CN117273195A - 一种蒸汽供热***需求负荷预测方法 - Google Patents
一种蒸汽供热***需求负荷预测方法 Download PDFInfo
- Publication number
- CN117273195A CN117273195A CN202311082729.3A CN202311082729A CN117273195A CN 117273195 A CN117273195 A CN 117273195A CN 202311082729 A CN202311082729 A CN 202311082729A CN 117273195 A CN117273195 A CN 117273195A
- Authority
- CN
- China
- Prior art keywords
- load
- heating system
- steam heating
- data
- system demand
- 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
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims description 52
- 238000013139 quantization Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000013486 operation strategy Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013102 re-test Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000011002 quantification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明公开了一种蒸汽供热***需求负荷预测方法，包括：获取热用户的历史负荷数据和历史环境数据；根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素；根据所述负荷影响因素建立蒸汽供热***需求负荷模型；获取蒸汽供热***的历史运行数据，对所述历史运行数据、历史负荷数据和历史环境数据进行数据处理，得到训练数据集和测试数据集；根据训练数据集和测试数据对蒸汽供热***需求负荷模型进行训练和测试，得到测试后的蒸汽供热***需求负荷预测模型，获取实时环境数据，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测。实现对未来供热需求负荷的预测。
Description
技术领域
本发明涉及蒸汽供热***技术领域，尤其是涉及一种蒸汽供热***需求负荷预测方法。
背景技术
蒸汽供热***是一种以蒸汽形式供热的***，具体指城市集中供热***中用水为供热介质，以蒸汽的形态，从热源携带热量，经过热网送至用户的。供热负荷是供热公司为用户提供热量能力的度量，是衡量供热公司提供热量的能力的重要指标。在蒸汽供热***中，需求负荷预测是保障供热稳定性和节能减排的重要环节，负荷预测的准确性关乎优化调度以及运营策略。传统的需求负荷预测方法通常采用经验公式或统计模型进行计算，存在负荷预测方法单一、预测精度不高、受外部环境影响大等问题，因此，亟需一种蒸汽供热***需求负荷预测方法，准确预测需求负荷。
发明内容
本发明的目的是提供一种蒸汽供热***需求负荷预测方法，解决传统负荷预测方法单一、预测精度不高、受外部环境影响大的问题。
本发明提供了一种蒸汽供热***需求负荷预测方法，包括：
获取热用户的历史负荷数据和历史环境数据；
根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素；
根据所述负荷影响因素建立蒸汽供热***需求负荷模型；
获取蒸汽供热***的历史运行数据，对所述历史运行数据、历史负荷数据和历史环境数据进行数据处理，得到训练数据集和测试数据集；
根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型；
根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型；
获取实时环境数据，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测。
在本申请的一些实施例中，根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素，包括：
对所述历史环境数据进行预处理，得到预处理后的环境数据；
基于所述历史负荷数据，对所述环境数据进行相关性分析，判断环境因素是否具有显著性；
若环境因素具有显著性，则获取环境因素的相关系数，根据所述相关系数确定环境因素与热用户负荷的相关程度等级；
根据所述相关程度等级确定热用户的负荷影响因素。
在本申请的一些实施例中，所述负荷影响因素包括室外温度、相对湿度、风速、天气特征和随机因素。
在本申请的一些实施例中，预设有相关系数矩阵A0，设定A0(A1，A2，A3，A4)，其中，A1为第一预设相关系数，A2为第二预设相关系数，A3为第三预设相关系数，A4为第四预设相关系数，且A1＜A2＜A3＜A4；
预设有相关程度等级矩阵B0，设定B0(B1，B2，B3，B4)，其中，B1为第一预设相关程度等级，B2为第二预设相关程度等级，B3为第三预设相关程度等级，B4为第四预设相关程度等级，且B1＜B2＜B3＜B4；
获取环境因素的相关系数a，根据所述相关系数a与各预设相关系数之间的关系设定所述环境因素与热用户负荷的相关程度等级；
