CN108154259A - 热泵的负荷预测方法及装置、存储介质、处理器 - Google Patents
热泵的负荷预测方法及装置、存储介质、处理器 Download PDFInfo
- Publication number
- CN108154259A CN108154259A CN201711213693.2A CN201711213693A CN108154259A CN 108154259 A CN108154259 A CN 108154259A CN 201711213693 A CN201711213693 A CN 201711213693A CN 108154259 A CN108154259 A CN 108154259A
- Authority
- CN
- China
- Prior art keywords
- heat pump
- load
- taiwan area
- temperature information
- rate
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000010438 heat treatment Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000005611 electricity Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000005485 electric heating Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000015654 memory Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 239000003245 coal Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004870 electrical engineering Methods 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010792 warming Methods 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种热泵的负荷预测方法及装置、存储介质、处理器,该方法包括:确定台区的热泵的平均负载率;将台区下的用户分为不同的供暖类型;确定用户在不同的供暖类型中所占的比例;根据获取的台区的室外的历史温度信息预测得到台区的室外的预测温度信息;利用平均负载率、用户在不同的供暖类型中所占的比例以及预测温度信息对热泵的负荷进行预测;其中,对热泵的负荷预测是在供暖季节进行的。通过本发明,解决现有技术中对热泵的负荷预测不准确的问题,达到准确预测热泵的负荷的效果。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种热泵的负荷预测方法及装置、存储介质、处理器。
背景技术
分布式电采暖是我国北方地区实施煤改电工程的主要技术手段之一,通过外送清洁能源所发电能可消除化石能源燃烧所带来的可吸入颗粒物,降低北方采暖季雾霾形成的条件。现有技术中对提供热源的热泵的负荷的预测仅考虑了空调负荷的影响,在农村电网中同时率较高情况下,预测误差较大;现有预测方法的基础数据多来源于监测数据,适用于电网多类型负荷共同工作情况,在局部单一负荷下由于用户具有重复性的行为特征,该类方法容易产生固有误差,缺少对该行为特征的方法修正;现有负荷预测多根据智能方法预测中考虑温度的修正,缺少详细预测模型。
针对上述中存在的对热泵的负荷预测不准确的问题,相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种热泵的负荷预测方法及装置、存储介质、处理器,以至少解决相关技术中对热泵的负荷预测不准确的问题。
根据本发明的一个实施例,提供了一种热泵的负荷预测方法,包括:确定台区的所述热泵的平均负载率;将所述台区下的用户分为不同的供暖类型;确定用户在不同的供暖类型中所占的比例;根据获取的所述台区的室外的历史温度信息预测得到所述台区的室外的预测温度信息;利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测;其中,对所述热泵的负荷预测是在供暖季节进行的。
可选地,确定所述台区的所述热泵的平均负载率包括:获取每个台区的电量信息;根据所述每个台区的电量信息确定所述台区的所述热泵的平均负载率。
可选地,将所述台区下的用户分为不同的供暖类型包括:根据所述台区下的所述用户的用电量确定所述热泵的日间平均负载率和夜间平均负载率;根据所述日间平均负载率和所述夜间平均负载率将所述用户分为不同的供暖类型,其中,所述不同的供暖类型包括:日间型、夜间型、全天型、无电采暖型。
