CN108053064A - 一种电蓄冷负荷预测方法 - Google Patents

Abstract

本发明提供一种电蓄冷负荷预测方法，包括如下步骤：采集数据，数据包括日期、时间点和负荷大小；运用CensusX12季节调整方法对数据进行趋势分解，分解得到趋势项、季节周期项和不规则项；利用GM(1，1)灰色模型分别对趋势项、季节周期项和不规则项进行负荷预测；将趋势项、季节周期项和不规则项的负荷预测值进行汇总处理。本发明的有益效果是能够提前24小时准确地预测冷负荷，解决第二天负荷情况无法准确预测，夜间蓄冰量不能很好的掌握，造成冰量残留较多，白天融冰不足等问题。

Description

一种电蓄冷负荷预测方法

技术领域

本发明属于负荷预测技术领域，尤其是涉及一种电蓄冷负荷预测方法。

背景技术

目前我国总电力装机容量和每年发电量已经跃居世界第二位，电力供应紧张形式有所缓解。但是，考虑到我国人均电量水平，仍处于世界较低水平，再加上未来经济还将高速发展，这会带来更大的电力需求压力，我国的电力供应形势仍不乐观。明显的矛盾是电网在白天用电高峰期间电力不足，而在夜间至清晨用电低谷时段，供大于求。电网峰、谷负荷差最大时可达到35％以上，因此经常出现白天拉闸限电、夜间有电没人用的现象，这样每年有1200亿kWh的电被浪费，电力供需矛盾明显。电力负荷分布不均导致电力设备的装机容量越来越多和运行效率却下降明显，加大了供电成本。因此，只考虑扩大装机容量，缺电问题还是不能从根本上得到解决。“移峰填谷”减少供电量，削减电力建设投入，是改善电力需求与供给矛盾方法中最有效的。

空调系统消耗电能大，峰值冷负荷几乎与城市用电高峰同步，加剧了峰谷电力供给的不平衡，峰值电量供应不足的矛盾明显突出。经调查：政府机构、科学研究院所，文化，公共卫生，艺术，教育等商业用电行业是构成电力高峰负荷的主要行业。当前，我国城镇建筑夏季空调电力需求占总用需求的40％。随着经济的发展，这一比例还将上升。由于用户的要求限制了更高的用电价格，这让电力削峰填谷变得越来越重要。此外，即使在供电充足的情况下也可以采用“移峰填谷”的技术手段。

冰蓄冷技术是指利用水的显热和相变潜热蓄热能力，在电力低谷段，使制冷机组在制冰工况下满负荷下运行，根据水的相变迁移特性，将建筑物的全部或部分冷负荷以冰的形式储存在冰槽。在电力高峰期，进行融冰释冷将储存的冷量释放出来满足冷负荷需求。和常规的空调系统相比，冰蓄冷空调系统具有诸多优势，比如1、减小电网的峰谷差，提高发电侧的发电效率，减少能源浪费，2、减少烟尘和温室气体的排放量，具有较好的减排效益等。

由于冰蓄冷技术较常规空调系统有以上的一些优势，在欧美发达国家，由政府部门和电力公司的积极倡导和推广，冰蓄冷技术得到快速发展，出现了大量的工程案例，对于“移峰填谷”、平衡电网起到了重要的作用。

大量利好的用电优惠政策出台，使得冰蓄冷技术的遇到了良好的发展机会。随着《中华人民共和国节约能源法》的公布施行，冰蓄冷系统的控制问题、运行优化、负荷预测问题得到了广泛关注。冰蓄冷空调系统的经济技术分析应通过系统运行优化控制和全年能耗分析，来提高其经济性目的，而不是仅通过工况设计来判断经济性能。如何优化运行才能实现系统最节约合理，在常规的控制策略中并无法让系统真正实现最为经济有效地应用，而冰蓄冷系统的优化控制能够使制冷机组的运行和蓄冰装置的蓄冰/融冰达到合理分配与管理，将冰蓄冷系统的运行费用降到最低。这些优势能够使得冰蓄冷技术得到越来越多的重视，并将为冰蓄冷技术的推广起到重要的作用，其前提是提前24小时准确地预测冷负荷。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种电蓄冷负荷预测方法，能够提前24小时准确地预测冷负荷，准确控制夜间蓄冰量。

为解决上述技术问题，本发明采用的技术方案是：一种电蓄冷负荷预测方法，包括如下步骤：采集数据，所述数据包括日期、时间点和负荷大小；运用CensusX12季节调整方法对所述数据进行趋势分解，分解得到趋势项、季节周期项和不规则项；利用GM(1，1)灰色模型分别对所述趋势项、所述季节周期项和所述不规则项进行负荷预测；将所述趋势项、所述季节周期项和所述不规则项的负荷预测值进行汇总处理。

进一步的，所述数据基于如下要求进行采集：所述数据采集时间为至少四个连续空调日。

进一步的，所述数据基于如下等式进行季节调整：

Y_t＝TC_t×S_t×I_t

式中，Y_t表示一个无奇异值的月度时间序列，TC_t表示所述趋势项，S_t表示所述季节周期项，I_t表示所述不规则项。

进一步的，所述运用CensusX12季节调整方法对所述数据进行趋势分解的步骤具体为：

(1)季节调整的初始计算：

①通过中心化12项移动计算平均趋势项的初始估计

TC_t＝(0.5Y_t-6+Y_t-5+…+Y_t+Y_t+5+0.5Y_t+6)/12，

②计算SI项的初始估计

SI_t＝Y_t/TC_t；

③通过3×3移动平均计算季节周期项的初始估计

^S_t＝(SI_t-24+2SI_t-12+3SI_t+2SI_t+12+SI_t+24)/9

④消除季节周期项中的残余趋势

S_t ⁽¹⁾＝^S_t ⁽¹⁾-(^S_t-6 ⁽¹⁾+2^S_t-5 ⁽¹⁾+…+2^S_t+5 ⁽¹⁾+^S_t+6 ⁽¹⁾)/24，

⑤季节调整结果的初始估计

TCI_t＝Y_t/S_t；

(2)计算暂定的趋势项和最终的季节周期项

①利用Henderson移动平均公式计算暂定的趋势项

②计算暂定的SI项

SI_t＝Y_t/TC_c

③通过3×5项移动平均计算暂定的季节周期项

^S_t＝(SI_t-36+2SI_t-24+3SI_t-12+3SI_t+3SI_t-12+2SI_t+24+SI_t+36)/15

④计算最终的季节周期项

S_t＝^S_t-(^S_t-6+2S_t-5+…+2S_t+5+SI_t+6)/24

⑤季节调整的第二次估计结果

TCI_t＝Y_t/S_t

(3)计算最终的趋势项和最终的不规则项：

①利用Henderson移动平均公式计算最终的趋势项

②计算最终的不规则项

I_t＝TCI_t/TC_t。

进一步的，所述汇总处理基于如下等式进行：

^Y_t＝^TC_t×^S_t×^I_t

式中，^Y_t表示一个无奇异值的月度时间序列的预测值，^TC_t表示趋势项预测值，^S_t表示季节周期项预测值，^I_t表示所述不规则项预测值。

与现有技术相比，本发明具有的优点和积极效果是：由于采用上述技术方案，能够提前24小时准确地预测冷负荷，解决第二天负荷情况无法准确预测，夜间蓄冰量不能很好的掌握，造成冰量残留较多，白天融冰不足等问题。

用户可在预测到负荷小的日子，电力低谷时间只储存供足够下一天使的蓄冷量，而不是全蓄满，第二天采用融冰单供冷运行。在预测到负荷大的日子，夜间把蓄冰槽全部蓄满，白天通过优化运行合理地调整各小时主机和蓄冰槽的供冷量，使供冷结束时蓄冰槽的冷量不仅全部用完，而且全天的运行费用最低，将冰蓄冷系统的运行费用降到最低。

附图说明

图1是本发明的工作流程图；

图2是本发明的原始负荷时间序列示意图图；

图3是本发明的季节调整趋势项示意图；

图4是本发明的季节调整周期项示意图；

图5是本发明的季节调整不规则项示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明的一部分实施例，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获得的所有其他实施例，都属于本发明保护的范围。应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”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，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本实施例提供一种电蓄冷负荷预测方法，其特征在于：包括如下步骤：

步骤1：采集数据，数据包括日期、时间点和负荷大小。

数据基于如下要求进行采集：数据采集时间为至少四个连续空调日，空调日使用空调的日期。时间点要求位数据采集时间的同一时间点，负荷大小要求为数据采集时间同一时间点的负荷。

步骤2：运用CensusX12季节调整方法对数据进行趋势分解，分解得到趋势项、季节周期项和不规则项。

数据基于如下等式进行季节调整：

Y_t＝TC_t×S_t×I_t

式中，Y_t表示一个无奇异值的月度时间序列，TC_t表示趋势项，S_t表示季节周期项，I_t表示不规则项。

运用CensusX12季节调整方法对数据进行趋势分解的步骤具体为：

(1)季节调整的初始计算：

①通过中心化12项移动计算平均趋势项的初始估计

TC_t＝(0.5Y_t-6+Y_t-5+…+Y_t+Y_t+5+0.5Y_t+6)/12，

中心化移动平均：考虑消除季节变动，对月度数据进行12个月移动平均。取连续的两个移动平均值的平均值作为该月的值。假设：

MA_6.5＝(y₁+y₂+…+y₁₂)/12

MA_7.5＝(y₂+y₃+…+y₁₃)/12

因为12是偶数，可以通过求平均值达到中心化，即中心化移动平均值为：

整理得到：

②计算SI项的初始估计

SI_t＝Y_t/TC_t；

③通过3×3移动平均计算季节周期项的初始估计

^S_t＝(SI_t-24+2SI_t-12+3SI_t+2SI_t+12+SI_t+24)/9

④消除季节周期项中的残余趋势

S_t ⁽¹⁾＝^S_t ⁽¹⁾-(^S_t-6 ⁽¹⁾+2^S_t-5 ⁽¹⁾+…+2^S_t+5 ⁽¹⁾+^S_t+6 ⁽¹⁾)/24

⑤季节调整结果的初始估计

TCI_t＝Y_t/S_t；

(2)计算暂定的趋势项和最终的季节周期项

①利用Henderson移动平均公式计算暂定的趋势项

②计算暂定的SI项

SI_t＝Y_t/TC_c

③通过3×5项移动平均计算暂定的季节周期项

^S_t＝(SI_t-36+2SI_t-24+3SI_t-12+3SI_t+3SI_t-12+2SI_t+24+SI_t+36)/15

④计算最终的季节周期项

S_t＝^S_t-(^S_t-6+2S_t-5+…+2S_t+5+SI_t+6)/24

⑤季节调整的第二次估计结果

TCI_t＝Y_t/S_t

(3)计算最终的趋势项和最终的不规则项：

①利用Henderson移动平均公式计算最终的趋势项

②计算最终的不规则项

I_t＝TCI_t/TC_t。

步骤3：利用GM(1，1)灰色模型分别对趋势项、季节周期项和不规则项进行负荷预测。

将数据进行趋势分解处理后，利用GM(1，1)灰色模型进行负荷预测。

首先将系统原始序列进行累加，得到近似指数规律的累加生成序列，然后基于累加生成序列的灰指数率，建立微分方程和差分方程，并求解得到累加生成数列的拟合值和预测值，最后通过累减还原得到原始时间序列的拟合值和预测值。

①设原始非负序列为：

X⁽⁰⁾＝{X⁽⁰⁾(1),X⁽⁰⁾(2),…X⁽⁰⁾(n),}

对X⁽⁰⁾做一次累加，得到生成数列

X⁽¹⁾＝{X⁽¹⁾(1),X⁽¹⁾(2),…X⁽¹⁾(n),}

其中：

X⁽¹⁾(k)的GM(1，1)模型白化形式的微分方程为

其中：a，b为待定系数。将该公式离散化，得到：

△⁽¹⁾(x⁽¹⁾(k+1))+az⁽¹⁾(k+1)＝b

其中，△⁽¹⁾(x⁽¹⁾(k+1))为x⁽¹⁾在k+1时刻的累加生成序列；z⁽¹⁾(k+1)为在k+1时刻的背景值。

换算得到：

令 为待辨识参数

最终整理后得到：

当k≤n时，^x⁽⁰⁾(k)为模型拟合值；k>n时^x⁽¹⁾(k)为模型预测值。

步骤4：将趋势项、季节周期项和不规则项的负荷预测值进行汇总处理。

汇总处理基于如下等式进行：

^Y_t＝^TC_t×^S_t×^I_t

式中，^Y_t表示一个无奇异值的月度时间序列的预测值，^TC_t表示趋势项预测值，^S_t表示季节周期项预测值，^I_t表示不规则项预测值。

下面以某商场的历史空调负荷进行为例进行预测研究分析。

1)历史冷负荷样本数据采集

如图2所示，在2015年7月1─2015年7月5期间，以某商厦空调负荷数据为样例进行了研究，该商厦总建筑面积187500m²，地上层数共24层，地下层数为1层。7层采用多联机系统进行夏季供冷，本文的预测对象为建筑物的-1～6层和8～24层，这些楼层采用冰蓄冷空调系统进行夏季供冷。系统设计日最大冷负荷为20462k W，设计日负荷为234007k W.h。

2)利用Census X12季节调整程序进行趋势分解

将上述5天连续的空调负荷数据运用Census X12进行趋势分解。

①趋势项结果如图3所示，指标反映了时间序列的整体变化趋势。从图中可以看到该项指标反映了原始时间序列中呈现的负荷整体减小趋势。

②周期项结果如图4所示，该指标将原始时间序列中的周期性性变化规律很好的呈现出来，可以看到对应时刻的周期因子相同，因此该指标的预测较为简单，前一天的周期性因子完全可以作为次日的预测值使用。

③不规则项具体结果如图5所示，由图中看出不规则项杂乱无章，完全无规律可寻，遵循近期值的可靠性大于远期值的可靠性原则，取近期值作为该项的预测值。

3)运用GM(1,1)灰色模型进行预测

对分解出的三类趋势项数据采用GM(1,1)灰色模型进行预测。趋势项的预测结果如表1所示：

表1趋势项的预测值(^TC)

时间	9	10	11	12	13	14	15	16	17	18	19	20
													TC	7500	7460	7418	7378	7338	7298	7258	7218	7179	7140	7101	7062

周期项的预测值如表2：

表2季节周期的预测值(^S)

时间	9	10	11	12	13	14	15	16	17	18	19	20
													S	0.09	0.49	0.67	1.04	1.02	1.07	1.17	1.27	1.34	1.15	1.22	1.46

不规则项的预测值如表3：

表3不规则项的预测值(^I)

时间	9	10	11	12	13	14	15	16	17	18	19	20
													I	0.98	0.94	1.02	1.02	1.03	0.96	1	1.02	1	0.97	1.04	0.98

4)根据“^Yt＝^TCt×^St×^It”算法，得到冷负荷的总预测值

所以某商厦，7月6号的空调负荷预测结果如表4所示：

表4冷负荷预测值

本发明的有益效果是：由于采用上述技术方案，能够提前24小时准确地预测冷负荷，解决第二天负荷情况无法准确预测，夜间蓄冰量不能很好的掌握，造成冰量残留较多，白天融冰不足等问题。

用户可在预测到负荷小的日子，电力低谷时间只储存供足够下一天使的蓄冷量，而不是全蓄满，第二天采用融冰单供冷运行。在预测到负荷大的日子，夜间把蓄冰槽全部蓄满，白天通过优化运行合理地调整各小时主机和蓄冰槽的供冷量，使供冷结束时蓄冰槽的冷量不仅全部用完，而且全天的运行费用最低，将冰蓄冷系统的运行费用降到最低。

以上对本发明的一个或多个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (5)

1.一种电蓄冷负荷预测方法，其特征在于：包括如下步骤：

采集数据，所述数据包括日期、时间点和负荷大小；

运用CensusX12季节调整方法对所述数据进行趋势分解，分解得到趋势项、季节周期项和不规则项；

利用GM(1，1)灰色模型分别对所述趋势项、所述季节周期项和所述不规则项进行负荷预测；

将所述趋势项、所述季节周期项和所述不规则项的负荷预测值进行汇总处理。

2.根据权利要求1所述的电蓄冷负荷预测方法，其特征在于：所述数据基于如下要求进行采集：所述数据采集时间为至少四个连续空调日。

3.根据权利要求1所述的电蓄冷负荷预测方法，其特征在于：所述数据基于如下等式进行季节调整：

Y_t＝TC_t×S_t×I_t

式中，Y_t表示一个无奇异值的月度时间序列，TC_t表示所述趋势项，S_t表示所述季节周期项，I_t表示所述不规则项。

4.根据权利要求1所述的电蓄冷负荷预测方法，其特征在于：所述运用CensusX12季节调整方法对所述数据进行趋势分解的步骤具体为：

(1)季节调整的初始计算：

①通过中心化12项移动计算平均趋势项的初始估计

TC_t＝(0.5Y_t-6+Y_t-5+…+Y_t+Y_t+5+0.5Y_t+6)/12，

②计算SI项的初始估计

SI_t＝Y_t/TC_t；

③通过3×3移动平均计算季节周期项的初始估计

^S_t＝(SI_t-24+2SI_t-12+3SI_t+2SI_t+12+SI_t+24)/9

④消除季节周期项中的残余趋势

S_t ⁽¹⁾＝^S_t ⁽¹⁾-(^S_t-6 ⁽¹⁾+2^S_t-5 ⁽¹⁾+…+2^S_t+5 ⁽¹⁾+^S_t+6 ⁽¹⁾)/24，

⑤季节调整结果的初始估计

TCI_t＝Y_t/S_t；

(2)计算暂定的趋势项和最终的季节周期项

①利用Henderson移动平均公式计算暂定的趋势项

<mrow> <msub> <mi>TC</mi> <mi>t</mi> </msub> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mi>H</mi> </mrow> <mi>H</mi> </msubsup> <msubsup> <mi>h</mi> <mi>j</mi> <mrow> <mo>(</mo> <mn>2</mn> <mi>H</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <msub> <mi>TCI</mi> <mrow> <mi>t</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> </mrow>

②计算暂定的SI项

SI_t＝Y_t/TC_c

③通过3×5项移动平均计算暂定的季节周期项

^S_t＝(SI_t-36+2SI_t-24+3SI_t-12+3SI_t+3SI_t-12+2SI_t+24+SI_t+36)/15

④计算最终的季节周期项

S_t＝^S_t-(^S_t-6+2S_t-5+…+2S_t+5+SI_t+6)/24

⑤季节调整的第二次估计结果

TCI_t＝Y_t/S_t

(3)计算最终的趋势项和最终的不规则项：

①利用Henderson移动平均公式计算最终的趋势项

<mrow> <msub> <mi>TC</mi> <mi>t</mi> </msub> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mo>-</mo> <mi>H</mi> </mrow> <mi>H</mi> </msubsup> <msubsup> <mi>h</mi> <mi>j</mi> <mrow> <mo>(</mo> <mn>2</mn> <mi>H</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <msub> <mi>TCI</mi> <mrow> <mi>t</mi> <mo>+</mo> <mi>j</mi> </mrow> </msub> </mrow>

②计算最终的不规则项

I_t＝TCI_t/TC_t。

5.根据权利要求1所述的电蓄冷负荷预测方法，其特征在于：所述汇总处理基于如下等式进行：

^Y_t＝^TC_t×^S_t×^I_t

式中，^Y_t表示一个无奇异值的月度时间序列的预测值，^TC_t表示趋势项预测值，^S_t表示季节周期项预测值，^I_t表示所述不规则项预测值。