当a＜A1时，设定所述第一预设相关程度等级B1作为所述环境因素与热用户负荷的相关程度等级；
当A1≤a＜A2时，设定所述第二预设相关程度等级B2作为所述环境因素与热用户负荷的相关程度等级；
当A2≤a＜A3时，设定所述第三预设相关程度等级B3作为所述环境因素与热用户负荷的相关程度等级；
当A3≤a＜A4时，设定所述第四预设相关程度等级B4作为所述环境因素与热用户负荷的相关程度等级。
在本申请的一些实施例中，所述蒸汽供热***需求负荷模型为：
Q＝λ1T+λ2H+λ3V+λ4W+Q0+Qa
其中，Q为蒸汽供热***的供热负荷，λ1为室外温度对供热负荷影响的负荷系数，T为室外温度，λ2为相对湿度对供热负荷影响的负荷系数，H为相对湿度，λ3为风速对供热负荷影响的负荷系数，V为风速，λ4为天气特征对供热负荷影响的负荷系数，W为天气特征对应的量化值，Q0为随机因素对供热负荷影响的随机负荷，Qa为蒸汽供热***传输过程中的损失负荷。
在本申请的一些实施例中，确定天气特征对应的量化值的方法包括：
预设有天气特征量化表，所述天气特征量化表中包括天气特征，所述天气特征设置有对应的量化值；
获取天气特征，根据所述天气特征量化表确定所述天气特征对应的量化值。
在本申请的一些实施例中，所述数据处理包括数据清洗和归一化处理。
在本申请的一些实施例中，根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型，包括：
将所述训练数据集输入到所述蒸汽供热***需求负荷模型中，得到多个系数值；
基于所述多个系数值确定拟合函数，将所述拟合函数设定为蒸汽供热***需求负荷预测模型。
在本申请的一些实施例中，根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型，包括：
所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试结果，并将测试结果与预设结果接受范围进行比较；
若测试结果不在所述预设结果接受范围内，则对蒸汽供热***需求负荷预测模型中的系数值进行修正，并重新进行测试。
在本申请的一些实施例中，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测，包括：
将所述实时环境数据进行数据处理，根据数据处理后的实时环境数据和测试后的蒸汽供热***需求负荷预测模型确定预测的蒸汽供热***需求负荷值，并根据预测的蒸汽供热***需求负荷值确定蒸汽供热***的最优运行策略。
本发明公开了一种蒸汽供热***需求负荷预测方法，包括：获取热用户的历史负荷数据和历史环境数据；根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素；根据所述负荷影响因素建立蒸汽供热***需求负荷模型；获取蒸汽供热***的历史运行数据，对所述历史运行数据、历史负荷数据和历史环境数据进行数据处理，得到训练数据集和测试数据集；根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型；根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型；获取实时环境数据，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测。
本发明通过根据历史负荷数据和历史环境数据确定热用户的负荷影响因素，建立蒸汽供热***需求负荷模型，保证负荷影响因素判断的准确性，为后续准确预测需求负荷提供条件；并结合蒸汽供热***的历史运行数据对蒸汽供热***需求负荷模型进行训练和测试，保证蒸汽供热***需求负荷预测模型的预测精度，提高准确性，减少偏差。
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。
附图说明
图1为本发明一种蒸汽供热***需求负荷预测方法的流程示意图；
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的通常意义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合，而不排除其他元件或者物件。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指发明中任一部件或元件，不能理解为对发明的限制。术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
实施例
本发明提供了一种蒸汽供热***需求负荷预测方法，如图1所示包括：
S1，获取热用户的历史负荷数据和历史环境数据。
S2，根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素。
S3，根据所述负荷影响因素建立蒸汽供热***需求负荷模型。
S4，获取蒸汽供热***的历史运行数据，对所述历史运行数据、历史负荷数据和历史环境数据进行数据处理，得到训练数据集和测试数据集。
S5，根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型。
S6，根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型。
S7，获取实时环境数据，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测。
在本申请的一些实施例中，根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素，包括：
对所述历史环境数据进行预处理，得到预处理后的环境数据。
基于所述历史负荷数据，对所述环境数据进行相关性分析，判断环境因素是否具有显著性。
