CN104778503A - 一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法 - Google Patents

Abstract

本发明公开了一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，包括步骤S1，采用皮尔森相关系数公式计算温度、湿度、风速和降雨量与空调负荷量的相关性，选取强线性相关的参数作为公共楼宇空调短期负荷基线预测时考虑的实时气象因素；步骤S2，分别计算预测日及其前两个月内每日的温湿度指数THI和加权温湿度指数WTHI，依此选取预测日的典型相似日；步骤S3，采用BP神经网络方法计算预测日24小时的空调负荷值。本发明可运用到全国范围内各公共楼宇空调短时基线负荷预测，可以为典型公共楼宇空调负荷参与电网负荷调控提供理论支持和数据支撑。

Description

一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法

技术领域

本发明涉及一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，适用于进行全国范围内大规模公共楼宇空调短时基线负荷预测，属于电力负荷预测技术领域。

背景技术

我国电网夏季空调负荷已占尖峰负荷的30％左右。空调负荷主要集中于夏季用电高峰时段，且年均持续时间仅数百小时，但它对电网的安全、经济运行影响极大。冬季负荷高峰中，空调也扮演了重要角色。在商业用户用电负荷中，空调负荷占有较大比重，调整空调负荷对于改变商业用户负荷曲线、实现电网削峰填谷具有重要意义。同时商业用户负荷可控性较大，具有实现智能用电的巨大潜力。合理控制空调温度和削峰填谷紧密连接在一起。为了对空调负荷特性作进一步的实质性的分析研究，探讨应对空调负荷过快增长的有效措施，综合考虑各地电网与电力供应的实际情况，决定开展基于需求响应的中央空调负荷调控技术研究。但是，由于经济和技术因素的影响，中国的一些地区的空调负荷没有办法精确得到，而空调的基线负荷数据也是空调参与电网调度的重要参数。目前，国内外还没有关于如何进行设计及实时气象因素的公共楼宇空调短时基线负荷预测方法方面的专利和文献。

发明内容

针对现有技术存在的不足，本发明目的是提供一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，该方法可以在全国范围内，利用当地的实时气象值方便地计算出公共楼宇空调短时基线负荷预测值。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明的一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，包括以下几个步骤：

(S1)采用皮尔森相关系数公式计算气象影响因素中平均温度、平均湿度、平均风速和平均降雨量与平均空调负荷的相关性；然后选取强线性相关的参数，即平均温度和平均湿度，并将平均温度和平均湿度作为公共楼宇空调短时基线负荷预测时考虑的实时气象因素；

(S2)计算当地两个月的每日的温湿度指数THI；并将当天、昨天、前天的温湿度指数THI进行加权，得到考虑温度和湿度累积效应的每日的加权温湿度指数WTHI；计算预测日前两个月内每日的加权温湿度指数WTHI与预测日的加权温湿度指数WTHI的误差绝对值，选取误差绝对值最小的N天作为预测日的典型相似日，并按日期排序为1至N天，作为BP神经网络的输入预测的典型相似日；其中，N为正整数且为4的倍数；

(S3)基于确定的N个典型相似日，采用BP神经网络算法，将第1天至第3天的加权温湿度指数WTHI和1至24小时的空调负荷量以及第4天的加权温湿度指数WTHI作为BP神经网络的76个输入量，将第4天的1至24小时的空调负荷量作为BP神经网络的24个输出量，依此循环，形成N-3组训练样本集，训练该BP神经网络；然后，采用训练好的神经网络，输入第N-2天至第N天的加权温湿度指数WTHI和1至24小时的空调负荷值以及预测日的加权温湿度指数WTHI，则24个输出即为预测日的1至24小时的每小时的平均空调负荷值；最后将平均空调负荷值与实际空调负荷值进行对比，计算误差。

步骤(S1)中，所述皮尔森相关系数公式如下：

$r=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})\left(y_{i-}\stackrel{\‾}{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}$

其中，x_i分别表示当天某小时的温度、湿度、风速或降雨量的平均值，y_i分别表示该公共楼宇当天某小时总空调负荷值，n表示当天的小时数，表示当天温度、湿度、风速或降雨量的平均值，表示该公共楼宇当天总空调负荷的平均值；

根据上述公式对气象影响因素进行排序，得到和空调负荷强相关的气象影响因素，即平均温度、平均湿度。

步骤(S2)中，当地两个月的每日的温湿度指数THI计算方法如下：首先计算当地两个月的每日的平均温度、平均湿度，然后再计算当地两个月的每日的温湿度指数THI，

所述温湿度指数THI的算法公式如下：

$\mathrm{THI}=T_d+\frac{1450.8(T_d+235)}{4030-(T_d+235)\ln H_l}-43.4$

其中，中T_d为每日的平均摄氏温度，H_l为每日的平均百分比湿度。

步骤(S2)中，每日的加权温湿度指数WTHI的计算方法如下：

WTHI＝(10×THI₀+4THI_-1+THI_-2)/15

其中，THI₀、THI_-1、THI_-2分别为每日当天、昨天和前天的温湿度指数。

本发明的原理是选取强线性相关的参数作为公共楼宇空调短期负荷基线预测时考虑的实时气象因素，计算预测日及其前两个月内每日的温湿度指数THI和加权温湿度指数WTHI，依此选取预测日的典型相似日，基于此，再采用BP神经网络计算得到预测日的1至24小时的空调负荷值。

本发明中采用的加权温湿度指数WTHI，考虑了相似日的温度，进而湿度对负荷的累积效应。而且本发明采用BP神经网络算法，综合考虑了当地的气象数据，例如温度、湿度因素，BP神经网络算法的训练网络的输入量由典型相似日的加权温湿度指数WTHI和24个小时的空调负荷值组成，因此神经网络训练综合考虑了温湿度值与空调负荷值的关系，因此，本发明可同时适用于公共楼宇空调短时基线负荷预测的情况，并且便于实际的工程应用。

本发明的优点在于：

(1)考虑的采样地区的实时气象因素，采用了皮尔森相关系数公式计算每日的温度、湿度、风速和降雨量这些气象参数与每日空调负荷的相关性，提高了预测的准确性和合理性。

(2)多个相似日的选取主要根据每日的加权温湿度指数WTHI，首先对预测日所在地区两个月平均温度和平均湿度进行计算，得到每日的温湿度指数THI，在此基础上，再对从第三天开始计算当天、昨天、前天的THI指标进行加权，就可以得到一个考虑温度和湿度累积效应的加权温湿度指数WTHI。把两个月的加权温湿度指数排序，并根据加权温湿度指数选出N个相似日，并按日期排序1至N天，相似日的选择考虑了综合气象指数对短期负荷的累积效应，进一步提高了短期负荷基线预测的准确性。

(3)采用的BP神经网络算法，训练网络的输入层的神经元为相似日的N天的1至24小时的空调负荷平均值以及每日的考虑温湿度因素的加权温湿度指数WTHI，并对输入量进行循环训练，再采用训练好的神经网络，得到预测日的1至24小时的每小时平均空调负荷值，本方法易于操作，适合于实际的工程应用。

附图说明

图1为本发明的一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法的工作流程图；

图2为公共楼宇空调短时基线负荷预测的典型相似日选取方法工作流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

本发明的一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，其方法流程如图1所示包括：

步骤S1，采用皮尔森相关系数公式计算每日的温度、湿度、风速和降雨量等气象参数与每日的空调负荷量的相关性，选取强线性相关的参数作为公共楼宇空调负荷基线预测时考虑的实时气象因素。

步骤S2，计算当地两个月的每日的温湿度指数THI，并将当天、昨天、前天的THI指标进行加权，得到考虑温度和湿度累积效应的加权温湿度指数WTHI，并依此选取预测日的相似日。

步骤S3，采用BP神经网络方法计算预测日24小时的空调负荷值。

本发明可运用到全国范围内各公共楼宇空调短时基线负荷预测，可以为典型公共楼宇空调负荷参与电网负荷调控提供理论支持和数据支撑，将对中国电力负荷预测技术的发展做出贡献。

具体的实施过程分为以下3步：

(S1)针对公共楼宇空调短时基线负荷预测，考虑温度、湿度、风速和降雨量等实时气象参数对大规模空调负荷量的影响，采用皮尔森相关系数计算其相关性，通过计算皮尔森相关系数得知温度、湿度与大规模空调平均负荷值具有强相关性，为了保证将被估计大规模空调负荷基线负荷值数据值的准确度，综合考虑了温湿度对负荷的影响。

皮尔森相关系数(一般简称为样本相关系数)为样本共变异数除以的标准差与的标准差之乘积。r的绝对值越大表明相关性越强，空调负荷和气候息息相关，通过皮尔森系数计算温度、湿度、风速、降雨量等与空调负荷的相关性，公式如下；

$r=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})\left(y_{i-}\stackrel{\‾}{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}$

其中，x_i表示每小时的平均温度值、每小时的平均湿度值、每小时的平均风速值、每小时的平均值降雨量，y_i表示一天24小时每小时的空调平均负荷值。

根据上述公式对气象影响因素进行排序，得到和空调负荷强相关的气象影响因素，为计算相似日的选取做准备。

(S2)根据每日的加权温湿度指数WTHI，来选取预测日的相似日，具体实施流程如图2所示，包括：步骤(a)，计算预测日及其前两个月内每日的温湿度指数THI；步骤(b)，计算预测日及其前两个月内每日的加权温湿度指数WTHI；步骤(c)，计算预测日两个月内每日的加权温湿度指数WTHI与预测日加权温湿度指数WTHI的误差绝对值，选取典型相似日。

步骤(a)中，由步骤S1可知，大规模空调基线负荷主要受气象因素中的温度、湿度、降雨量参数的影响，其中温湿度影响最大，因此首先计算近两个月的当地每日平均温度、平均湿度，再计算两个月每日的温湿度指数。

温湿度指数THI的算法公式如下：

$\mathrm{THI}=T_d+\frac{1450.8(T_d+235)}{4030-(T_d+235)\ln H_l}-43.4$

其中，中T_d为每日的平均摄氏温度，H_l为每日的平均百分比湿度。

步骤(b)中，计算每日当天的温湿度指数、昨天的温湿度指数和前天温湿度指数进行加权平均，公式如下

WTHI＝(10×THI₀+4THI_-1+THI_-2)/15

其中，THI₀，THI_-1，THI_-2分别为当天、昨天和前天的温湿度指数。这样，由THI到WTHI的加权组合，综合体现了历史气象因素如温度、湿度对公共楼宇空调短时基线负荷的影响，降低了某个时间段对空调负荷的影响，使得温度和湿度对负荷的影响效果体现的更明显。

步骤(c)中，计算预测日前两个月内每日的加权温湿度指数WTHI与预测日的加权温湿度指数WTHI的误差绝对值，选取误差绝对值最小的20天作为预测日的典型相似日，并按日期排序为1至20天。

(S3)采用BP神经网络预测预测日的公共楼宇空调短时基线负荷，首先计算所选取的20个典型相似日及预测日的公共楼宇空调1至24小时的负荷值；再将第1天至第3天的加权温湿度指数WTHI和1至24小时的空调负荷量以及第4天的加权温湿度指数WTHI作为BP神经网络的76个输入量，将第4天的1至24小时的空调负荷量作为BP神经网络的24个输出量，依此循环，形成17组训练样本集，训练该BP神经网络；然后采用训练好的神经网络，输入第18天至第20天的加权温湿度指数WTHI和1至24小时的空调负荷值以及预测日的加权温湿度指数WTHI，24个输出即为预测日的1至24小时的空调负荷值；最后，将预测出的空调负荷值和实际历史数据进行对比，计算该预测方法的误差率。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，其特征在于，包括以下几个步骤：

(S1)采用皮尔森相关系数公式计算气象影响因素中平均温度、平均湿度、平均风速和平均降雨量与平均空调负荷的相关性；然后选取强线性相关的参数，即平均温度和平均湿度，并将平均温度和平均湿度作为公共楼宇空调短时基线负荷预测时考虑的实时气象因素；

(S2)计算当地两个月的每日的温湿度指数THI；并将当天、昨天、前天的温湿度指数THI进行加权，得到考虑温度和湿度累积效应的每日的加权温湿度指数WTHI；计算预测日前两个月内每日的加权温湿度指数WTHI与预测日的加权温湿度指数WTHI的误差绝对值，选取误差绝对值最小的N天作为预测日的典型相似日，并按日期排序为1至N天，作为BP神经网络的输入预测的典型相似日；

(S3)基于确定的N个典型相似日，采用BP神经网络算法，将第1天至第3天的加权温湿度指数WTHI和1至24小时的空调负荷量以及第4天的加权温湿度指数WTHI作为BP神经网络的76个输入量，将第4天的1至24小时的空调负荷量作为BP神经网络的24个输出量，依此循环，形成N-3组训练样本集，训练该BP神经网络；然后，采用训练好的神经网络，输入第N-2天至第N天的加权温湿度指数WTHI和1至24小时的空调负荷值以及预测日的加权温湿度指数WTHI，则24个输出即为预测日的1至24小时的每小时的平均空调负荷值；最后将平均空调负荷值与实际空调负荷值进行对比，计算误差。

2.根据权利要求1所述的考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，其特征在于，步骤(S1)中，所述皮尔森相关系数公式如下：

其中，x_i分别表示当天某小时的温度、湿度、风速或降雨量的平均值，y_i分别表示该公共楼宇当天某小时总空调负荷值，n表示当天的小时数，表示当天温度、湿度、风速或降雨量的平均值，表示该公共楼宇当天总空调负荷的平均值；

根据上述公式对气象影响因素进行排序，得到和空调负荷强相关的气象影响因素，即平均温度、平均湿度。

3.根据权利要求1所述的考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，其特征在于，步骤(S2)中，当地两个月的每日的温湿度指数THI计算方法如下：首先计算当地两个月的每日的平均温度、平均湿度，然后再计算当地两个月的每日的温湿度指数THI，

所述温湿度指数THI的算法公式如下：

$\mathrm{THI}=T_d+\frac{1450.8(T_d+235)}{4030-(T_d+235)\ln H_l}-43.4$

其中，中T_d为每日的平均摄氏温度，H_l为每日的平均百分比湿度。

4.根据权利要求1所述的考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，其特征在于，

步骤(S2)中，每日的加权温湿度指数WTHI的计算方法如下：

WTHI＝(10×THI₀+4THI_-1+THI_-2)/15

其中，THI₀、THI_-1、THI_-2分别为每日当天、昨天和前天的温湿度指数。