线m的谷时耗能率,ρv,k表示负荷曲线k的谷时耗能率;Pm,t表示t时段待聚类的负荷曲线m的负荷值,Pk,t表示t时段待聚类的符合类别k的负荷值。
可选的,所述根据所述外界因素数据对每一类负荷建立离线负荷预测模型,具体包括:
获取所述外界因素数据中的一类数据;所述一类数据为电价格、气价格和气象条件数据中的一种;
计算所述一类数据与每一类负荷的相关系数;
比较所述相关系数与预设阈值的大小;若所述相关系数大于所述预设阈值,将所述一类数据确定为对应负荷类型的相关性因素;否则,确定所述外界因素数据中的其他类数据是否为对应负荷类型的相关性因素;
根据所述相关性因素和与所述相关性因素对应的负荷数据建立离线负荷预测模型。
可选的,在进行在线负荷预测之前,还包括:
获取每一类负荷的当前日预测误差、每一类负荷的下一日预测日负荷以及与负荷类型对应的相关性因素;
根据所述当前日的预测误差、所述下一日预测日负荷和所述与负荷类型对应的相关性因素建立负荷预测误差模型。
可选的,所述针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据所述当前日负荷数据和所述待预测日的外界因素数据采用所述离线负荷预测模型进行在线负荷预测,得到待预测日负荷,具体包括:
根据所述离线负荷预测模型和所述负荷预测误差模型生成综合能源***负荷预测模型;
针对每一类负荷获取当前日预测误差、当前日负荷数据以及待预测日的外界因素数据,根据所述当前日预测误差、所述当前日负荷数据和所述待预测日的外界因素数据采用所述综合能源***负荷预测模型进行在线负荷预测,得到待预测日负荷。
本发明还提供一种综合能源***分布式负荷预测***,包括:
数据获取模块,用于获取综合能源***的电负荷、热负荷和气负荷,获取电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;所述外界因素数据包括电价格、气价格和气象条件数据;
负荷特性指标计算模块,用于根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标;
负荷聚类模块,用于根据所述负荷特性指标、所述电负荷时序曲线、所述热负荷时序曲线和所述气负荷时序曲线进行负荷聚类,得到多类负荷;
离线负荷预测模型建立模块,用于根据所述外界因素数据对每一类负荷建立离线负荷预测模型;
在线负荷预测模块,用于针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据所述当前日负荷数据和所述待预测日的外界因素数据采用所述离线负荷预测模型进行在线负荷预测,得到待预测日负荷;
综合能源***总负荷计算模块,用于对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。
与现有技术相比,本发明的有益效果是:
本发明提出了一种综合能源***分布式负荷预测方法及***,考虑了电价格、气价格和气象条件数据的外界因素数据;根据电负荷、热负荷和气负荷计算负荷特性指标;根据负荷特性指标、电负荷时序曲线、热负荷时序曲线和气负荷时序曲线进行负荷聚类;根据外界因素数据对每一类负荷建立离线负荷预测模型,并根据预测模型进行在线负荷预测,得到待预测日负荷;最终对每一类负荷的待预测日负荷进行求和得到待预测日综合能源***总负荷,考虑了不同类型负荷之间的相互影响,利用分布式数据信息,分析电-热-气负荷耦合特征,提高了综合能源***负荷预测的精度。
此外,通过对电负荷、热负荷和气负荷采用数据曲线拟合的方法进行偏差数据修正,并对修正后的电负荷、修正后的热负荷和修正后的气负荷进行归一化处理,进一步提高了综合能源***负荷预测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例中综合能源***分布式负荷预测方法流程图;
图2为本发明实施例中综合能源***分布式负荷预测***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种综合能源***分布式负荷预测方法及***,考虑了不同类型负荷之间的相互影响,利用分布式数据信息,分析电-热-气负荷耦合特征,提高了综合能源***负荷预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
图1为本发明实施例中综合能源***分布式负荷预测方法流程图,如图1所示,本实施例提供了一种综合能源***分布式负荷预测方法,包括:
步骤101:获取综合能源***的电负荷、热负荷和气负荷,获取电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;外界因素数据包括电价格、天然气价格和气象条件数据。
针对采集的综合能源***原始数据可能存在不良数据,需要对电负荷、热负荷和气负荷采用数据曲线拟合的方法进行偏差数据修正。
数据曲线拟合方法具体包括:获取偏差数据;以偏差数据点为中心,按时间顺序选取偏差数据点的前后正常数据;对选取的正常数据进行曲线拟合,得到数据拟合函数;根据数据拟合函数计算偏差数据点处的函数值,并将偏差数据点处的函数值作为偏差数据的修正值。
虑电、热、气负荷等数据存在的量纲差异,采用min-max方法对修正后的电负荷、修正后的热负荷和修正后的气负荷进行归一化处理,得到归一化处理后的电负荷、归一化处理后的热负荷和归一化处理后的气负荷。
归一化公式如下:
式中,x、分别为电负荷(或热负荷、气负荷)的原始值和归一化后的值;xmax、xmin分别为电负荷(或热负荷、气负荷)原始数据中的最大值和最小值。
步骤102:根据电负荷、热负荷和气负荷计算负荷特性指标。
根据如下公式计算日平均负荷:
根据如下公式计算日负荷率:
根据如下公式计算峰时耗能率:
根据如下公式计算谷时耗能率:
式中,Kav表示日平均负荷,Eall表示日用能量,日用能量为日用电量、日用热量、日用气量中的一种,T表示日时段数,T=24,Kd表示日负荷率,Pav表示日平均负荷,Pmax表示日最大负荷,ρp表示峰时耗能率,Ep表示高峰时段用能量,ρv表示谷时耗能率,Ev表示日低谷时段用能量。
步骤103:根据负荷特性指标、电负荷时序曲线、热负荷时序曲线和气负荷时序曲线进行负荷聚类,得到多类负荷。
根据如下公式进行负荷聚类:
式中,F表示聚类目标函数,K表示聚类个数,M表示负荷时序曲线个数,hk,m表示标识变量,当负荷曲线m属于负荷类别k时,hk,m取值为1,当负荷曲线m不属于负荷类别k时,hk,m取值为0,α表示权重系数,表示负荷曲线m与负荷类别k之间的负荷特性距离,表示负荷曲线m与负荷类别k之间的负荷时序曲线距离,λ1表示第一系数、λ2表示第二系数、λ3表示第三系数、λ4表示第四系数,且满足λ1+λ2+λ3+λ4=1;Kav,m表示负荷曲线m的日平均负荷率,Kav,k表示负荷类别k的日平均负荷率,Kd,m表示负荷曲线m的日负荷率,Kd,k表示负荷类别k的日负荷率,ρp,m表示负荷曲线m的峰时耗能率,ρp,k表示负荷类别k的峰时耗能率,ρv,m表示为负荷曲线m的谷时耗能率,ρv,k表示负荷类别k的谷时耗能率;Pm,t表示t时段待聚类的负荷曲线m的负荷值,Pk,t表示t时段待聚类的负荷类别k的负荷值。
步骤104:根据外界因素数据对每一类负荷建立离线负荷预测模型。
获取外界因素数据中的一类数据;一类数据为电价格、气价格和气象条件(温度、湿度)数据中的一种;还可以获取日历信息(工作日和节假日)。
计算一类数据与每一类负荷的相关系数。以电负荷和气象条件为例分析两者之间的相关性,相关系数计算公式如下:
其中,X、Y分别为电负荷和气象条件输入数据;cov(X,Y)为X和Y之间的协方差,D(X)、D(Y)分别为X和Y的均方差。
比较相关系数与预设阈值的大小;若相关系数大于预设阈值(例如0.6),将一类数据确定为对应负荷类型的相关性因素;否则,确定外界因素数据中的其他类数据是否为对应负荷类型的相关性因素,包括分别确定电价格、气价格是否为对应负荷类型的相关性因素。
根据相关性因素和与相关性因素对应的负荷数据建立离线负荷预测模型。
对于第k类负荷,构建基于长短期记忆网络(LSTM)的负荷分类预测模型,LSTM是深度学习算法的一种。根据相关系数计算结果,得到与第k类负荷具有相关性的Jk个因素,将所得的Jk个因素的相关数据和第k类负荷历史数据作为LSTM的输入,第k类负荷历史作为LSTM的输出;通过已有大量输入输出数据对LSTM进行训练,得到第k类负荷的预测模型。离线负荷预测模型如下:
其中,为LSTM模型的输入数据,yk,d+1为第k类离线负荷预测模型的输出;在LSTM模型训练过程中,输入输出数据均为历史数据,yk,d、yk,d+1分别为第k类负荷第d日和第d+1日的历史负荷数据,为第k类负荷第j类因素的d+1日历史数据,j=1,2,…,Jk。
在步骤104之后还包括:
获取每一类负荷的当前日预测误差、每一类负荷的下一日预测日负荷以及与负荷类型对应的相关性因素。
根据当前日的预测误差、下一日预测日负荷和与负荷类型对应的相关性因素建立负荷预测误差模型。
采用LSTM建立负荷预测误差模型如下:
其中,负荷预测误差模型的训练过程与离线负荷预测模型的构建方法类似。在模型f(·)的训练过程中,模型的输入输出数据均为历史数据。其中,第k类负荷第d+1日的负荷预测误差εk,d+1,第k类负荷第d日的负荷预测误差εk,d,第k类负荷第d+1日的离线负荷预测值yk,d+1,第d+1日Jk个因素的预测数据作为该模型的输入;第d+1日的负荷预测误差εk,d+1作为模型的输出。
步骤105:针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据当前日负荷数据和待预测日的外界因素数据采用离线负荷预测模型进行在线负荷预测,得到待预测日负荷。
步骤105,具体包括:
根据离线负荷预测模型和负荷预测误差模型生成综合能源***负荷预测模型。综合能源***负荷预测模型如下:
其中,gk()和fk(·)分别为第k类负荷离线负荷预测模型和负荷预测误差模型。在进行负荷在线预测时,yk,d和εk,d分别为第k类负荷当前日的负荷数据和负荷预测误差数据,为考虑预测误差校正的第k类负荷第d+1日预测值。
针对每一类负荷获取当前日预测误差、当前日负荷数据以及待预测日的外界因素数据,根据当前日预测误差、当前日负荷数据和待预测日的外界因素数据采用综合能源***负荷预测模型进行在线负荷预测,得到待预测日负荷。
步骤106:对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。
总负荷计算公式如下:
图2为本发明实施例综合能源***分布式负荷预测***结构图,如图2所示,本实施例提供了一种综合能源***分布式负荷预测***,包括:
数据获取模块201,用于获取综合能源***的电负荷、热负荷和气负荷,获取电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;外界因素数据包括电价格、气价格和气象条件数据。
负荷特性指标计算模块202,用于根据电负荷、热负荷和气负荷计算负荷特性指标。
负荷聚类模块203,用于根据负荷特性指标、电负荷时序曲线、热负荷时序曲线和气负荷时序曲线进行负荷聚类,得到多类负荷;
离线负荷预测模型建立模块204,用于根据外界因素数据对每一类负荷建立离线负荷预测模型。
在线负荷预测模块205,用于针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据当前日负荷数据和待预测日的外界因素数据采用离线负荷预测模型进行在线负荷预测,得到待预测日负荷。
综合能源***总负荷计算模块206,用于对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。
对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
