CN109766346A - 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 - Google Patents
一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 Download PDFInfo
- Publication number
- CN109766346A CN109766346A CN201910075817.8A CN201910075817A CN109766346A CN 109766346 A CN109766346 A CN 109766346A CN 201910075817 A CN201910075817 A CN 201910075817A CN 109766346 A CN109766346 A CN 109766346A
- Authority
- CN
- China
- Prior art keywords
- array
- correlationcounter
- correlationarray
- goes
- electric boiler
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法,建立了电锅炉的使用模式算子,能够在蓄热式电锅使用较为频繁的采暖季,有效的、分时段描述出用户对于电锅炉的使用模式,并进一步进行较为精确的预测。通过本发明专利,可以在高寒地区的供暖季针对固体蓄热式电锅炉使用的时段和特点,对固体蓄热式电锅炉短期功率消耗预测,通过该预测可以让电网管理单位事先做好调峰和风电消纳的工作,对于电网安全运行和科学管理具有较大意义。
Description
技术领域
本发明涉及电网中设备功率消耗预测,具体涉及一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法。
背景技术:
蓄热式电锅炉可以事先加热储能并在较长的时段内持续供热,在分时电价政策的鼓励下可以在电价低谷时段用电储能并在电价较高阶段供热,通过蓄热式电锅炉可以有效的降低供热电价成本,并有利于调节整个电网的峰谷差。蓄热式电锅在加热阶段电能消耗较大,对其功率消耗进行预测可以让电网管理单位事先做好调峰和风电消纳的工作,对于电网安全运行和科学管理具有较大意义。
固体蓄热式电锅炉主要用于高寒地区的供暖,当前的固体蓄热式电锅炉的功率消耗预测方法主要有两种:一、用户对自己将要进行的电锅炉加热储能方式、时段、以及消耗功率汇报给电网,电网直接将这些数据作为预测的结果;二、使用神经网、SVM等人工智能算法对历史数据进行回归分析,获得温度与功率的预测模型,进而依靠该模型进行预测。对于方法一,通常要求用户对于电能的使用量和锅炉运行模式十分熟悉,并能够与电网管理单位共享数据,然而多数用户对于电能和锅炉不够了解,同时电网企业也难以有足够的约束力要求用户汇报准确的使用量,所以方法一描述的方式通常难于实现;对于方法二,用户在不同时段用户对于电价的承受能力、温度的需求是不一样的,用电模式也不相同(如:学校在上学期间与假期期间,对于温度的要求不一样,在上学期间可能需要严格达到供热要求,而在假期需要尽可能的省电运行,其使用模式不同)。采用单一的预测模型会使得不同时段、不同需求之间的数据互相影响进而降低预测精度。
因此,需要提出一种高寒地区固体蓄热式电锅炉短期功率预测方法,能够在蓄热式电锅使用较为频繁的采暖季,有效的、分时段描述出用户对于电锅炉的使用模式并有针对性的进行预测,来获得较高精度的预测结果。
发明内容
针对现有技术存在的问题,本发明提供一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法,通过该方法建立的电锅炉的使用模式算子,能够在蓄热式电锅使用较为频繁的采暖季,有效的、分时段描述出用户对于电锅炉的使用模式,并进一步进行较为精确的预测。
本发明所说的一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法,技术解决方案如下:
S1,对于一台固体蓄热式电锅炉,输入供热历史数据起始时间点StartTime,输入其功率消耗历史数据History,输入历史气温数据Temperature,获得蓄热时段数组NArray和水循环阈值Circle:
供热历史数据起始时间点StartTime:StartTime是一个时间点数据;
功率消耗历史数据History:该数据为一个列表,该列表存储着以StartTime为起始的180天数据,列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据;History列表中每一个表项为一个96个元素的数组(一天每间隔15分钟采样一次功率值);
输入历史气温数据Temperature:该数据为一个数组共计180个元素,存储着以StartTime为起始的180天的每日最低气温数据;
S101,输入供热历史数据起始时间点StartTime,输入其功率消耗历史数据History,输入历史气温数据Temperature;
S102,取出History中的每一个表项,合并为一个一维数组TempArray;
S103,删除TempArray中值为零的元素;
S104,使用K-Means算法并指定聚类个数为2个对TempArray进行聚类,获取2个聚类中心C1和C2;
S105,水循环阈值Circle=(C1+C2)/2;
S106,建立蓄热时段数组NArray,其个数为180,所有元素的初始值为0;
S107,表项查看计数器ItemCounter=1;
S108,取出History的第ItemCounter个表项存入数组TempArray2;
S109,tc1=计算TempArray2中大于Circle的元素个数;
S110,tc2=计算TempArray2中不为0的元素个数;