若环境因素具有显著性，则获取环境因素的相关系数，根据所述相关系数确定环境因素与热用户负荷的相关程度等级。
根据所述相关程度等级确定热用户的负荷影响因素。
在本实施例中，因环境数据包含多方面的内容，通过计算机软件对环境数据进行相关性分析，根据得到的显著性P值，剔除与历史负荷数据不相关的环境因素，并确定环境因素的相关系数，相关系数越大，关系越紧密，相关程度等级也就越高，而设定相关程度等级高的环境因素为确定热用户的负荷影响因素。
在本申请的一些实施例中，所述负荷影响因素包括室外温度、相对湿度、风速、天气特征和随机因素。
在本实施例中，在进行确定热用户的负荷影响因素时，不止要考虑环境因素，同样设置有随机因素，判断其中是否有随机因素的影响。
在本申请的一些实施例中，预设有相关系数矩阵A0，设定A0(A1，A2，A3，A4)，其中，A1为第一预设相关系数，A2为第二预设相关系数，A3为第三预设相关系数，A4为第四预设相关系数，且A1＜A2＜A3＜A4。
预设有相关程度等级矩阵B0，设定B0(B1，B2，B3，B4)，其中，B1为第一预设相关程度等级，B2为第二预设相关程度等级，B3为第三预设相关程度等级，B4为第四预设相关程度等级，且B1＜B2＜B3＜B4。
获取环境因素的相关系数a，根据所述相关系数a与各预设相关系数之间的关系设定所述环境因素与热用户负荷的相关程度等级。
当a＜A1时，设定所述第一预设相关程度等级B1作为所述环境因素与热用户负荷的相关程度等级。
当A1≤a＜A2时，设定所述第二预设相关程度等级B2作为所述环境因素与热用户负荷的相关程度等级。
当A2≤a＜A3时，设定所述第三预设相关程度等级B3作为所述环境因素与热用户负荷的相关程度等级。
当A3≤a＜A4时，设定所述第四预设相关程度等级B4作为所述环境因素与热用户负荷的相关程度等级。
在本实施例中，相关系数可以在进行相关性分析时得到，通过相关系数确定环境因素与热用户负荷的相关程度等级，其中A1可以设置为0.4，A2可以设置为0.7，A3可以设置为0.8，A4可以设置为0.9。
在本申请的一些实施例中，所述蒸汽供热***需求负荷模型为：
Q＝λ1T+λ2H+λ3V+λ4W+Q0+Qa
其中，Q为蒸汽供热***的供热负荷，λ1为室外温度对供热负荷影响的负荷系数，T为室外温度，λ2为相对湿度对供热负荷影响的负荷系数，H为相对湿度，λ3为风速对供热负荷影响的负荷系数，V为风速，λ4为天气特征对供热负荷影响的负荷系数，W为天气特征对应的量化值，Q0为随机因素对供热负荷影响的随机负荷，Qa为蒸汽供热***传输过程中的损失负荷。
在本实施例中，因已知负荷影响因素包括室外温度、相对湿度、风速、天气特征和随机因素，因此根据负荷影响因素建立蒸汽供热***需求负荷模型。其中Qa为蒸汽供热***传输过程中的损失负荷，因蒸汽供热***在传输蒸汽的过程中不可避免会因距离、材料或者其他因素产生能量损失，因此在建立蒸汽供热***需求负荷模型时还需要考虑到传输过程中的损失负荷。
在本申请的一些实施例中，确定天气特征对应的量化值的方法包括：
预设有天气特征量化表，所述天气特征量化表中包括天气特征，所述天气特征设置有对应的量化值。
获取天气特征，根据所述天气特征量化表确定所述天气特征对应的量化值。
在本实施例中，对于晴、阴、雨、多云、雷、电、雾等属于天气特征的描述，没有具体数值，不能直接作为输入量输入到蒸汽供热***需求负荷模型内，因此需要对这些天气特征进行合理的天气量化处理，对于这些天气特征可根据经验设定对应的量化值。
在本申请的一些实施例中，所述数据处理包括数据清洗和归一化处理。
在本实施例中，数据清洗是指对原始数据进行处理，去除无用、重复、错误、不完整的数据，以及对数据进行格式化、标准化等处理。而归一化处理是数据预处理的关键步骤之一。不同影响因素往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除影响因素之间的量纲影响，需要进行数据归一化/标准化处理，以解决数据影响因素之间的可比性。
在本申请的一些实施例中，根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型，包括：
将所述训练数据集输入到所述蒸汽供热***需求负荷模型中，得到多个系数值。
基于所述多个系数值确定拟合函数，将所述拟合函数设定为蒸汽供热***需求负荷预测模型。
在本实施例中，通过训练数据集进行训练后，会得到多个系数值，对系数值进行处理后再进行函数拟合，保证蒸汽供热***需求负荷预测模型的准确性。
在本申请的一些实施例中，根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型，包括：
所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试结果，并将测试结果与预设结果接受范围进行比较。
若测试结果不在所述预设结果接受范围内，则对蒸汽供热***需求负荷预测模型中的系数值进行修正，并重新进行测试。
在本申请的一些实施例中，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测，包括：
将所述实时环境数据进行数据处理，根据数据处理后的实时环境数据和测试后的蒸汽供热***需求负荷预测模型确定预测的蒸汽供热***需求负荷值，并根据预测的蒸汽供热***需求负荷值确定蒸汽供热***的最优运行策略。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
上述实施例提供的***，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种蒸汽供热***需求负荷预测方法，其特征在于，包括：
获取热用户的历史负荷数据和历史环境数据；