通过采用本发明综合能源***分布式负荷预测方法和***,可将其应用到实际区域综合能源***的负荷预测中。本发明中负荷预测方法所依据的基础负荷数据包括电、热、气负荷历史数据、电价、气价以及气象条件(温度、湿度)数据,符合区域综合能源***实际情况;考虑智能电表等终端设备的普及,采用聚类方法对对负荷进行分类,便于综合能源***负荷的分布式预测;通过离线计算挖掘负荷特性,实现对电、热、气负荷的精细化建模;通过离线计算与在线预测相结合,实现综合能源***负荷预测的精确性和时效性的统一;通过构建综合能源***负荷预测误差模型对负荷预测结果进行修正,提高综合能源***负荷预测精度,能充分利用海量数据信息,实现综合能源***负荷高精度预测,有利于综合能源***安全可靠运行。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种综合能源***分布式负荷预测方法,其特征在于,包括:
获取综合能源***的电负荷、热负荷和气负荷,获取电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;所述外界因素数据包括电价格、气价格和气象条件数据;
根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标;
根据所述负荷特性指标、所述电负荷时序曲线、所述热负荷时序曲线和所述气负荷时序曲线进行负荷聚类,得到多类负荷;
根据所述外界因素数据对每一类负荷建立离线负荷预测模型;
针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据所述当前日负荷数据和所述待预测日的外界因素数据采用所述离线负荷预测模型进行在线负荷预测,得到待预测日负荷;
对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。
2.根据权利要求1所述的综合能源***分布式负荷预测方法,其特征在于,在根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标之前,还包括:
对所述电负荷、所述热负荷和所述气负荷采用数据曲线拟合的方法进行偏差数据修正;
对修正后的电负荷、修正后的热负荷和修正后的气负荷进行归一化处理,得到归一化处理后的电负荷、归一化处理后的热负荷和归一化处理后的气负荷。
4.根据权利要求3所述的综合能源***分布式负荷预测方法,其特征在于,所述根据所述负荷特性指标、所述电负荷时序曲线、所述热负荷时序曲线和所述气负荷时序曲线进行负荷聚类,得到多类负荷,具体包括:
根据如下公式进行负荷聚类:
式中,F表示聚类目标函数,K表示聚类个数,M表示负荷时序曲线个数,hk,m表示标识变量,当负荷曲线m属于负荷类别k时,hk,m取值为1,当负荷曲线m不属于负荷类别k时,hk,m取值为0,α表示权重系数,表示负荷曲线m与负荷类别k之间的负荷特性距离,表示负荷曲线m与负荷类别k之间的负荷时序曲线距离,λ1表示第一系数、λ2表示第二系数、λ3表示第三系数、λ4表示第四系数,且满足λ1+λ2+λ3+λ4=1;Kav,m表示负荷曲线m的日平均负荷率,Kav,k表示负荷类别k的日平均负荷率,Kd,m表示负荷曲线m的日负荷率,Kd,k表示负荷类别k的日负荷率,ρp,m表示负荷曲线m的峰时耗能率,ρp,k表示负荷类别k的峰时耗能率,ρv,m表示为负荷曲线m的谷时耗能率,ρv,k表示负荷类别k的谷时耗能率;Pm,t表示t时段待聚类的负荷曲线m的负荷值,Pk,t表示t时段待聚类的负荷类别k的负荷值。
5.根据权利要求4所述的综合能源***分布式负荷预测方法,其特征在于,所述根据所述外界因素数据对每一类负荷建立离线负荷预测模型,具体包括:
获取所述外界因素数据中的一类数据;所述一类数据为电价格、气价格和气象条件数据中的一种;
计算所述一类数据与每一类负荷的相关系数;
比较所述相关系数与预设阈值的大小;若所述相关系数大于所述预设阈值,将所述一类数据确定为对应负荷类型的相关性因素;否则,确定所述外界因素数据中的其他类数据是否为对应负荷类型的相关性因素;
根据所述相关性因素和与所述相关性因素对应的负荷数据建立离线负荷预测模型。
6.根据权利要求5所述的综合能源***分布式负荷预测方法,其特征在于,在进行在线负荷预测之前,还包括:
获取每一类负荷的当前日预测误差、每一类负荷的下一日预测日负荷以及与负荷类型对应的相关性因素;
根据所述当前日的预测误差、所述下一日预测日负荷和所述与负荷类型对应的相关性因素建立负荷预测误差模型。
7.根据权利要求6所述的综合能源***分布式负荷预测方法,其特征在于,所述针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据所述当前日负荷数据和所述待预测日的外界因素数据采用所述离线负荷预测模型进行在线负荷预测,得到待预测日负荷,具体包括:
根据所述离线负荷预测模型和所述负荷预测误差模型生成综合能源***负荷预测模型;
针对每一类负荷获取当前日预测误差、当前日负荷数据以及待预测日的外界因素数据,根据所述当前日预测误差、所述当前日负荷数据和所述待预测日的外界因素数据采用所述综合能源***负荷预测模型进行在线负荷预测,得到待预测日负荷。
8.一种综合能源***分布式负荷预测***,其特征在于,包括:
数据获取模块,用于获取综合能源***的电负荷、热负荷和气负荷,获取电负荷时序曲线、热负荷时序曲线和气负荷时序曲线,以及获取外界因素数据;所述外界因素数据包括电价格、气价格和气象条件数据;
负荷特性指标计算模块,用于根据所述电负荷、所述热负荷和所述气负荷计算负荷特性指标;
负荷聚类模块,用于根据所述负荷特性指标、所述电负荷时序曲线、所述热负荷时序曲线和所述气负荷时序曲线进行负荷聚类,得到多类负荷;
离线负荷预测模型建立模块,用于根据所述外界因素数据对每一类负荷建立离线负荷预测模型;