S111,如果tc2等于0那么NArray[ItemCounter]=-1, 否则NArray[ItemCounter]=tc1;
S112,ItemCounter=ItemCounter+1;
S113, 如果ItemCounter<=180则转到S108, 否则转到S114;
S114,该步骤处理结束;
S2, 建立电锅炉的使用模式算子ModeOperator,ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray,输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray:
S201,建立电锅炉的使用模式算子ModeOperator,ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray;
S202,建立关联性数组CorrelationArray,CorrelationArray包含36个元素,每个元素的初始值为0;建立预测模型数组ModelArray,ModelArray包含36个元素,每个元素的初始值为NULL;
S203,关联性计数器CorrelationCounter=1;
S204,在NArray中取出位置为(CorrelationCounter-1)*5+1 至(CorrelationCounter)*5的5个元素存入数组NTemp中,获得NTemp中数值最小元素的值NTempMin;
S205,在Temperature中取出位置为(CorrelationCounter-1)*5+1 至(CorrelationCounter)*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax;
S206,如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214,否则转向S207;
S207,计算NTemp和TTemp的相关系数矩阵,获得矩阵的第1行第2列元素存储到变量CorrelationParam中;
S208,如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214,否则转到S209;
S209,CorrelationArray[CorrelationCounter]=1/(1+exp( (-CorrelationParam)*20-10));
S210,如果CorrelationArray[CorrelationCounter]<0.5则转到214,否则转到S211;
S211,获得模型输出数组TOutputArray=NTemp-NTempMin,获得模型输入数组TInputArray=TTempMax-TTemp;
S212,建立基于神经网的回归分析模型,模型输入为TInputArray,输出为TOutputArray,训练该模型获得训练的结果Model;
S213,ModelArray[CorrelationCounter]=Model;
S214,CorrelationCounter=CorrelationCounter+1;
S215,如果CorrelationCounter<=36则转到S204,否则转到S216;
S216,tc3=(CorrelationArray中小于0.5的元素个数)/36;
S217, 如果tc3<=0.3那么ModeValue=1,如果ModeValue>0.3则ModeValue=2;
S218,将模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray作为ModeOperator的输出;
S3, 对于固体蓄热式电锅炉,输入需要预测的时间点Current,供热起始时间点CurrentStartTime,时间点Current的日最低气温预测数据CurrentTemp, Current前一天的功率消耗数据PrevArray,Current前一天日最低气温PrevTemp, 利用ModeOperator获得预测结果:
其中,PrevArray为一天每间隔15分钟采样一次共计96个元素的数组;
S301, Days=(Current距离CurrentStartTime所经历的天数)+1,DayPos=floor(Days/5)+1,其中floor为去除小数部分获得整数的函数;
S302,PrevYearArray=History的第Days个表项;
S303,预测功率变量PredictResult=0;
S303,利用ModeOperator获得模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray,
[ModeValue,CorrelationArray,ModelArray]=ModeOperator(Temperature,NArray);
S304,如果ModeValue=1则转到S305,否则转到S307;
S305,如果PrevArray的所有元素值为0那么PredictResult=sum(PrevYearArray),否则PredictResult=sum(PrevArray+PrevYearArray);
S306, 转到S316;
S307,BigArray=取出PrevArray中大于Circle的元素,AvgBigArray=BigArray的均值,NumBigArray为BigArray的元素个数;
S308,SmallArray=取出PrevArray中大于Circle的元素,AVGSmallArray=SmallArray的均值;
S309,如果CorrelationArray[DayPos]<=0.5则转到S310,否则转到S312;
S310,PredictResult=NArray[Days]*AvgBigArray+(96-NArray[Days])*AVGSmallArray;