可选地,根据获取的所述台区的室外的历史温度信息预测得到所述台区的室外的预测温度信息包括:通过所述台区下的室外气温采集装置或者数据库获取所述历史温度信息;分别计算不同年份的所述历史温度信息与第一预定时间内的室外温度信息的差值的平方和,并纪录各个平方和中的最小值的日期;将最小值的日期的后一天的温度信息作为所述预测温度信息,或者,在存在多个最小值的情况下,将最接近的日期的后一天的温度信息作为所述预测温度信息。
可选地,利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测包括:利用预设的热泵外特性模型计算的所述热泵的电功率确定所述热泵的负荷的初始值;利用神经网络并根据所述初始值、所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测。
可选地,在利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测后,所述方法还包括:对所述热泵的负荷进行预测的预测值进行极值校验。
可选地,所述热泵为空气源热泵。
根据本发明的另一个实施例,提供了一种热泵的负荷预测装置,包括:第一确定模块,用于确定台区的所述热泵的平均负载率;第一处理模块,用于将所述台区下的用户分为不同的供暖类型;第二确定模块,用于确定用户在不同的供暖类型中所占的比例;第二处理模块,用于根据获取的所述台区的室外的历史温度信息预测得到所述台区的室外的预测温度信息;预测模块,用于利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测;其中,对所述热泵的负荷预测是在供暖季节进行的。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行上述任一项所述的方法。
根据本发明的又一个实施例,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述任一项所述的方法。
通过本发明,由于在进行热泵的负荷预测的过程中,需要确定台区的热泵的平均负载率,并将台区下的用户分为不同的供暖类型,确定用户在不同的供暖类型中所占的比例,根据获取的台区的室外的历史温度信息预测得到台区的室外的预测温度信息;利用平均负载率、用户在不同的供暖类型中所占的比例以及预测温度信息对热泵的负荷进行预测;其中,对热泵的负荷预测是在供暖季节进行的。因此,可以解决现有技术中对热泵的负荷预测不准确的问题,达到准确预测热泵的负荷的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种热泵的负荷预测方法的移动终端的硬件结构框图;
图2是根据本发明实施例的热泵的负荷预测方法的流程图;
图3是根据本发明实施例的采用BP神经网络进行负荷功率预测的示意图;
图4是根据本发明实施例对输出层进行定义的示意图;
图5是根据本发明实施例的对隐含层进行定义的示意图;
图6是根据本发明实施例的预测误差的示意图;
图7是根据本发明实施例的调整的示意图;
图8是根据本发明实施例的热泵的负荷预测装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种热泵的负荷预测方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的热泵的负荷预测方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种热泵的负荷预测方法,图2是根据本发明实施例的热泵的负荷预测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,确定台区的上述热泵的平均负载率;
步骤S204,将上述台区下的用户分为不同的供暖类型;
步骤S206,确定用户在不同的供暖类型中所占的比例;
步骤S208,根据获取的上述台区的室外的历史温度信息预测得到上述台区的室外的预测温度信息;
步骤S210,利用上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测;其中,对上述热泵的负荷预测是在供暖季节进行的。
在本实施例中,上述中的供暖季节可以根据不同的区域的情况进行设定。
通过上述步骤,由于在进行热泵的负荷预测的过程中,需要确定台区的热泵的平均负载率,并将台区下的用户分为不同的供暖类型,确定用户在不同的供暖类型中所占的比例,根据获取的台区的室外的历史温度信息预测得到台区的室外的预测温度信息;利用平均负载率、用户在不同的供暖类型中所占的比例以及预测温度信息对热泵的负荷进行预测;其中,对热泵的负荷预测是在供暖季节进行的。因此,可以解决现有技术中对热泵的负荷预测不准确的问题,达到准确预测热泵的负荷的效果。
可选地,上述步骤的执行主体可以为终端,但不限于此。
可选地,步骤S202、步骤S204和步骤S206的执行顺序是可以互换的。
在一个可选的实施例中,确定上述台区的上述热泵的平均负载率包括:获取每个台区的电量信息;根据上述每个台区的电量信息确定上述台区的上述热泵的平均负载率。在本实施例中,可以先统计所有台区的电量信息,然后求取平均值。增加了统计的准确性。
