CN113609929A - 基于e-a的蓄热电锅炉日前功率调节裕度预测方法 - Google Patents

基于e-a的蓄热电锅炉日前功率调节裕度预测方法 Download PDF

Info

Publication number
CN113609929A
CN113609929A CN202110815091.4A CN202110815091A CN113609929A CN 113609929 A CN113609929 A CN 113609929A CN 202110815091 A CN202110815091 A CN 202110815091A CN 113609929 A CN113609929 A CN 113609929A
Authority
CN
China
Prior art keywords
electric boiler
storage electric
day
load
heat storage
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.)
Pending
Application number
CN202110815091.4A
Other languages
English (en)
Inventor
罗世刚
徐兰兰
王小龙
黎启明
窦常永
杜争鸣
韩小齐
刘文颖
刘紫东
张尧翔
张雯程
曾贇
杨美颖
庞清仑
申自裕
曹钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
North China Electric Power University
State Grid Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
State Grid Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, North China Electric Power University, State Grid Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110815091.4A priority Critical patent/CN113609929A/zh
Publication of CN113609929A publication Critical patent/CN113609929A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于E‑A的蓄热电锅炉日前功率功率调节裕度预测方法，包括：获取激励信号下蓄热电锅炉负荷典型日运行数据；通过EMD算法(经验模态分解算法)分解为IMF分量(信号基本模式分量)以及余波；利用ARIMA预测模型对分解后的量进行预测，形成E‑A复合预测算法，然后通过将预测后的分量进行叠加得到激励信号下蓄热电锅炉日前功率调节裕度预测量，最后对E‑A复合预测算法的结果进行评价。