在线负荷预测模块,用于针对每一类负荷获取当前日负荷数据以及待预测日的外界因素数据,根据所述当前日负荷数据和所述待预测日的外界因素数据采用所述离线负荷预测模型进行在线负荷预测,得到待预测日负荷;
综合能源***总负荷计算模块,用于对每一类负荷的待预测日负荷进行求和计算,得到待预测日综合能源***总负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035294.0A CN110796307B (zh) | 2019-10-29 | 2019-10-29 | 一种综合能源***分布式负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035294.0A CN110796307B (zh) | 2019-10-29 | 2019-10-29 | 一种综合能源***分布式负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796307A true CN110796307A (zh) | 2020-02-14 |
CN110796307B CN110796307B (zh) | 2022-07-22 |
Family
ID=69441590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035294.0A Active CN110796307B (zh) | 2019-10-29 | 2019-10-29 | 一种综合能源***分布式负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796307B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源***多能负荷预测方法 |
CN111583059A (zh) * | 2020-04-20 | 2020-08-25 | 上海电力大学 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能***长期负荷混合预测方法 |
CN111815026A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 一种基于特征聚类的多能源***负荷预测方法 |
CN112862179A (zh) * | 2021-02-03 | 2021-05-28 | 国网山西省电力公司吕梁供电公司 | 一种用能行为的预测方法、装置及计算机设备 |
CN115081902A (zh) * | 2022-06-30 | 2022-09-20 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
CN117669839A (zh) * | 2024-02-01 | 2024-03-08 | 山东赛马力发电设备有限公司 | 一种综合能源***分布式负荷预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003220728A1 (en) * | 2002-07-22 | 2004-02-05 | Darby Matthew Ross | An intergrated energy utilization system |
CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和*** |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
CN109670694A (zh) * | 2018-12-10 | 2019-04-23 | 国网河南省电力公司经济技术研究院 | 一种多能源供给***负荷预测方法 |
-
2019
- 2019-10-29 CN CN201911035294.0A patent/CN110796307B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003220728A1 (en) * | 2002-07-22 | 2004-02-05 | Darby Matthew Ross | An intergrated energy utilization system |
CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和*** |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
CN109670694A (zh) * | 2018-12-10 | 2019-04-23 | 国网河南省电力公司经济技术研究院 | 一种多能源供给***负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
翟晶晶,吴晓蓓,王力立: "基于径向基函数神经网络的综合能源***", 《电力需求侧管理》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源***多能负荷预测方法 |
CN111191856B (zh) * | 2020-02-17 | 2023-12-08 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源***多能负荷预测方法 |
CN111583059A (zh) * | 2020-04-20 | 2020-08-25 | 上海电力大学 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
CN111583059B (zh) * | 2020-04-20 | 2024-01-23 | 上海电力大学 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