在一个可选的实施例中,将上述台区下的用户分为不同的供暖类型包括:根据上述台区下的上述用户的用电量确定上述热泵的日间平均负载率和夜间平均负载率;根据上述日间平均负载率和上述夜间平均负载率将上述用户分为不同的供暖类型,其中,上述不同的供暖类型包括:日间型、夜间型、全天型、无电采暖型。在本实施例中,可以将不同类型的用户分开进行统计,也可以综合进行统计。
在一个可选的实施例中,根据获取的上述台区的室外的历史温度信息预测得到上述台区的室外的预测温度信息包括:通过上述台区下的室外气温采集装置或者数据库获取上述历史温度信息;分别计算不同年份的上述历史温度信息与第一预定时间内的室外温度信息的差值的平方和,并纪录各个平方和中的最小值的日期;将最小值的日期的后一天的温度信息作为上述预测温度信息,或者,在存在多个最小值的情况下,将最接近的日期的后一天的温度信息作为上述预测温度信息。在本实施例中,会存在多个相同的最小值的情况,即会存在多个日期,则选择与现在的日期最接近的日期。上述中的数据库可以是互联网上进行统计的数据。
在一个可选的实施例中,利用上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测包括:利用预设的热泵外特性模型计算的上述热泵的电功率确定上述热泵的负荷的初始值;利用神经网络并根据上述初始值、上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测。在本实施例中,综合上述多个信息对负荷进行预测,增加了预测的准确性。
在一个可选的实施例中,在利用上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测后,上述方法还包括:对上述热泵的负荷进行预测的预测值进行极值校验。
在一个可选的实施例中,上述热泵为空气源热泵。上述中的实施例主要的应用场景是空气源热泵,空气源热泵所能达到的有益效果详见下述具体实施例中的描述。
下面结合具体实施例对本发明进行详细说明:
分布式电采暖是我国北方地区实施煤改电工程的主要技术手段之一,通过外送清洁能源所发电能可消除化石能源燃烧所带来的可吸入颗粒物,降低北方采暖季雾霾形成的条件。而目前在北方城市的近郊与远郊,空气源热泵被认为是能效比较高并具有良好推广前景的技术,正在规模化推广,2016年北京煤改电工程补贴空气源热泵15.1万户,占煤改电总户数的76.28%,成为目前煤改电工程中主要的供暖设备,其用电特性对电网的安全经济运行具有显著的影响。
分布式电采暖的负荷特性对所在配电台区变压器的经济性,区域配电网的安全运行具有重要作用,而分布式电采暖的负荷特性主要受温度、用户使用行为与电采暖设备类型的影响,针对规模化空气源热泵其设备特性确定,可将影响因素固定在温度与用户使用行为上,而温度随季节变化具有一定的趋势线,用户行为可分类研究,因此,总体上规模化空气源热泵的负荷特性在受随机性事件扰动的同时具有一定的确定性,通过负荷特性分析可进行负荷预测,对配电网的规划运行控制具有一定意义,可提高新增或改建配电网的前瞻性和负荷裕度合理性,可为运检人员调整运行方式提供依据,是配电网安全经济运行的重要手段。
针对规模化空气源热泵类型的分布式电采暖,可以根据温度变化的趋势性、用电行为的重复性及负荷特性进行预测,重点应是用户行为的分类与特征提取,再此基础上采用现有的负荷预测方法进行预测。
由于规模化空气源热泵为近两年来国内出现的新型负荷,目前尚无专门预测方法的研究,但在空调负荷与周期性变化负荷方面已经开展了相关研究。
相关技术中提出了针对时间序列模型在国际和国内的短期电力负荷预测中的广泛应用,同时考虑气象因素,基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归—滑动平均模型并对回归模型进行修正。最后用广东电力系统的实际负荷数据说明了所发展的短期负荷预测模型的实际预测效果。
相关技术中对配电系统短期负荷预测的周期自回归模型和配电负荷的周期性进行了研究。采用相关分析法对配电负荷的周期特性进行分析,基于配电负荷的时刻相关性分析,挑选出对预测结果起决定性作用的特征输入量,据此提出了改进的配电负荷日周期PAR预测模型。
相关技术中还根据实际调查问卷,将电力商业用户按照用电特性分为5类,分析了各类商业用户在不同电价水平下,用电高峰段、用电平段、用电低谷段3个时段的负荷响应程度,利用概率分布函数预测了各类用户的负荷调整可能值,并应用马尔科夫链建立了不同时段负荷响应预测模型,挖掘了各类商业用户在不同时段的负荷调整潜力,为区域商业用户智能配电及管理提供了决策支持依据。
但现有的预测技术存在以下问题:
1、现有负荷预测方法仅考虑了空调负荷影响,但针对规划化空气源热泵由于缺少对负荷特性建模,在农村电网中同时率较高情况下,预测误差较大;
2、现有预测方法的基础数据多来源于监测数据,适用于电网多类型负荷共同工作情况,在局部单一负荷下由于用户具有重复性的行为特征,该类方法容易产生固有误差,缺少对该行为特征的方法修正;
3、现有负荷预测多根据智能方法预测中考虑温度的修正,而对应规模化空气源热泵该类具有确定电-热关系的温控负荷缺少详细预测模型。
针对上述中的问题,本实施例提出以下方案:
1、本实施例针对空气源热泵运行的负荷特性,建立接入规模化空气源热泵的配变台区负荷等效模型,为进一步负荷预测中温度、用户行为对台区负荷特性的影响分析提供意见;
2、针对农村电采暖家庭用电行为,按全天型、日间型及夜间型分别设计负荷预测方法,并考虑节假日影响,利用负荷较为确定的特征提高预测的针对性与精度;
3、利用空气源热泵的电-热外特性模型,确定电热转化关系,实现温度预测到空气源热泵用电功率预测的准确转化。
本实施例主要包括以下步骤:
1、通过每个台区计量电能表的电量记录,求取台区采暖季平均负载率;
2、通过每个台区下各户网络电能表的电量记录,求取采暖季日间与夜间平均负载率,确定用户为日间型(N1)、夜间型(N2)、全天型(N3)或无电采暖型,并统计每个类型用户数量,并确定日间型、夜间型及全天型各自比例;
3、通过当地室外气温采集装置数据记录或互联网检索数据获取温度历史数据,此处以24小时预测为例进行说明,首先取前一天24小时环境温度数据作为样本,与前n年中采暖季日各时刻求取差值的平方和,对应其中最小值记录其日期,并以该日下一日24小时温度数据作为预测温度数据,如存在差值小于1%的多个最小点,则选取日期最为接近的一天。
4、根据步骤2得出的负荷构成和步骤3预测的温度,由空气源热泵外特性模型计算得到电功率作为初始值,采用BP神经网络进行负荷预测,对预测值进行极值校验。
在步骤1中,假定采暖季起始日第n个用户的电量为Wn1,结束日的电网为Wn2,共m天,共k户,单户额定容量为SN,则平均负载率:
βn=(Wn2-Wn1)/m/SN/k
在步骤2中,日间平均负载率的时段为6:00至18:00,其他时段为夜间。Wdn1i为第i天日间起始时段的电量,Wdn2i为第i天日间结束时段的电量。
Wnn1i为第n个台区第i天夜间起始时段的电量,Wnn2i为第i天夜间结束时段的电量。
针对n个用户,可由下式计算其类型,1表示日间型,0表示夜间型,-1表示全天型。
N1表示日间型用户数、N2表示夜间型用户数、N3表示全天型用户数。
在步骤3中,当前为j天,第j天r时的温度为Tjr,相对与历史上q天的差值平方和为,
搜索范围为n*365+j,假定q天与j天差的平方和最小,则取该天数据为j+1天,由此得到未来24小时预测值。
在步骤4中,由空气源热泵的外特性可根据步骤3预测得到的气温计算得到电功率作为预测的初值,空气源热泵的外特性如下式所示:
Pe=Ω(Tt)PeN
(Tt<Tset∪((t<6,t>21)∩(Tt<Tt_h)),Ω(Tt)=0)
Tt_h为优惠时段温度设定值,Tt为非优惠时段设定值,Ω(Tt)为空气源热泵开关函数,此时的变压器台区总功率为:
在步骤4中以PT为初始值,采用BP神经网络进行负荷功率预测,具体如图3所示。
其中功率数据小时电量平均值,温度为环境温度,输出O为预测值,输入值为实测值,如台区功率,温度。
对于输出层做如图4的定义,对于隐含层做如图5的定义,预测误差为如图6的定义,为使预测误差降低,加入如图7所示的调整,其中,本层输出的误差信号为δ、学习率为η,本层输入信号Y。
在步骤4中,取0.0001作为E收敛条件。
本实施例的有益效果如下:
1、通过计及用户行为特征的规模化空气源热泵负荷预测方法可以显著提高在农村电采暖台区负荷预测的适用性性,提高台区负荷的预测精度,为相关配电网决策提供可靠的依据;
2、大量接入煤改电台区的精准负荷预测可使运检部门有效掌控配电变压器及配电线路运行状态,根据天气变化可及时调整配电网运行方式,提高煤改电这类关系居民冬季取暖特殊负荷的供电保障能力,具有重要的社会效益;
3、大量接入煤改电台区的精准负荷预测可使规划部门全面掌握台区负荷规模及波动特性,对配电变压器扩容、配电线路增设及配电网改造的费用估算具有重要经济效益。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种热泵的负荷预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的热泵的负荷预测装置的结构框图,如图8所示,该装置包括:第一确定模块802、第一处理模块804、第二确定模块806、第二处理模块808以及预测模块810,下面对该装置进行详细说明:
第一确定模块802,用于确定台区的上述热泵的平均负载率;第一处理模块804,连接至上述中的第一确定模块802,用于将上述台区下的用户分为不同的供暖类型;第二确定模块806,连接至上述中的第一处理模块804,用于确定用户在不同的供暖类型中所占的比例;第二处理模块808,连接至上述中的第二确定模块806,用于根据获取的上述台区的室外的历史温度信息预测得到上述台区的室外的预测温度信息;预测模块810,连接至上述中的第二处理模块808,用于利用上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测;其中,对上述热泵的负荷预测是在供暖季节进行的。
在一个可选的实施例中,上述中的第一确定模块802通过以下方式确定上述台区的上述热泵的平均负载率:获取每个台区的电量信息;根据上述每个台区的电量信息确定上述台区的上述热泵的平均负载率。