Description

基于E-A的蓄热电锅炉日前功率调节裕度预测方法
技术领域
本发明属于新能源电力***运行控制领域，尤其涉及一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法。
背景技术
随着新能源并网占比日益增大、新能源消纳问题日趋严峻。为解决风电光伏等消纳问题，蓄热电锅炉负荷作为优质的可调节负荷近年来逐渐参与新能源消纳调节。但由于日前时间尺度下蓄热电锅炉负荷可调节功率受新能源随机性与波动性影响较大，存在功率调节裕度预测准确性不高的问题，加重了电网调度运行负担。因此，提高蓄热电锅炉负荷功率调节裕度预测精度需引起极大重视。
目前，针对此类问题的研究分析相对集中于供给侧激励机制对负荷的影响，间接利用激励机制对负荷实行调度控制，但忽略了蓄热电锅炉负荷作为市场主体的购电行为以及对激励信号的响应调节。本文从需求侧负荷角度出发，引入时间序列预测算法，考虑蓄热电锅炉对激励信号的响应因素，以随机变化的新能源出力作为依据，将复杂的耦合关系影响以某些时间序列变量的形式体现在算法中，可取得良好的效果
时间序列预测算法常用方法诸多，EMD经验模态分解算法与ARIMA差分整合移动平均自回归模型对数据具有较高的预测准确性。其中EMD算法具有高自适应性和完备性较强的优点，且分解后的IMF分量满足ARIMA模型的条件要求，而 ARIMA模型可完全由外部确定输入的变量，但是要求时间序列数据具有较高的稳定性，因此利用EMD算法作为复合算法中串行结构的前置，弥补了ARIMA模型的缺点，形成一种比较完备的负荷预测方法。
综上所述，为了更好的满足蓄热电锅炉日前功率调节裕度预测的精度，更合理准确地规划需求侧结构，本专利提出了一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法。
发明内容
本专利提出了一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法。
一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法，包括以下步骤：
S1：分析激励信号时段内蓄热电锅炉蓄热电锅炉调节特性；
S2：结合EMD算法(经验模态分解)和ARIMA模型的算法特性形成E-A复合预测算法，利用复合预测算法对分解筛选后的蓄热电锅炉负荷各个分量进行预测叠加得到激励信号下蓄热电锅炉日前功率调节裕度预测值；
S3：对利用复合预测算法的预测结果进行评价；
优选地，所述S1包括以下步骤：
S101：采集冬季蓄热电锅炉单机运行状态信息，包括激励信号时段实时调节功率裕度Pi(t)和蓄热设备状态信息αi(t)；
S102：分析蓄热电锅炉负荷收到激励信号后调节特性曲线；
优选地，所述S2包括以下步骤：
S201：利用EMD算法将蓄热电锅炉负荷调节特性分解为N+1个变量。
通过EMD算法将蓄热电锅炉负荷运行功率分解为IMF与r分量即Pi，imf1(t)、 Pi，imf2(t)、...、Pi，imfN(t)以及Pi，r(t)余波分量；
S202：对分解后的运行功率进行检验筛选，获取符合条件的变量。
对得到的不同变量首先进行白噪声检验，剔除白噪声序列，再利用单位根检验法进行平稳性检验。对于不平稳的变量序列进行差分处理，直至平稳为止；
S203：利用最小二乘法对ARIMA模型中未知参数p、q进行估计；
S204：利用ARIMA模型对各变量进行预测，再进行叠加得到日前调节裕度预测功率
Figure RE-GDA0003297085090000031
优选地，所述S3包括以下步骤：
S301：选取典型数据中最后一天的蓄热电锅炉负荷运行特性曲线图；
S302：统计使用E-A复合预测方法与ARIMA模型的蓄热电锅炉日前功率调节裕度预测结果与误差百分比。
本发明专利提出的预测方法有以下有益效果：
本发明提供一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法，通过融合EMD算法和ARIMA模型形成E-A复合预测算法进行日前蓄热电锅炉功率调节裕度预测，利用EMD算法高完备性和自适应性的优点对负荷特性进行分解，以进一步满足ARIMA模型初始信息的稳定性要求，再使用ARIMA模型对各分量进一步预测与叠加，形成比较完善的预测过程，最后得到日前功率调节裕度预测结果。
附图说明
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
图1为一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法的流程图；
图2典型日4某蓄热电锅炉日功率调节裕度曲线；
图3典型日某蓄热电锅炉功率调节裕度分解图；
图4典型日某蓄热电锅炉日负荷功率预测结果；
具体实施方式
为了清楚了解本发明的技术方案，将在下面的描述中提出其详细的结构。显然，本发明实施例的具体施行并不局限于本领域的技术人员所熟习的特殊细节。本发明的优选实施例详细描述如下，除详细描述的这些实施例外，还可以具有其他实施方式。
下面结合附图和实施例对本发明做进一步详细说明。
实施例1：
图1为一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法的流程图。图1中，本发明提供的一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法包括：
S1：分析激励信号时段内蓄热电锅炉调节特性；
S2：结合EMD算法(经验模态分解)和ARIMA模型的算法特性形成E-A复合预测算法，利用复合预测算法对分解筛选后的蓄热电锅炉容量各个分量进行预测叠加得到激励信号下蓄热电锅炉日前功率调节裕度预测值；
S3：对利用复合预测算法的预测结果进行评价；
优选地，所述S1包括以下步骤：
S101：采集冬季蓄热电锅炉单机运行状态信息，包括激励信号时段功率调节裕度Pi(t)和蓄热设备状态信息αi(t)；
S102：分析激励信号下蓄热电锅炉负荷功率调节特性曲线；
优选地，所述S2包括以下步骤：
S201：利用EMD算法将负荷运行特性分解为N+1个变量。
通过EMD算法将负荷运行功率分解为IMF与r分量即Pi，imf1(t)、Pi，imf2(t)、...、Pi，imfN(t)以及Pi，r(t)余波分量；
S202：对分解后的运行功率进行检验筛选，获取符合条件的变量。
对分解得到的变量首先进行白噪声检验，剔除白噪声序列，再利用单位根检验法进行平稳性检验。对于不平稳的变量序列进行差分处理，直至平稳为止；
对IMF分量与r余波进行白噪声检验：
原假设H0：
Figure RE-GDA0003297085090000051
备择假设H1：至少存在
Figure RE-GDA0003297085090000052
Figure RE-GDA0003297085090000053
其中ρ(i)为i阶自相关系数，QLB为检验统计量，n为样本数，
Figure RE-GDA0003297085090000054
为k阶自相关系数估计值。通过p值确定原假设是否成立，即是否为白噪声：
p＝P(ρ2(m)＞QLB) (2)
p<0.05时，在95％的置信水平上认为序列为非白噪声序列；
p<0.01时，在99％的置信水平上认为序列为非白噪声序列；
对IMF分量与r余波利用单位根检验法进行平稳性检验：
Figure RE-GDA0003297085090000055
其中s为Pi，imfk(t)的滞后阶数，ε(t)为扰动项。
原假设H0：系数γ＝0，即存在单位根
备择假设H1：系数γ＜0
取Pi，imfk(t-1)项在OLS法(最小二乘法)下t检验值为ADF统计量，如果ADF统计量显著小于临界值则拒绝原假设。
S203：利用最小二乘法对ARIMA模型中未知参数p、q进行估计；
S204：利用ARIMA模型对各变量进行预测得到Pi，imfk1(t)、Pi，imfk2(t)、...、Pi，imfkN(t) 以及Pi，r(t)余波分量，再将其进行叠加得到日前预测负荷
Figure RE-GDA0003297085090000056
Figure RE-GDA0003297085090000061
优选地，所述S3包括以下步骤：
S301：选取蓄热电锅炉负荷运行特性曲线图；
S302：在激励信号下统计使用E-A复合预测方法与ARIMA模型的蓄热电锅炉日前功率调节裕度预测结果与误差百分比。
利用MAPE(平均绝对百分误差)与rRMSE(相对均方根误差)作为评价指标对预测结果进行评价。
Figure RE-GDA0003297085090000062
Figure RE-GDA0003297085090000063
实施例2：
选取某单位12MW蓄热电锅炉为研究对象，以2017年冬季风电消纳激励机制执行下连续四天的日负荷数据为依据，本发明提供的一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法包括：
S1：分析激励信号时段内蓄热电锅炉运行特性；
S101：对某单位蓄热电锅炉负荷的激励信号下的运行数据进行统计分析，得到负荷功率连续四日的24h典型数据；
对统计数据整理得出某单位蓄热电锅炉负荷2017年冬季连续典型日24h运行数据如表1所示：
表1某单位蓄热电锅炉激励机制下冬季典型日24h负荷数据
单位：MW
Figure RE-GDA0003297085090000071
S102：依据获取的运行功率数据信息形成蓄热电锅炉典型日4负荷功率调节裕度曲线P4(t)-t如图2所示；
S2：通过EMD算法(经验模态分解)和ARIMA模型形成E-A复合预测算法对蓄热电锅炉响应功率分解筛选后的各个分量进行预测叠加得到日前预测量；
S201：利用EMD算法将负荷运行特性分解为N+1个变量。
通过EMD算法将典型日1、2、3的负荷运行功率分解为IMF与r分量即Pi，imfk1(t)、Pi，imfk2(t)、...、Pi，imfkN(t)以及Pi，r(t)余波分量，如图3为EMD分解结果。
S202：对分解后的量进行检验筛选，获取符合条件的变量。
对得到的变量Pi，imf1(t)、Pi，imf2(t)、...、Pi，imfN(t)以及Pi，r(t)余波进行白噪声检验，检验发现无白噪声序列，再利用单位根检验法对其进行平稳性检验，对于不平稳的变量序列进行差分处理，得到不同分量所需进行差分阶数d；
S203：利用最小二乘法对ARIMA模型中未知参数p、q进行估计，得到各分量的ARIMA预测模型参数如表2；
表2不同分量在ARIMA模型中的参数
p d q
IMF1 2 0 14
IMF2 2 0 1
IMF3 2 0 1
r 3 5 2
S204：利用ARIMA模型对各变量进行预测，再进行叠加得到日前功率调节裕度预测
Figure RE-GDA0003297085090000081
如表3所示；
表3不同分量以及日前功率调节裕度预测结果
单位：MW
Figure RE-GDA0003297085090000082
Figure RE-GDA0003297085090000091
S3：对复合预测算法得到的预测结果进行评价；
S301：选取典型数据中最后一天的蓄热电锅炉负荷，描绘实际负荷运行特性与预测负荷曲线如图4；
S302：统计使用E-A复合预测方法与ARIMA模型的蓄热电锅炉负荷预测结果误差如表4所示，分析可知E-A复合预测算法可有效提高预测精度。
表4不同分量以及日前负荷预测结果
Figure RE-GDA0003297085090000092
在负荷参与调节促进风光电新能源消纳的背景下，蓄热电锅炉因具有响应速度快、规模潜力大等优点成为优良选择之一。结合典型日蓄热电锅炉负荷功率运行特性可知，其运行模式为全部使用低谷电，称为全量蓄热方式，其运行时间为：
23：00～7：00 开启电锅炉，加热蓄能水箱中的水，并部分向***供热。
7：00～23：00 关闭电锅炉，利用蓄能水箱中的热水向***供热。
而采取的复合算法在7:00—23:00、5:00的负荷预测结果存在较大偏差，结合上述运行背景以及实际调研情况可知原因：一是在政策响应的状态下，复合算法对负荷的预测未能追赶实际负荷功率的响应速度；二是调研过程中发现在凌晨 5:00左右存在停电现象，导致蓄热电锅炉负荷功率运行曲线该时刻点存在低谷。
因此，在进行MAPE与rRMSE误差百分比的计算时，剔除上述时间点负荷数据，得到预测结果误差。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (4)