S311, 转到S316;
S312, 预测模型PrevModel=ModelArray[DayPos];
S313,将(CurrentTemp-PrevTemp)做为PrevModel的输入,获得PrevModel的预测结果存储到变量PredictNum中;
S314,RealNum=(PredictNum+NumBigArray);
S315,PredictResult=RealNum *AvgBigArray+(96-RealNum)*AVGSmallArray;
S316,将PredictResult作为预测结果输出。
本发明的有益效果是:建立了电锅炉的使用模式算子,能够在蓄热式电锅使用较为频繁的采暖季,有效的、分时段描述出用户对于电锅炉的使用模式,并进一步进行较为精确的预测。通过本发明专利,可以在高寒地区的供暖季针对固体蓄热式电锅炉使用的时段和特点,对固体蓄热式电锅炉短期功率消耗预测,通过该预测可以让电网管理单位事先做好调峰和风电消纳的工作,对于电网安全运行和科学管理具有较大意义。
附图说明
图1为实施例1的某企业长春市某企业消耗历史数据图;
图2为实施例1的历史气温数据图;
图3为实施例1的获得蓄热时段数组图;
图4为实施例1的消耗功率预测的结果与实际消耗的对比图。
具体实施方式
通过以下实施例进一步举例描述本发明,并不以任何方式限制本发明,在不背离本发明的技术解决方案的前提下,对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。
实施例1
通过本发明方法对长春市某企业使用的固体蓄热式电锅炉供热进行短期功率消耗预测,包括以下步骤:
S1,对于一台固体蓄热式电锅炉,输入供热历史数据起始时间点StartTime=“2016年11月1日”,输入其功率消耗历史数据History其对应内容如图1所示,输入历史气温数据Temperature其内容如图2所示,获得蓄热时段数组NArray其内容如图3所示和水循环阈值Circle=13.2:
供热历史数据起始时间点StartTime:StartTime是一个时间点数据;
功率消耗历史数据History:该数据为一个列表,该列表存储着以StartTime为起始的180天数据,列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据;History列表中每一个表项为一个96个元素的数组(一天每间隔15分钟采样一次功率值);
输入历史气温数据Temperature:该数据为一个数组共计180个元素,存储着以StartTime为起始的180天的每日最低气温数据;
S101,输入供热历史数据起始时间点StartTime,输入其功率消耗历史数据History,输入历史气温数据Temperature;
S102,取出History中的每一个表项,合并为一个一维数组TempArray;
S103,删除TempArray中值为零的元素;
S104,使用K-Means算法并指定聚类个数为2个对TempArray进行聚类,获取2个聚类中心C1和C2;
S105,水循环阈值Circle=(C1+C2)/2;
S106,建立蓄热时段数组NArray,其个数为180,所有元素的初始值为0;
S107,表项查看计数器ItemCounter=1;
S108,取出History的第ItemCounter个表项存入数组TempArray2;
S109,tc1=计算TempArray2中大于Circle的元素个数;
S110,tc2=计算TempArray2中不为0的元素个数;
S111,如果tc2等于0那么NArray[ItemCounter]=-1, 否则NArray[ItemCounter]=tc1;
S112,ItemCounter=ItemCounter+1;
S113, 如果ItemCounter<=180则转到S108, 否则转到S114;
S114,该步骤处理结束;
S2, 建立电锅炉的使用模式算子ModeOperator,ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray,输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray:
S201,建立电锅炉的使用模式算子ModeOperator,ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray;
S202,建立关联性数组CorrelationArray,CorrelationArray包含36个元素,每个元素的初始值为0;建立预测模型数组ModelArray,ModelArray包含36个元素,每个元素的初始值为NULL;
S203,关联性计数器CorrelationCounter=1;
S204,在NArray中取出位置为(CorrelationCounter-1)*5+1 至(CorrelationCounter)*5的5个元素存入数组NTemp中,获得NTemp中数值最小元素的值NTempMin;
S205,在Temperature中取出位置为(CorrelationCounter-1)*5+1 至(CorrelationCounter)*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax;
S206,如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214,否则转向S207;
S207,计算NTemp和TTemp的相关系数矩阵,获得矩阵的第1行第2列元素存储到变量CorrelationParam中;
S208,如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214,否则转到S209;