根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素；
根据所述负荷影响因素建立蒸汽供热***需求负荷模型；
获取蒸汽供热***的历史运行数据，对所述历史运行数据、历史负荷数据和历史环境数据进行数据处理，得到训练数据集和测试数据集；
根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型；
根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型；
获取实时环境数据，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测。
2.根据权利要求1所述的一种蒸汽供热***需求负荷预测方法，其特征在于，根据所述历史负荷数据和所述历史环境数据确定热用户的负荷影响因素，包括：
对所述历史环境数据进行预处理，得到预处理后的环境数据；
基于所述历史负荷数据，对所述环境数据进行相关性分析，判断环境因素是否具有显著性；
若环境因素具有显著性，则获取环境因素的相关系数，根据所述相关系数确定环境因素与热用户负荷的相关程度等级；
根据所述相关程度等级确定热用户的负荷影响因素。
3.根据权利要求2所述的一种蒸汽供热***需求负荷预测方法，其特征在于，所述负荷影响因素包括室外温度、相对湿度、风速、天气特征和随机因素。
4.根据权利要求2所述的一种蒸汽供热***需求负荷预测方法，其特征在于，预设有相关系数矩阵A0，设定A0(A1，A2，A3，A4)，其中，A1为第一预设相关系数，A2为第二预设相关系数，A3为第三预设相关系数，A4为第四预设相关系数，且A1＜A2＜A3＜A4；
预设有相关程度等级矩阵B0，设定B0(B1，B2，B3，B4)，其中，B1为第一预设相关程度等级，B2为第二预设相关程度等级，B3为第三预设相关程度等级，B4为第四预设相关程度等级，且B1＜B2＜B3＜B4；
获取环境因素的相关系数a，根据所述相关系数a与各预设相关系数之间的关系设定所述环境因素与热用户负荷的相关程度等级；
当a＜A1时，设定所述第一预设相关程度等级B1作为所述环境因素与热用户负荷的相关程度等级；
当A1≤a＜A2时，设定所述第二预设相关程度等级B2作为所述环境因素与热用户负荷的相关程度等级；
当A2≤a＜A3时，设定所述第三预设相关程度等级B3作为所述环境因素与热用户负荷的相关程度等级；
当A3≤a＜A4时，设定所述第四预设相关程度等级B4作为所述环境因素与热用户负荷的相关程度等级。
5.根据权利要求3所述的一种蒸汽供热***需求负荷预测方法，其特征在于，所述蒸汽供热***需求负荷模型为：
Q＝λ1T+λ2H+λ3V+λ4W+Q0+Qa
其中，Q为蒸汽供热***的供热负荷，λ1为室外温度对供热负荷影响的负荷系数，T为室外温度，λ2为相对湿度对供热负荷影响的负荷系数，H为相对湿度，λ3为风速对供热负荷影响的负荷系数，V为风速，λ4为天气特征对供热负荷影响的负荷系数，W为天气特征对应的量化值，Q0为随机因素对供热负荷影响的随机负荷，Qa为蒸汽供热***传输过程中的损失负荷。
6.根据权利要求5所述的一种蒸汽供热***需求负荷预测方法，其特征在于，确定天气特征对应的量化值的方法包括：
预设有天气特征量化表，所述天气特征量化表中包括天气特征，所述天气特征设置有对应的量化值；
获取天气特征，根据所述天气特征量化表确定所述天气特征对应的量化值。
7.根据权利要求1所述的一种蒸汽供热***需求负荷预测方法，其特征在于，所述数据处理包括数据清洗和归一化处理。
8.根据权利要求1所述的一种蒸汽供热***需求负荷预测方法，其特征在于，根据所述训练数据集对所述蒸汽供热***需求负荷模型进行训练，得到蒸汽供热***需求负荷预测模型，包括：
将所述训练数据集输入到所述蒸汽供热***需求负荷模型中，得到多个系数值；
基于所述多个系数值确定拟合函数，将所述拟合函数设定为蒸汽供热***需求负荷预测模型。
9.根据权利要求1所述的一种蒸汽供热***需求负荷预测方法，其特征在于，根据所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试后的蒸汽供热***需求负荷预测模型，包括：
所述测试数据集对所述蒸汽供热***需求负荷预测模型进行测试，得到测试结果，并将测试结果与预设结果接受范围进行比较；
若测试结果不在所述预设结果接受范围内，则对蒸汽供热***需求负荷预测模型中的系数值进行修正，并重新进行测试。
10.根据权利要求1所述的一种蒸汽供热***需求负荷预测方法，其特征在于，基于所述实时环境数据，根据所述测试后的蒸汽供热***需求负荷预测模型对供热需求负荷进行预测，包括：
将所述实时环境数据进行数据处理，根据数据处理后的实时环境数据和测试后的蒸汽供热***需求负荷预测模型确定预测的蒸汽供热***需求负荷值，并根据预测的蒸汽供热***需求负荷值确定蒸汽供热***的最优运行策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311082729.3A CN117273195A (zh) | 2023-08-25 | 2023-08-25 | 一种蒸汽供热***需求负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311082729.3A CN117273195A (zh) | 2023-08-25 | 2023-08-25 | 一种蒸汽供热***需求负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117273195A true CN117273195A (zh) | 2023-12-22 |
Family