1.一种基于E-A的蓄热电锅炉日前功率调节裕度预测方法，其特征在于，蓄热电锅炉日前功率调节裕度预测方法包括以下步骤：
S1：分析蓄热电锅炉得到激励信号后蓄热电锅炉功率调节特性；
S2：基于E-A复合预测算法对分解筛选后的蓄热电锅炉容量各个分量进行预测叠加得到激励信号下蓄热电锅炉日前功率调节裕度预测值；
S3：对利用复合预测算法的预测结果进行评价。
2.根据权利要求1所述的基于E-A的蓄热电锅炉日前功率调节裕度预测方法，其特征在于，所述S1包括以下步骤：
S101：采集冬季蓄热电锅炉单机运行状态信息，包括激励信号时段实时运行功率Pi(t)和蓄热设备状态信息αi(t)；
S102：分析获取的数据得到激励信号后蓄热电锅炉负荷调节特性曲线。
3.根据权利要求1所述的基于E-A的蓄热电锅炉日前功率调节裕度预测方法，其特征在于，所述S2包括以下步骤：
S201：利用EMD算法将蓄热电锅炉负荷调节特性分解为N+1个变量。
通过EMD算法将负荷调节功率分解为IMF与r分量即Pi，imf1(t)、Pi，imf2(t)、...、Pi，imfN(t)以及Pi，r(t)余波分量；
S202：对分解后的调节功率进行检验筛选，获取符合条件的变量。
对分解得到的变量首先进行白噪声检验，剔除白噪声序列，再利用单位根检验法进行平稳性检验。对于不平稳的变量序列进行差分处理，直至平稳为止；
S203：利用最小二乘法对ARIMA模型中未知参数p、q进行估计；
S204：利用ARIMA模型对各变量进行预测，再进行叠加得到日前调节裕度预测负荷
Figure 1
。
4.根据权利要求1所述的基于E-A的蓄热电锅炉日前功率调节裕度预测方法，其特征在于，所述S3包括以下步骤：
S301：选取典型数据中最后一天的蓄热电锅炉负荷，描绘实际负荷运行特性曲线图；
S302：统计使用E-A复合预测方法与ARIMA模型的蓄热电锅炉负荷调节裕度预测结果与误差百分比。
CN202110815091.4A 2021-07-19 2021-07-19 基于e-a的蓄热电锅炉日前功率调节裕度预测方法 Pending CN113609929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110815091.4A CN113609929A (zh) 2021-07-19 2021-07-19 基于e-a的蓄热电锅炉日前功率调节裕度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110815091.4A CN113609929A (zh) 2021-07-19 2021-07-19 基于e-a的蓄热电锅炉日前功率调节裕度预测方法