在一个可选的实施例中,上述中的第一处理模块804通过以下方式将上述台区下的用户分为不同的供暖类型:根据上述台区下的上述用户的用电量确定上述热泵的日间平均负载率和夜间平均负载率;根据上述日间平均负载率和上述夜间平均负载率将上述用户分为不同的供暖类型,其中,上述不同的供暖类型包括:日间型、夜间型、全天型、无电采暖型。
在一个可选的实施例中,上述第二处理模块808通过以下方式根据获取的上述台区的室外的历史温度信息预测得到上述台区的室外的预测温度信息:通过上述台区下的室外气温采集装置或者数据库获取上述历史温度信息;分别计算不同年份的上述历史温度信息与第一预定时间内的室外温度信息的差值的平方和,并纪录各个平方和中的最小值的日期;将最小值的日期的后一天的温度信息作为上述预测温度信息,或者,在存在多个最小值的情况下,将最接近的日期的后一天的温度信息作为上述预测温度信息。
在一个可选的实施例中,上述预测模块810通过以下方式利用上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测:利用预设的热泵外特性模型计算的上述热泵的电功率确定上述热泵的负荷的初始值;利用神经网络并根据上述初始值、上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测。
在一个可选的实施例中,上述装置在利用上述平均负载率、上述用户在不同的供暖类型中所占的比例以及上述预测温度信息对上述热泵的负荷进行预测后,还用于对上述热泵的负荷进行预测的预测值进行极值校验。
在一个可选的实施例中,上述热泵为空气源热泵。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质包括存储的程序,其中,上述程序运行时执行上述任一项上述的方法。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以上各步骤的程序代码。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种处理器,该处理器用于运行程序,其中,该程序运行时执行上述任一项方法中的步骤。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种热泵的负荷预测方法,其特征在于,包括:
确定台区的所述热泵的平均负载率;
将所述台区下的用户分为不同的供暖类型;
确定用户在不同的供暖类型中所占的比例;
根据获取的所述台区的室外的历史温度信息预测得到所述台区的室外的预测温度信息;
利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测;
其中,对所述热泵的负荷预测是在供暖季节进行的。
2.根据权利要求1所述的方法,其特征在于,确定所述台区的所述热泵的平均负载率包括:
获取每个台区的电量信息;
根据所述每个台区的电量信息确定所述台区的所述热泵的平均负载率。
3.根据权利要求1所述的方法,其特征在于,将所述台区下的用户分为不同的供暖类型包括:
根据所述台区下的所述用户的用电量确定所述热泵的日间平均负载率和夜间平均负载率;
根据所述日间平均负载率和所述夜间平均负载率将所述用户分为不同的供暖类型,其中,所述不同的供暖类型包括:日间型、夜间型、全天型、无电采暖型。
4.根据权利要求1所述的方法,其特征在于,根据获取的所述台区的室外的历史温度信息预测得到所述台区的室外的预测温度信息包括:
通过所述台区下的室外气温采集装置或者数据库获取所述历史温度信息;
分别计算不同年份的所述历史温度信息与第一预定时间内的室外温度信息的差值的平方和,并纪录各个平方和中的最小值的日期;
将最小值的日期的后一天的温度信息作为所述预测温度信息,或者,在存在多个最小值的情况下,将最接近的日期的后一天的温度信息作为所述预测温度信息。
5.根据权利要求1所述的方法,其特征在于,利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测包括:
利用预设的热泵外特性模型计算的所述热泵的电功率确定所述热泵的负荷的初始值;
利用神经网络并根据所述初始值、所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测。
6.根据权利要求1所述的方法,其特征在于,在利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测后,所述方法还包括:
对所述热泵的负荷进行预测的预测值进行极值校验。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述热泵为空气源热泵。
8.一种热泵的负荷预测装置,其特征在于,包括:
第一确定模块,用于确定台区的所述热泵的平均负载率;
第一处理模块,用于将所述台区下的用户分为不同的供暖类型;
第二确定模块,用于确定用户在不同的供暖类型中所占的比例;
第二处理模块,用于根据获取的所述台区的室外的历史温度信息预测得到所述台区的室外的预测温度信息;
预测模块,用于利用所述平均负载率、所述用户在不同的供暖类型中所占的比例以及所述预测温度信息对所述热泵的负荷进行预测;