ID=89211355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311082729.3A Pending CN117273195A (zh) | 2023-08-25 | 2023-08-25 | 一种蒸汽供热***需求负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273195A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611241A (zh) * | 2024-01-24 | 2024-02-27 | 天津能源投资集团有限公司 | 一种用于精准供热的负荷预测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与*** |
| CN111520809A (zh) * | 2020-03-09 | 2020-08-11 | 华电电力科学研究院有限公司 | 基于热网热负荷预测的热电联产耦合供热负荷调节方法及*** |
| CN111626003A (zh) * | 2020-05-19 | 2020-09-04 | 西安建筑科技大学 | 一种供暖***热负荷分层预测方法、存储介质及预测设备 |
| CN113606634A (zh) * | 2021-07-01 | 2021-11-05 | 华能国际电力股份有限公司上安电厂 | 一种基于长输管网优化热源运行参数的热源保障*** |
| CN116592417A (zh) * | 2023-04-23 | 2023-08-15 | 代傲表计（济南）有限公司 | 基于负荷预测的集中供热***优化控制方法及*** |
-
2023
- 2023-08-25 CN CN202311082729.3A patent/CN117273195A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与*** |
| CN111520809A (zh) * | 2020-03-09 | 2020-08-11 | 华电电力科学研究院有限公司 | 基于热网热负荷预测的热电联产耦合供热负荷调节方法及*** |
| CN111626003A (zh) * | 2020-05-19 | 2020-09-04 | 西安建筑科技大学 | 一种供暖***热负荷分层预测方法、存储介质及预测设备 |
| CN113606634A (zh) * | 2021-07-01 | 2021-11-05 | 华能国际电力股份有限公司上安电厂 | 一种基于长输管网优化热源运行参数的热源保障*** |
| CN116592417A (zh) * | 2023-04-23 | 2023-08-15 | 代傲表计（济南）有限公司 | 基于负荷预测的集中供热***优化控制方法及*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611241A (zh) * | 2024-01-24 | 2024-02-27 | 天津能源投资集团有限公司 | 一种用于精准供热的负荷预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
| CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测*** | |
| CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| 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 | |
| CN110796307A (zh) | 一种综合能源***分布式负荷预测方法及*** | |
| CN117273195A (zh) | 一种蒸汽供热***需求负荷预测方法 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN116008714B (zh) | 一种基于智能量测终端的反窃电分析方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和*** | |
| CN117932501B (zh) | 一种电能表运行状态管理方法和*** | |
| CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组*** | |
| CN116887569A (zh) | 一种数据中心能耗预测和节能调节方法、***及存储介质 | |
| CN113297799A (zh) | 一种基于数据驱动的空调集群负荷需求响应潜力评估方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
| CN111950165B (zh) | 典型环境下的电能表可靠性分析方法 | |
| CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
| CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN117332288A (zh) | 一种建筑节能技术评估***及方法 | |
| CN112465215A (zh) | 一种分布式能源用户侧冷热电短期负荷预测方法及*** | |
| CN107832928B (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
| CN110796392A (zh) | 一种连续批智能电能表的分阶段与分层抽样方法 |
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 |