S209,CorrelationArray[CorrelationCounter]=1/(1+exp( (-CorrelationParam)*20-10));
S210,如果CorrelationArray[CorrelationCounter]<0.5则转到214,否则转到S211;
S211,获得模型输出数组TOutputArray=NTemp-NTempMin,获得模型输入数组TInputArray=TTempMax-TTemp;
S212,建立基于神经网的回归分析模型,模型输入为TInputArray,输出为TOutputArray,训练该模型获得训练的结果Model;
S213,ModelArray[CorrelationCounter]=Model;
S214,CorrelationCounter=CorrelationCounter+1;
S215,如果CorrelationCounter<=36则转到S204,否则转到S216;
S216,tc3=(CorrelationArray中小于0.5的元素个数)/36;
S217, 如果tc3<=0.3那么ModeValue=1,如果ModeValue>0.3则ModeValue=2;
S218,将模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray作为ModeOperator的输出;
S3, 对于固体蓄热式电锅炉,输入需要预测的时间点Current=分别从2017年11月2日至4月30日进行179次的预测,供热起始时间点CurrentStartTime=2017年11月1日,时间点Current的日最低气温预测数据CurrentTemp, Current前一天的功率消耗数据PrevArray,Current前一天日最低气温PrevTemp, 利用ModeOperator获得预测结果,预测结果对比如图4所示。从图从4可以看出预测功率与真实的功率趋势十分近似,达到了预测目标。利用本专利提出的方法可以很好的预测高寒地区固体蓄热式电锅炉短期功率,对于电网管理、用电管理具有很高的使用价值:
其中,PrevArray为一天每间隔15分钟采样一次共计96个元素的数组;
S301, Days=(Current距离CurrentStartTime所经历的天数)+1,DayPos=floor(Days/5)+1,其中floor为去除小数部分获得整数的函数;
S302,PrevYearArray=History的第Days个表项;
S303,预测功率变量PredictResult=0;
S303,利用ModeOperator获得模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray,
[ModeValue,CorrelationArray,ModelArray]=ModeOperator(Temperature,NArray);
S304,如果ModeValue=1则转到S305,否则转到S307;
S305,如果PrevArray的所有元素值为0那么PredictResult=sum(PrevYearArray),否则PredictResult=sum(PrevArray+PrevYearArray);
S306, 转到S316;
S307,BigArray=取出PrevArray中大于Circle的元素,AvgBigArray=BigArray的均值,NumBigArray为BigArray的元素个数;
S308,SmallArray=取出PrevArray中大于Circle的元素,AVGSmallArray=SmallArray的均值;
S309,如果CorrelationArray[DayPos]<=0.5则转到S310,否则转到S312;
S310,PredictResult=NArray[Days]*AvgBigArray+(96-NArray[Days])*AVGSmallArray;
S311, 转到S316;
S312, 预测模型PrevModel=ModelArray[DayPos];
S313,将(CurrentTemp-PrevTemp)做为PrevModel的输入,获得PrevModel的预测结果存储到变量PredictNum中;
S314,RealNum=(PredictNum+NumBigArray);
S315,PredictResult=RealNum *AvgBigArray+(96-RealNum)*AVGSmallArray;
S316,将PredictResult作为预测结果输出。
结论,通过图4对比结果的分析,将均方误差作为精度评价标准,与传统的神经网、支持向量机的预测进行对比如下所示:本发明方法: 0.032;神经网:0.193;支持向量机:0.15。可以看出本发明的方法在预测精度上远远低于其他传统方法,说明本专利更具实际应用价值。
Claims (1)
1.一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法,包括以下步骤:
S1,对于一台固体蓄热式电锅炉,输入供热历史数据起始时间点StartTime,输入其功率消耗历史数据History,输入历史气温数据Temperature,获得蓄热时段数组NArray和水循环阈值Circle:
供热历史数据起始时间点StartTime:StartTime是一个时间点数据;
功率消耗历史数据History:该数据为一个列表,该列表存储着以StartTime为起始的180天数据,列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据;History列表中每一个表项为一个96个元素的数组(一天每间隔15分钟采样一次功率值);
输入历史气温数据Temperature:该数据为一个数组共计180个元素,存储着以StartTime为起始的180天的每日最低气温数据;
S101,输入供热历史数据起始时间点StartTime,输入其功率消耗历史数据History,输入历史气温数据Temperature;
S102,取出History中的每一个表项,合并为一个一维数组TempArray;
S103,删除TempArray中值为零的元素;
S104,使用K-Means算法并指定聚类个数为2个对TempArray进行聚类,获取2个聚类中心C1和C2;
S105,水循环阈值Circle=(C1+C2)/2;
S106,建立蓄热时段数组NArray,其个数为180,所有元素的初始值为0;
S107,表项查看计数器ItemCounter=1;
S108,取出History的第ItemCounter个表项存入数组TempArray2;
S109,tc1=计算TempArray2中大于Circle的元素个数;
S110,tc2=计算TempArray2中不为0的元素个数;
S111,如果tc2等于0那么NArray[ItemCounter]=-1, 否则NArray[ItemCounter]=tc1;
S112,ItemCounter=ItemCounter+1;
S113, 如果ItemCounter<=180则转到S108, 否则转到S114;
S114,该步骤处理结束;
S2, 建立电锅炉的使用模式算子ModeOperator,ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray,输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray:
S201,建立电锅炉的使用模式算子ModeOperator,ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray;
S202,建立关联性数组CorrelationArray,CorrelationArray包含36个元素,每个元素的初始值为0;建立预测模型数组ModelArray,ModelArray包含36个元素,每个元素的初始值为NULL;
S203,关联性计数器CorrelationCounter=1;
S204,在NArray中取出位置为(CorrelationCounter-1)*5+1 至(CorrelationCounter)*5的5个元素存入数组NTemp中,获得NTemp中数值最小元素的值NTempMin;
S205,在Temperature中取出位置为(CorrelationCounter-1)*5+1 至(CorrelationCounter)*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax;
S206,如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214,否则转向S207;
S207,计算NTemp和TTemp的相关系数矩阵,获得矩阵的第1行第2列元素存储到变量CorrelationParam中;
S208,如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214,否则转到S209;
S209,CorrelationArray[CorrelationCounter]=1/(1+exp( (-CorrelationParam)*20-10));
S210,如果CorrelationArray[CorrelationCounter]<0.5则转到214,否则转到S211;
S211,获得模型输出数组TOutputArray=NTemp-NTempMin,获得模型输入数组TInputArray=TTempMax-TTemp;
S212,建立基于神经网的回归分析模型,模型输入为TInputArray,输出为TOutputArray,训练该模型获得训练的结果Model;
S213,ModelArray[CorrelationCounter]=Model;
S214,CorrelationCounter=CorrelationCounter+1;
S215,如果CorrelationCounter<=36则转到S204,否则转到S216;
S216,tc3=(CorrelationArray中小于0.5的元素个数)/36;
S217, 如果tc3<=0.3那么ModeValue=1,如果ModeValue>0.3则ModeValue=2;
S218,将模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray作为ModeOperator的输出;
S3, 对于固体蓄热式电锅炉,输入需要预测的时间点Current,供热起始时间点CurrentStartTime,时间点Current的日最低气温预测数据CurrentTemp, Current前一天的功率消耗数据PrevArray,Current前一天日最低气温PrevTemp, 利用ModeOperator获得预测结果:
其中,PrevArray为一天每间隔15分钟采样一次共计96个元素的数组;
S301, Days=(Current距离CurrentStartTime所经历的天数)+1,DayPos=floor(Days/5)+1,其中floor为去除小数部分获得整数的函数;
S302,PrevYearArray=History的第Days个表项;
S303,预测功率变量PredictResult=0;
S303,利用ModeOperator获得模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray,
[ModeValue,CorrelationArray,ModelArray]=ModeOperator(Temperature,NArray);
S304,如果ModeValue=1则转到S305,否则转到S307;
S305,如果PrevArray的所有元素值为0那么PredictResult=sum(PrevYearArray),否则PredictResult=sum(PrevArray+PrevYearArray);
S306, 转到S316;
S307,BigArray=取出PrevArray中大于Circle的元素,AvgBigArray=BigArray的均值,NumBigArray为BigArray的元素个数;
S308,SmallArray=取出PrevArray中大于Circle的元素,AVGSmallArray=SmallArray的均值;
S309,如果CorrelationArray[DayPos]<=0.5则转到S310,否则转到S312;
S310,PredictResult=NArray[Days]*AvgBigArray+(96-NArray[Days])*AVGSmallArray;
S311, 转到S316;
S312, 预测模型PrevModel=ModelArray[DayPos];
S313,将(CurrentTemp-PrevTemp)做为PrevModel的输入,获得PrevModel的预测结果存储到变量PredictNum中;
S314,RealNum=(PredictNum+NumBigArray);
S315,PredictResult=RealNum *AvgBigArray+(96-RealNum)*AVGSmallArray;
S316,将PredictResult作为预测结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075817.8A CN109766346B (zh) | 2019-01-25 | 2019-01-25 | 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075817.8A CN109766346B (zh) | 2019-01-25 | 2019-01-25 | 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766346A true CN109766346A (zh) | 2019-05-17 |
CN109766346B CN109766346B (zh) | 2022-11-18 |
Family
ID=66455370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075817.8A Active CN109766346B (zh) | 2019-01-25 | 2019-01-25 | 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766346B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007028739A (ja) * | 2005-07-13 | 2007-02-01 | Univ Of Ryukyus | 負荷需要変化に対応する適応的発電機起動停止計画作成方法 |
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN105387627A (zh) * | 2015-10-24 | 2016-03-09 | 东北电力大学 | 一种提高风电消纳的蓄热式电采暖优化运行控制方法 |
CN106503466A (zh) * | 2016-11-04 | 2017-03-15 | 中国电力科学研究院 | 电锅炉与太阳能联合供热系统的设备容量配置方法及装置 |
CN107067146A (zh) * | 2017-01-09 | 2017-08-18 | 国网浙江省电力公司经济技术研究院 | 考虑热负荷二维可控性的微网热电协调调度方法 |
CN107256436A (zh) * | 2017-05-05 | 2017-10-17 | 国家电网公司 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
CN109193808A (zh) * | 2018-11-13 | 2019-01-11 | 国网河北能源技术服务有限公司 | 电网调峰能力预测方法及装置 |
-
2019
- 2019-01-25 CN CN201910075817.8A patent/CN109766346B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007028739A (ja) * | 2005-07-13 | 2007-02-01 | Univ Of Ryukyus | 負荷需要変化に対応する適応的発電機起動停止計画作成方法 |
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN105387627A (zh) * | 2015-10-24 | 2016-03-09 | 东北电力大学 | 一种提高风电消纳的蓄热式电采暖优化运行控制方法 |
CN106503466A (zh) * | 2016-11-04 | 2017-03-15 | 中国电力科学研究院 | 电锅炉与太阳能联合供热系统的设备容量配置方法及装置 |
CN107067146A (zh) * | 2017-01-09 | 2017-08-18 | 国网浙江省电力公司经济技术研究院 | 考虑热负荷二维可控性的微网热电协调调度方法 |
CN107256436A (zh) * | 2017-05-05 | 2017-10-17 | 国家电网公司 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
CN109193808A (zh) * | 2018-11-13 | 2019-01-11 | 国网河北能源技术服务有限公司 | 电网调峰能力预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
曲子清等: "电锅炉采暖方案优化及其关键因素分析", 《电力系统及其自动化学报》 * |
李红娟等: "基于HP-Elman-LSSVM模型钢铁企业自备电厂煤气供入量预测及优化调度", 《钢铁》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109766346B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahmed et al. | Residential consumer-centric demand side management | |
Oldewurtel et al. | Towards a standardized building assessment for demand response | |
CN106815677A (zh) | 非侵入式负荷识别方法和装置 | |
CN113516291A (zh) | 电力负荷预测方法、装置及设备 | |
CN110198042A (zh) | 一种电网储能的动态优化方法及存储介质 | |
CN112859615A (zh) | 家庭用电负荷优化调度方法、系统、设备及可读存储介质 | |
CN108134385A (zh) | 主动配电网规划方法以及装置 | |
CN116644851A (zh) | 结合负荷优化配置的热电厂设备控制方法及系统 | |
Kaur et al. | A hybrid energy management approach for home appliances using climatic forecasting | |
CN111695733A (zh) | 一种基于改进模糊聚类算法的“煤改电”负荷预测方法 | |
CN114926046A (zh) | 一种备用资源跨区共享的计算方法及其相关装置 | |
CN109766346A (zh) | 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法 | |
CN109858668A (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN111478374B (zh) | 风光出力特性概率分布与预测的动态评估方法 | |
Elgazzar et al. | A centralized fuzzy controller for aggregated control of domestic water heaters | |
JP2017153257A (ja) | 電力需要予測装置、及び電力需要予測方法 | |
CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
Leitao et al. | Application of Bees Algorithm to Reduce Household's Energy Costs via Load Deferment | |
Gong et al. | Analysis of electricity consumption behavior of air conditioning based on the perspective of power demand response | |
Long et al. | Model predictive control for household energy management based on individual habit | |
Zhang et al. | Time-of-use pricing model considering wind power uncertainty | |
JP2012048620A (ja) | 共用データ生成方法、生成装置及び生成プログラム | |
CN115528684A (zh) | 一种超短期负荷预测方法、装置及电子设备 | |
CN112862215A (zh) | 一种微电网能源需求预测方法、系统及设备 | |
Horák et al. | Economic aspects of multi-source demand-side consumption optimization in the smart home concept |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221028 Address after: No. 395, Kuanping Road, Chaoyang District, Changchun, Jilin 130022 Applicant after: CHANGCHUN INSTITUTE OF TECHNOLOGY Applicant after: LIAOYUAN POWER SUPPLY COMPANY OF STATE GRID JILINSHENG ELECTRIC POWER SUPPLY Co. Address before: No. 395, Kuanping Road, Chaoyang District, Changchun, Jilin 130022 Applicant before: CHANGCHUN INSTITUTE OF TECHNOLOGY |
|
GR01 | Patent grant | ||
GR01 | Patent grant |