其中,对所述热泵的负荷预测是在供暖季节进行的。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至7中任一项所述的方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213693.2A CN108154259B (zh) | 2017-11-27 | 2017-11-27 | 热泵的负荷预测方法及装置、存储介质、处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711213693.2A CN108154259B (zh) | 2017-11-27 | 2017-11-27 | 热泵的负荷预测方法及装置、存储介质、处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154259A true CN108154259A (zh) | 2018-06-12 |
CN108154259B CN108154259B (zh) | 2021-11-05 |
Family
ID=62468335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711213693.2A Active CN108154259B (zh) | 2017-11-27 | 2017-11-27 | 热泵的负荷预测方法及装置、存储介质、处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154259B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190207A (zh) * | 2018-08-16 | 2019-01-11 | 天津大学 | 一种基于elm的射频功率放大器温度性能预测方法 |
CN109934406A (zh) * | 2019-03-14 | 2019-06-25 | 深圳市爱能森科技有限公司 | 储能供暖的成本预测方法、装置、存储介质及终端 |
CN114754396A (zh) * | 2022-04-12 | 2022-07-15 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08190540A (ja) * | 1995-01-06 | 1996-07-23 | Tokyo Electric Power Co Inc:The | 地域冷暖房プラントの運転支援装置 |
CN103116814A (zh) * | 2013-03-14 | 2013-05-22 | 上海市电力公司 | 一种地区电网主设备中期负荷预测系统 |
CN105590140A (zh) * | 2015-11-26 | 2016-05-18 | 国网北京市电力公司 | 电力系统短期负荷的预测方法和装置 |
CN106096781A (zh) * | 2016-06-07 | 2016-11-09 | 哈尔滨工业大学 | 基于综合温度的供热负荷预报方法 |
CN107358345A (zh) * | 2017-06-30 | 2017-11-17 | 上海电力学院 | 计及需求侧管理的分布式冷热电联供系统优化运行方法 |
-
2017
- 2017-11-27 CN CN201711213693.2A patent/CN108154259B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08190540A (ja) * | 1995-01-06 | 1996-07-23 | Tokyo Electric Power Co Inc:The | 地域冷暖房プラントの運転支援装置 |
CN103116814A (zh) * | 2013-03-14 | 2013-05-22 | 上海市电力公司 | 一种地区电网主设备中期负荷预测系统 |
CN105590140A (zh) * | 2015-11-26 | 2016-05-18 | 国网北京市电力公司 | 电力系统短期负荷的预测方法和装置 |
CN106096781A (zh) * | 2016-06-07 | 2016-11-09 | 哈尔滨工业大学 | 基于综合温度的供热负荷预报方法 |
CN107358345A (zh) * | 2017-06-30 | 2017-11-17 | 上海电力学院 | 计及需求侧管理的分布式冷热电联供系统优化运行方法 |
Non-Patent Citations (3)
Title |
---|
KONSTANTINOS KOUZELIS ET AL.: "Estimation of Residential Heat Pump Consumption for Flexibility Market Applications", 《IEEE TRANSACTIONS ON SMART GRID》 * |
徐欣等: "天津市办公建筑供暖负荷中短期预测", 《暖通空调》 * |
李骥等: "大型热泵区域能源站研究与应用", 《建设科技》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190207A (zh) * | 2018-08-16 | 2019-01-11 | 天津大学 | 一种基于elm的射频功率放大器温度性能预测方法 |
CN109934406A (zh) * | 2019-03-14 | 2019-06-25 | 深圳市爱能森科技有限公司 | 储能供暖的成本预测方法、装置、存储介质及终端 |
CN114754396A (zh) * | 2022-04-12 | 2022-07-15 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
CN114754396B (zh) * | 2022-04-12 | 2023-08-18 | 西安热工研究院有限公司 | 一种经智能算法优化的热电厂集中供热系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108154259B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Feature extraction and genetic algorithm enhanced adaptive deep neural network for energy consumption prediction in buildings | |
US10832192B2 (en) | Method and system for prioritizing control strategies minimizing real time energy consumption of built environment | |
CN103377400A (zh) | 发电站操作增强 | |
CN108154259A (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
Petrichenko et al. | District heating demand short-term forecasting | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN112865093B (zh) | 一种短时电力负荷组合式预测方法 | |
Zhu et al. | Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
Sevlian et al. | Value of aggregation in smart grids | |
Tavarov et al. | Model and Algorithm of Electricity Consumption Management for Household Consumers in the Republic of Tajikistan. | |
JP2015106316A (ja) | エネルギー管理システム | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
Wu et al. | Design of A battery energy management system for capacity charge reduction | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN106557867B (zh) | 适用中长时间尺度电网分析的光伏发电概率模型建模方法 | |
Zamanidou et al. | Day‐ahead scheduling of a hybrid renewable energy system based on generation forecasting using a deep‐learning approach | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
CN108695848B (zh) | 主动配电网运行时序仿真方法 | |
Tu et al. | Artificial neural networks in the estimation of monthly capacity factors of WECS in Taiwan | |
Chen et al. | Combined time‐varying forecast based on the proper scoring approach for wind power generation | |
Kozlovskyi et al. | Information Technology for Estimating City Gas Consumption During the Year |
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 |