CN111815026A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 一种基于特征聚类的多能源***负荷预测方法 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能***长期负荷混合预测方法 |
CN111754037B (zh) * | 2020-06-19 | 2023-01-20 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能***长期负荷混合预测方法 |
CN112862179A (zh) * | 2021-02-03 | 2021-05-28 | 国网山西省电力公司吕梁供电公司 | 一种用能行为的预测方法、装置及计算机设备 |
CN115081902A (zh) * | 2022-06-30 | 2022-09-20 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
CN115081902B (zh) * | 2022-06-30 | 2024-04-09 | 国网北京市电力公司 | 基于源网荷储协同的综合规划方法、装置、设备及介质 |
CN117669839A (zh) * | 2024-02-01 | 2024-03-08 | 山东赛马力发电设备有限公司 | 一种综合能源***分布式负荷预测方法及*** |
CN117669839B (zh) * | 2024-02-01 | 2024-04-30 | 山东赛马力发电设备有限公司 | 一种综合能源***分布式负荷预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110796307B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796307B (zh) | 一种综合能源***分布式负荷预测方法及*** | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Shivam et al. | A multi-objective predictive energy management strategy for residential grid-connected PV-battery hybrid systems based on machine learning technique | |
Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
Wahid et al. | A prediction approach for demand analysis of energy consumption using k-nearest neighbor in residential buildings | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
CN110909912B (zh) | 基于自适应误差反馈的园区电力***净负荷组合预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Guo et al. | Maximum power demand prediction using fbprophet with adaptive Kalman filtering | |
CN111754037B (zh) | 区域终端集成供能***长期负荷混合预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Yao et al. | A novel category-specific pricing strategy for demand response in microgrids | |
CN112232575A (zh) | 一种基于多元负荷预测的综合能源***调控方法和装置 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
CN113177366B (zh) | 一种综合能源***规划方法、装置和终端设备 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Yu et al. | Load forecasting based on smart meter data and gradient boosting decision tree | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
Wang et al. | A review of load forecasting of the distributed energy system | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115689146A (zh) | 一种多能源智能楼宇负荷调度方法及*** | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和*** | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及*** | |
Huang et al. | Short-term load forecasting method based on heterogeneous big data of power |
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 |