Publications (1)

Publication Number Publication Date
CN113609929A true CN113609929A (zh) 2021-11-05

Family

ID=78304825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110815091.4A Pending CN113609929A (zh) 2021-07-19 2021-07-19 基于e-a的蓄热电锅炉日前功率调节裕度预测方法

Country Status (1)

Country Link
CN (1) CN113609929A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707730A (zh) * 2022-04-11 2022-07-05 长春工程学院 一种蓄热式电锅炉的负荷预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114707730A (zh) * 2022-04-11 2022-07-05 长春工程学院 一种蓄热式电锅炉的负荷预测方法

Similar Documents

Publication Publication Date Title
Yuce et al. ANN–GA smart appliance scheduling for optimised energy management in the domestic sector
CN106779223B (zh) 一种光伏***发电功率实时预测方法及装置
CN111428926B (zh) 一种考虑气象因素的区域电力负荷预测方法
Roberts et al. Characterisation of Australian apartment electricity demand and its implications for low-carbon cities
Huang et al. A robust design of nearly zero energy building systems considering performance degradation and maintenance
Moradzadeh et al. Heating and cooling loads forecasting for residential buildings based on hybrid machine learning applications: A comprehensive review and comparative analysis
CN112950098B (zh) 基于综合能源***的能源规划方法、装置及终端设备
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN112488362A (zh) 一种协调电动汽车参与辅助服务市场的储能优化配置方法
CN114140176B (zh) 一种负荷聚集平台的可调容量预测方法及装置
CN111754037A (zh) 区域终端集成供能***长期负荷混合预测方法
CN117150677A (zh) 一种电除尘器选型参数的确定方法及装置
CN114595861A (zh) 基于mstl和lstm模型的中长期电力负荷预测方法
Dumas et al. Deep learning-based multi-output quantile forecasting of PV generation
CN115796915A (zh) 一种面向电力交易市场的电价预测方法及***
CN113609929A (zh) 基于e-a的蓄热电锅炉日前功率调节裕度预测方法
CN115456406A (zh) 一种综合能源***的评估方法、装置、设备以及存储介质
CN114971090A (zh) 一种电供暖负荷预测方法、***、设备和介质
Zhang et al. Ensemble learning-based approach for residential building heating energy prediction and optimization
CN115238948A (zh) 小水电发电量预测方法及装置
CN112633612A (zh) 激励机制下基于e-a的蓄热电锅炉日前响应功率预测方法
CN116316615B (zh) 基于数据增强的分布式光伏群短期功率预测方法及***
Parreño Analysis and forecasting of electricity demand in Davao del Sur, Philippines
CN116826745A (zh) 一种电力***背景下的分层分区短期负荷预测方法及***
CN115471086A (zh) 一种全要素能源利用效率的评价方法、存储介质和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication