CN109670670A - 一种划分季节属性的电力负荷拆分方法 - Google Patents

Abstract

本发明涉及一种划分季节属性的电力负荷拆分方法，其特征在于，以逐时气象数据为季节划分依据，确定一套直观的季节属性判定规则对采暖季，过渡季和制冷季进行重新划分，全面地考虑气象参数对负荷的影响，包括温度、相对湿度、风速，以及空气焓值。本发明的优点和积极效果是：避免了传统的度日数法对季节属性的笼统划分，采用了加权的季节属性方法，使得供热、制冷和过渡季的划分更为合理和明确，之后进行负荷拆分的基准更准确；将负荷拆分成基于过渡季平均的基础负荷和由于供热或制冷产生的气象敏感负荷，再分别进行处理和预测，更突出了负荷的不同特性的关系，也容易从复杂的负荷曲线包含成分中找到规律，得到更精确的预测结果。

Description

一种划分季节属性的电力负荷拆分方法

技术领域

本发明涉及一种划分季节属性的电力负荷拆分方法，研究对象为建筑楼宇电 力负荷，拆分后的电力负荷特征明显，可提高建筑负荷的预测精度。

背景技术

随着智能算法和机器学习的发展，基于有效的算法对城区电力负荷进行准确 预测，对指导城区负荷电力管理以及节能策略等具有重要意义。不同的用户类型 具有不同的用电特性，例如办公建筑较为密集的用电负荷发生在工作日的7点至 18点，商业建筑的用电能耗则主要集中在每天的8点至21点，第二产业用电则 根据工艺和排班制的不同呈现出不同的用电特性且相较办公商业建筑变化较为 平缓。再将负荷自上而下拆分，负荷又可看作不同类型用户下各个分项能耗的累 加，如照明负荷、设备负荷、空调负荷等。而影响各类分项能耗变化趋势的主要 因素又不尽相同，例如空调负荷主要受天气因素影响，而照明负荷可受作息时间， 日照时长及强度等影响。所以在分析各类分项能耗总和时，其变化特性是受多方 面较为复杂的因素综合作用的结果。

因此，如果不能充分考虑负荷的影响因素，以及对负荷进行合理地拆分，预 测的精度和泛化性会受到影响，以致不能得到较为精确的预测结果。

发明内容

本发明的目的是提供一种综合考虑负荷影响因素和合理拆分负荷手段的综 合算法，来获得更高精度的预测结果。

为了达到上述目的，本发明的技术方案是提供了一种划分季节属性的电力负 荷拆分方法，其特征在于，包括以下步骤：

第一步、按照目标区域一年内的温度变化，将一年的月份划分为采暖季、制 冷季及过渡季，依据人体热舒适指标确认过渡季中有效温度符合人体热舒适指标 的时间段，将该时间段定义为完全过渡季，过渡季中除完全过渡季外的时间段为 不完全过渡季，为采暖季、制冷季及完全过渡季分别赋予不同的季节属性值，其 中：在采暖季，目标区域的空调系统供暖；在制冷季，目标区域的空调系统制冷；

第二步、收集历史的采暖季、制冷季及完全过渡季的逐时数据形成训练数据 集，逐时数据包括有效温度、空气焓值，含湿量和露点温度，有效温度、空气焓 值，含湿量和露点温度为4个输入变量；

第三步、拟合决策树，将训练数据集输入拟合后的决策树，训练数据集的4 个输入变量作为4个属性值对决策树进行训练；

第四步、将不完全过渡季的逐时有效温度、空气焓值，含湿量和露点温度输 入第三步训练后的决策树，得到不完全过渡季的逐时供热制冷属性；

第五步、将不完全过渡季内每一天的逐时供热制冷属性进行加权平均得到不 完全过渡季内每一天的季节属性，将计算得到的季节属性与第一步设置的季节属 性值相比较，将不完全过渡季内每一天判断为采暖季或制冷季；

第六步、将目标区域的负荷拆分为基础负荷和气象敏感负荷，其中，供暖季 和制冷季的基础负荷由已发生的临近的完全过渡季逐时负荷加权平均得到，对于 气象敏感负荷，则判断当日季节属性，若为采暖季或制冷季，即用当日负荷减去 基础负荷部分，多出部分即为气象敏感负荷。

优选地，所述有效温度的计算公式为：

式中：ET为有效温度，T为干球温度，RH为相对湿度，V为风速。

优选地，所述空气焓值的计算公式为：

h＝(1.01+1.84d)*T+2500d

式中：h为空气焓值，d为空气的含湿量，T为空气温度。

优选地，所述第五步中，进行加权平均时，将一天的时间段分为夜间低谷时 段、日间高峰时段以及晚间高峰时段，依据每个时间段开启空调系统的可能性， 分别确定夜间低谷时段、日间高峰时段以及晚间高峰时段的加权系数，利用该加 权系数进行加权平均。

本发明提供的方法以逐时气象数据为季节划分依据，确定一套直观的季节属 性判定规则对采暖季，过渡季和制冷季进行重新划分，全面地考虑气象参数对负 荷的影响，包括温度、相对湿度、风速，以及空气焓值。本分类方法主要分成两 大部分，第一部分基于提出的逐时供热制冷属性概念，利用决策树建立逐时供热 制冷属性判断的模型。在逐时供热制冷属性的基础上，通过提出的依据日峰谷变 化划分的当日不同时间段的加权系数，计算加权后的当日季节属性。与以当日平 均温度的划分制冷、供热和过渡季的度日数法不同，本发明提出的加权季节属性 重点关注一日中开启空调系统可能性更高的时间段，对处理一些过渡季的不明确 日有更好的指导作用。第二部分基于季节属性进行负荷的拆分，将负荷拆分为基 础负荷和气象敏感负荷两部分之后再进行分别的处理和预测建模。

本发明的特征在于：(1)利用组合气象相关输入的决策树对逐时供热制冷属 性进行拟合判断；(2)根据负荷的日峰谷变化，对逐时供热制冷属性进行加权平 均得到当日季节属性；(3)根据判断得到的当日季节属性进行负荷拆分，包括基 础负荷和气象敏感负荷，将过渡季和不完全过渡季(当日季节属性的绝对值判定 为小于0.5的数值)的加权平均处理为基础负荷。

其中，特征(1)所述的组合气象相关输入，其特征在于输入参数中用有效 温度代替干球温度，突出在同一节点上风速和相对湿度对人体实感温度的耦合作 用。其余输入参数为空气焓值，含湿量和露点温度。同时考虑气象因素对电力负 荷的延迟性，天气参数的取值采用待预测时刻值和前三个小时的平均值，以更准 确地反映建筑热惰性所产生的延迟效应。

特征(2)所述的对逐时供热制冷属性进行加权平均得到当日季节属性，特 征在于根据日峰谷变化，将一天分为夜间低谷时段(0:00-7:00)，日间高峰时段 (8:00-18:00)以及晚间高峰时段(19:00-23:00)，此处的加权系数是根据人在该 时段开空调的可能性确定的，结合贝叶斯先验概率，设日间高峰时段和晚间高峰 时段加权系数相同为0.45，夜间低谷时段为0.1。

特征(3)所述的判断得到的当日季节属性，划分时间段之后进行负荷拆分， 包括基础负荷和气象敏感负荷，其特征在于上述基于当日季节属性划分的供暖季 和制冷季中的基础负荷是由已发生的临近过渡季逐时负荷加权平均得来的，因此 不同月份相同日类型的基础负荷变化特性是固定的。而对于日季节属性绝对值小 于0.5的不完全过渡季或等于0的过渡季，由于统计的时段样本不断增加，因此 基础负荷特性会发生微小变化。对于气象敏感负荷则采用差分法，即在相同的日 类型分组内，判断当日季节属性，若为供热季或制冷季，以及不完全过渡季中的 供热或制冷属性，即用当日负荷减去基础负荷部分，多出部分即为气象敏感负荷。

本发明的优点和积极效果是：

(1)避免了传统的度日数法对季节属性的笼统划分，采用了加权的季节属 性方法，使得供热、制冷和过渡季的划分更为合理和明确，之后进行负荷拆分的 基准更准确；

(2)将负荷拆分成基于过渡季平均的基础负荷和由于供热或制冷产生的气 象敏感负荷，再分别进行处理和预测，更突出了负荷的不同特性的关系，也容易 从复杂的负荷曲线包含成分中找到规律，得到更精确的预测结果。

附图说明

图1为逐时供热制冷属性划分决策树，图中，mET表示四个时刻滑动平均 后的有效温度(℃)，mEnth表示平均焓值(kJ/kg)，md表示平均含湿度(g/kg)；

图2为决策树结果分析——混淆矩阵；

图3(a)至图3(d)为负荷拆分结果；

图4为依据逐时冷热属性判断当日冷热属性的方法流程图；

图5为利用训练决策树进行负荷拆分流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明 本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之 后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本 申请所附权利要求书所限定的范围。

以上海地区为例，确定的采暖季为一月，确定的制冷季为七月，过渡季会出 现在四、十月份。因此将一月的季节属性值赋值为1，七月的季节属性值赋值为 -1。根据人体热舒适指标，当有效温度落在15-23℃时人体感觉较为舒适，因此 可认为四、十月份处于该范围内的有效温度时段，即完全过渡季，季节属性值为 0。四、十月份有效温度不处于该范围内的，暂认定为季节属性无法判别，定义 为不完全过渡季。可通过后续决策树对训练数据的规则挖掘对该时段数据分类。

训练数据为一月、七月逐时数据，以及四、十月份有效温度落在15-23℃的 数据，输入参数为有效温度、空气焓值，含湿量和露点温度。同时考虑气象因素 对电力负荷的延迟性，天气参数的取值采用待预测时刻值和前三个小时的平均值。

具体操作如下：

步骤1：整理输入数据，总共包括4项输入，均采用待预测时刻值和前三个 小时的平均值。

测出空气的含湿量和对应的露点温度，分别为d(g/kg干空气)和td(℃)。

有效温度表示在不同温度、湿度和风速下的当量温度值，冷热环境均可试用， 用下式计算：

式中：ET为有效温度，T为干球温度(℃)，V为风速(m/s)，RH为相 对湿度(％)。

计算空气焓值(单位为kJ/kg干空气)：

h＝(1.01+1.84d)*T+2500d

式中：h为空气焓值，T为空气温度(℃)，d为空气的含湿量(kg/kg千空 气)，1.01为干空气的平均定压比热kJ/(kg*K)，1.84为水蒸气的平均定压比热 kJ/(kg*K)，2500为0℃时水的汽化潜热kJ/kg。

步骤2：拟合决策树。选择最常见的ID3算法，以信息熵和信息增益为衡量 标准，在各级节点选择属性时，检测所有属性，选择信息增益最大的属性产生决 策树节点，由该属性的不同取值建立分支，再对各分支的子集递归考察信息增益 建立下层节点和分支，直到所有子集仅具备同一类别的数据。具体拟合算法在下 面的步骤中分列出来。

步骤201：信息熵定义为分布概率为P＝(p₁,p₂,…p_n)的变量，其所传递的 信息量，计算信息熵如下：

式中：I(P)为样本集合的信息熵，n为样本的可能所属类别的数目，p_i为样 本属于某一类别的概率。特征变量集合A已可按某规则被分成互相独立的类A₁, A₂ … A_k类(独立的类可理解为特征变量所具有的所有可能属性，即可分成a＝1 的供热季、a＝0的过渡季和a＝-1的制冷季这三种属性，即k＝3)，则判断A中一 个元素所属类别所需的信息熵为Info(A)＝I(P)，其中P为类别的概率分布，表明 了每一类所占的比例。

步骤202：在上一步骤中，A被分成集合A₁,A₂ … A_k类，同时在步骤1中 我们提到的输入变量共有4种，它们均为连续变量，是决策树中每一变量所具有 的属性，即属性集合a＝{a₁,a₂…a_d}。然后生成决策树的关键就是通过属性集合来 划分特征变量集合，使得分类的误差最小。判定A中的一个元素类别按照某一 属性分类后的信息量通过对应一个属性所有的元素A_i的加权平均值求得，称为条 件熵，假定属性集合中某一属性值有n种可能取值，则计算条件熵如下，：

式中：Info(A，a)为样本集合A按照某一属性a_i划分得到的条件熵。

步骤203：计算信息增益。信息增益是两个信息量的差值，其中一个信息量 是确定A中一个元素的信息量，另一个信息量是在已得到属性a的值后确定A 中一个元素的信息量，计算信息增益如下：

IG(A，a)＝Info(A)-Info(A，a)

式中：IG(A，a)为样本集合A按照某一属性a_i划分得到的信息增益。

通过对所有属性(共d种可能属性)信息增益比较，将最大增益值对应的属 性作为分类的依据，

构造出一级决策树。以此类推直到达到分类目的。

步骤3：按照前面的数学理论，对应的4个输入变量作为4个属性值对决策 树进行训练，决策树生成的季节判别规则如图1所示。

根节点根据权衡各个属性的信息增益度，以有效温度作为根节点属性，当前 时刻滑动平均有效温度小于9.8℃时，数据归向左分支，向下划分供热季和过渡 季。人体热舒适性的相关研究指出，当有效温度作小于9℃时，人体会产生冷感 觉。二级节点考察空气焓值，左侧分支当焓值小于43kJ/kg时到达叶子节点，可 判定当前时刻需要制热，为供热季。反之，通过第三级节点含湿量大于还是小于 10g/kg得出唯一属性类别，从而划分出供热季和过渡季。根节点数据有效温度 大于9.8℃，数据向右侧分支流动，从而最终划分出制冷季和过渡季。右侧二级 节点信息增益度最大的也是焓值，当焓值小于20.8kJ/kg可判断为过渡季。反之 继续向下到第三季节点，当有效温度大于22℃时判断为制冷季。当有效温度小于22℃时通过含湿量是否大于15g/kg将第四层节点的数据子集分为过渡季和 制冷季。

经过训练，生成的决策树分类精准度为93％。模型混淆矩阵如图2所示，该 模型整体对过渡季分类的误差较大为10％，对供热季的分类误差较大为7％，主 要原因在于训练数据中过渡季天气参数和供热季天气参数重合较多，且决策树左 边分支级数较少。但为了防止数据过拟合，以及针对逐时的季节判断，该模型精 度已达到要求。

步骤4：将不完全过渡季的逐时有效温度、空气焓值，含湿量和露点温度输 入第三步训练后的决策树，得到不完全过渡季的逐时供热制冷属性。将不完全过 渡季内每一天的逐时供热制冷属性进行加权平均得到不完全过渡季内每一天的 季节属性，将计算得到的季节属性与第一步设置的季节属性值相比较，将不完全 过渡季内每一天判断为采暖季或制冷季。

图4为依据逐时冷热属性判断当日冷热属性的方法。主要过程是根据有效温 度、空气焓值、含湿量、露点温度的滑动平均值作为组合气象输入参数，通过决 策树得到逐时供热制冷属性，之后根据日峰谷变化加权计算得到每日的冷热属性， 也就是每日的季节属性。是一个判断日季节属性的方法。

加权系数设定方法包括以下步骤：

根据日峰谷变化，将一天分为夜间低谷时段(0:00-7:00)，日间高峰时段 (8:00-18:00)以及晚间高峰时段(19:00-23:00)，此处的加权系数是根据人在该 时段开空调的可能性确定的，类似于贝叶斯先验概率。这样做是由于夜间气温大 幅下降，这会大大降低日平均气温值。此外冷热负荷需求主要出现在日间，即温 度相对较高的时段，因此过低的日平均值无法准确划分当日是否需要供热或制冷， 无法准确定义电力负荷的组成。因此通过决策树分类法对气象参数进行信息分类， 确定一套直观的规则对供热季，过渡季和制冷季进行划分。这里设日间高峰时段 和晚间高峰时段加权系数相同为0.45，夜间低谷时段为0.1

如下表1所示：

表1 加权平均季节属性计算结果

该方法对处于过渡季和制冷季，以及过渡季和供热季临界点的判定有了更细 致的划分。例如，4月9日的日平均气温为17.04℃，按照度日数法该温度小于 18℃，因此判定为供热季。但考察其日间温度较高为17-24℃，根据上述规则该 日日间并不需要供暖只需夜间供热，因此判断其加权平均季节属性为0.1。过渡 季与制冷季临界点的判断类似，如6月6日的平均温度低于制冷度日数的判断 基准温度26℃，判定为过渡季。但因其日间和晚间峰值负荷时刻的温度均较高， 因此日间存在极大可能性会出现冷负荷，加权季节属性为-0.9，且6月其他加权 平均的季节属性偏向于制冷季。其他月份如11、12、1、2月和3月上旬两种方 法判定结果一致，为供热季。7、8月和9月上旬两种方法判定结果一致，为制 冷季。

步骤5：负荷拆分过程。在进行负荷拆分时，首先消除历史数据中的异常值， 提高数据质量。在对电力负荷异常值进行处理之后，便可依据季节属性对电力负 荷拆分为基础负荷和气象敏感负荷，具体步骤为：

根据上述的判断得到的当日季节属性，划分时间段，之后进行负荷拆分，包 括基础负荷和气象敏感负荷。基于当日季节属性划分的供暖季和制冷季中的基础 负荷是由已发生的临近的完全过渡季逐时负荷加权平均得来的，因此不同月份相 同日类型的基础负荷变化特性是固定的。而对于日季节属性绝对值小于0.5的不 完全过渡季或等于0的过渡季，由于统计的时段样本不断增加，因此基础负荷特 性会发生微小变化。对于气象敏感负荷则采用差分法，即在相同的日类型分组内， 判断当日季节属性，若为供热季或制冷季，以及不完全过渡季中的供热或制冷属 性，即用当日负荷减去基础负荷部分，多出部分即为气象敏感负荷。

图5是根据每日的季节属性a判断该日属于供热季、制冷季、过渡季或是不 完全过渡季。其中训练的决策树判定的是逐时供热制冷属性，进而按照图5的 方法来确定要研究的某一日的季节属性，然后进行后面的分类拆分。其中过渡季 (季节属性a＝0)和不完全过渡季(季节属性的绝对值小于0.5，也即当日更接 近于过渡季的情形)中众数为0的时段纳入基础负荷的样本中。

对于a＝1和a＝0的供热和制冷季，这些日期的实际负荷减去对应的基础负荷， 即得到相应的供热和制冷季的气象敏感负荷。

根据上述的负荷拆分方法，对2014年1、2、3月供暖季，采用临近过渡季 历史数据2013年9月、10月各时刻加权平均的日负荷曲线作为基础负荷，并得 出热环境气象敏感负荷。

2014年6月中的制冷季，以及7、8月及9月上旬制冷季，则采用临近过渡 季历史数据，即4、5月各时刻加权平均的日负荷曲线作为基础负荷，并得出气 象敏感负荷。2014年11、12月供热季，采用2014年4、5、9、10月各时刻加 权平均的日负荷曲线作为基础负荷，并得到气象敏感负荷。

上述供暖季和制冷季中的基础负荷是由与其临近的刚刚度过的过渡季逐时 负荷加权平均得来的，因此不同月份相同日类型的基础负荷变化特性是固定的。 而对于日季节属性绝对值a小于0.5的不完全过渡季或a＝0的过渡季，由于统计 的时段样本不断增加，因此基础负荷特性会发生微小变化，如图3(a)至图3 (d)所示，选取不同季节属性工作日中典型日的基础负荷与气象敏感负荷的拆 分图。从图3(a)至3(d)分别为供热季1月7日至9日，不完全过渡季6月 23至25日，制冷季8月13日至15日，以及过渡季10月8日至10日。

其中曲线一为根据历史过渡季负荷计算出的基础负荷，曲线二为当日的实际 电力负荷，两者之间的差值即为气象敏感负荷。由计算可知，供暖季和制冷季相 同日类型内基础负荷保持不变，如图中图3(a)及图3(c)两幅图所示。

而不完全过渡季中的基础负荷逐日会存在微小变化，如图3(b)图所示。6 月23至25日为不完全过渡季，即夜间时段判定为过渡季，而日间高峰时段划分 为制冷季。基础负荷在夜间和晚高峰阶段和电力负荷基本重合，日间负荷存在气 象敏感负荷。6月23日的基础负荷是以该日以前的过渡季逐时季节属性为0的 序列的平均值计算而得。以此类推，6月24日在上述的子集中加入23日所求平 均数而得。靠近与供热季的不完全过渡季，基础负荷和电力负荷的重叠部分刚好 相反。日间两者表现为重合，而夜间和晚高峰期间电力负荷高于基础负荷，存在 气象敏感负荷。

图3(d)所示为基础负荷高于当日电力负荷，10月8至10日正是工作 日数据集中的全局离群值，为国庆长假后的三天工作日，整体负荷水平明显低于 正常水平。通过上图也验证了异常值检验的准确性。在建立负荷预测模型时，应 单独考虑长假前后的三天工作日。电力总负荷与基础负荷的差值即为气象敏感负 荷。通过计算气象敏感负荷占总体负荷的比例可知，供热季节所占比例居于6％-15％左右，制冷季所占比例在10％-26％之间。该比例与空调负荷占建筑能耗 比例基本相符。判定差分法拆分负荷思路较为合理。

Claims (4)

1.一种划分季节属性的电力负荷拆分方法，其特征在于，包括以下步骤：

第一步、按照目标区域一年内的温度变化，将一年的月份划分为采暖季、制冷季及过渡季，依据人体热舒适指标确认过渡季中有效温度符合人体热舒适指标的时间段，将该时间段定义为完全过渡季，过渡季中除完全过渡季外的时间段为不完全过渡季，为采暖季、制冷季及完全过渡季分别赋予不同的季节属性值，其中：在采暖季，目标区域的空调系统供暖；在制冷季，目标区域的空调系统制冷；

第二步、收集历史的采暖季、制冷季及完全过渡季的逐时数据形成训练数据集，逐时数据包括有效温度、空气焓值，含湿量和露点温度，有效温度、空气焓值，含湿量和露点温度为4个输入变量；

第三步、拟合决策树，将训练数据集输入拟合后的决策树，训练数据集的4个输入变量作为4个属性值对决策树进行训练；

第四步、将不完全过渡季的逐时有效温度、空气焓值，含湿量和露点温度输入第三步训练后的决策树，得到不完全过渡季的逐时供热制冷属性；

第五步、将不完全过渡季内每一天的逐时供热制冷属性进行加权平均得到不完全过渡季内每一天的季节属性，将计算得到的季节属性与第一步设置的季节属性值相比较，将不完全过渡季内每一天判断为采暖季或制冷季；

第六步、将目标区域的负荷拆分为基础负荷和气象敏感负荷，其中，供暖季和制冷季的基础负荷由已发生的临近的完全过渡季逐时负荷加权平均得到，对于气象敏感负荷，则判断当日季节属性，若为采暖季或制冷季，即用当日负荷减去基础负荷部分，多出部分即为气象敏感负荷。

2.如权利要求1所述的一种划分季节属性的电力负荷拆分方法，其特征在于，所述有效温度的计算公式为：

式中：ET为有效温度，T为干球温度，RH为相对湿度，V为风速。

3.如权利要求1所述的一种划分季节属性的电力负荷拆分方法，其特征在于，所述空气焓值的计算公式为：

h＝(1.01+1.84d)*T+2500d

式中：h为空气焓值，d为空气的含湿量，T为空气温度。

4.如权利要求1所述的一种划分季节属性的电力负荷拆分方法，其特征在于，所述第五步中，进行加权平均时，将一天的时间段分为夜间低谷时段、日间高峰时段以及晚间高峰时段，依据每个时间段开启空调系统的可能性，分别确定夜间低谷时段、日间高峰时段以及晚间高峰时段的加权系数，利用该加权系数进行加权平均。