CN110135619A - 一种中长期电供暖需求的预测方法及系统 - Google Patents
一种中长期电供暖需求的预测方法及系统 Download PDFInfo
- Publication number
- CN110135619A CN110135619A CN201910262783.3A CN201910262783A CN110135619A CN 110135619 A CN110135619 A CN 110135619A CN 201910262783 A CN201910262783 A CN 201910262783A CN 110135619 A CN110135619 A CN 110135619A
- Authority
- CN
- China
- Prior art keywords
- heating
- area
- electricity
- predetermined period
- newly
- 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.)
- Pending
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 311
- 230000005611 electricity Effects 0.000 title claims abstract description 258
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007774 longterm Effects 0.000 title claims abstract description 21
- 238000005485 electric heating Methods 0.000 claims abstract description 85
- 239000003245 coal Substances 0.000 claims abstract description 45
- 230000013011 mating Effects 0.000 claims abstract description 43
- 238000011161 development Methods 0.000 claims abstract description 21
- 238000006467 substitution reaction Methods 0.000 claims description 84
- 238000009826 distribution Methods 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 2
- 230000018109 developmental process Effects 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012395 formulation development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002023 wood Substances 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种中长期电供暖需求的预测方法及系统,包括:在待预测区域内获取供暖参数;基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;所述供暖参数包括:燃煤供热面积和新增电供暖推广比例。本发明提供了一套全流程的预测方法,形成普适易用的方法论模型,为准确把握电供暖未来发展潜力、制定发展策略提供决策依据。
Description
技术领域
本发明涉及清洁供暖领域,具体涉及一种中长期电供暖需求的预测方法及系统。
背景技术
近年来随着全球气候变化异常,某些地区的最低温度不断刷新历史最低,为了预防寒冷进行供暖已经成了必然选择,采用什么进行供暖又经济实惠又能满足用户需求?中国大部分采用煤炭供暖导致污染严重,而采用清洁供暖对治理大气污染环境和改善农村居民生活方式具有重要现实意义。电供暖作为清洁供暖的重要途径,迎来快速发展,但没有科学系统的电供暖需求分析预测方法论,亟需构建科学、系统的电供暖需求分析模型。
当前电供暖需求分析的不足主要体现在两个方面:一是目前基本是根据各地燃煤供暖规模开展一定替代比例的简单估算,对用户供暖需求增长的结构动因缺乏分析,导致电供暖需求预测脱离用户需求实际,缺乏科学性和系统性;二是目前更多电供暖需求的预测仅限于电供暖面积和电供暖用电量。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种中长期电供暖需求的预测方法及系统。本发明的目的旨在从整个供热系统角度开展中长期电供暖需求的综合性预测,通过深入剖析电供暖需求的增长结构及原生动力,从替代需求和新增需求角度分别选取影响因素指标,从客户需求角度构建电供暖需求分析的模型方法论,实现电供暖面积、电供暖电量、电供暖负荷、电供暖配套电网容量及投资需求等测算全流程的贯穿,形成普适易用的方法论模型,进行了预测分析,为电网企业提供系统科学且易操作的方法论支撑,为国家及电网企业准确把握电供暖未来发展潜力、制定发展策略提供决策依据。
本发明提供的一种中长期电供暖需求的预测方法,包括:
在待预测区域内获取供暖参数;
基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;
所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;
所述供暖参数包括:燃煤供热面积和新增电供暖推广比例。
优选的,所述电供暖需求预测模型的构建,包括:
基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式;
基于各情景模式中的用户供暖需求构建指标测算公式;
其中,所述指标测算公式包括:电供暖面积测算、电供暖电量测算、电供暖最大用电负荷测算和电供暖配套电网新增容量需求测算;
所述情景参数包括:第一区域在总测算区域的比例、第二区域的改造规模、第一区域中新增电供暖推广比例、第一区域中原有燃煤供暖替代比例、第三区域中人均居住面积、第三区域中电供暖发展比例、年最大利用小时数和配电网容载比;
所述情景模式包括:高情景、中情景和低情景。
优选的,所述电供暖面积测算,包括:
基于预测周期内燃煤供热面积和电供暖替代比例获得预测周期内电供暖替代面积;
基于新增的建筑面积和预测周期内的用户数量获得预测周期内电供暖新增面积;
基于所述预测周期内电供暖替代面积和预测周期内电供暖新增面积,获得电供暖面积。
优选的,所述电供暖面积,按下式计算:
EHA=AHA+NHA
式中,EHA:预测周期内的电供暖面积;AHA:预测周期内的电供暖替代面积;NHA:预测周期内的电供暖新增面积;
其中,所述预测周期内的电供暖新增面积NHA,按下式计算:
NHA=UHA0×[(UP+SCP)÷UP0]
式中,UHA0:基础周期的供热面积;UP:预测周期内的第一区域人口数;SCP:预测周期内的第二区域人口数;UP0:第一区域在基础周期的人口数;
所述预测周期内的电供暖替代面积AHA,按下式计算:
AHA=UCHA0×UAR+RP×PCA×RAR
式中,UCHA0:第一区域在基础周期内的燃煤供热面积;UAR:预测周期内第一区域的电供暖替代比例;RP:预测周期内第三区域的人口数;PCA:预测周期内第三区域的人均住宅面积;RAR:预测周期内第三区域的电供暖替代比例。
优选的,通过下式进行所述电供暖电量测算:
EHE=(UAA+UNA)×UUPC+RAA×RUPC
式中,EHE:预测周期的电供暖电量;UAA:第一区域在预测周期的电供暖替代面积;UNA:第一区域在预测周期的电供暖新增面积;UUPC:第一区域在预测周期的建筑平均单位供热面积电耗;RAA:第三区域在预测周期的电供暖替代面积;RUPC:第三区域在预测周期的建筑平均单位供热面积电耗。
优选的,通过下式进行所述电供暖最大用电负荷测算:
EMEL=EHE×ELR÷EMUH
式中,EMEL:预测周期的电供暖最大用电负荷;EHE:预测周期的电供暖电量;ELR:预测周期的电供暖最大负荷同时率;EMUH:预测周期的电供暖平均利用小时数。
优选的,通过下式进行所述电供暖配套电网新增容量需求测算:
式中,ESGCR:预测周期的电供暖配套电网新增容量需求;ESGCRk:预测周期在配电网等级k下的新增容量需求;N:配电网等级级数;
其中,所述预测周期在配电网等级k下的新增容量需求ESGCRk,按下式计算:
式中:EMEL:预测周期内电供暖最大用电负荷;配电网等级k的容载比下限;SGC0:基础周期内各配电网等级的变电容量;MEL0:历史数据中最大用电负荷;配电网等级k的容载比上限。
优选的,所述电供暖需求预测模型的构建,还包括:
构建电供暖配套电网投资需求测算。
优选的,通过下式进行所述电供暖配套电网投资需求测算:
式中,ESGID:预测周期的电供暖配套电网投资需求;ESGIDk:预测周期在配电网等级k下的电供暖配套电网投资需求;N:配电网等级级数;
其中,所述预测周期在配电网等级k下的电供暖配套电网投资需求ESGIDk,按下式计算:
ESGIDk=ESGCRk×USGCIk
式中,ESGCRk:预测周期在配电网等级k下的新增容量需求;USGCIk:预测周期在配电网等级k下的单位容量投资。
优选的,所述基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式,包括:
基于设置的情景参数获得电供暖面积对燃煤供热面积的替代率和新增供热面积的增长率;
将所述电供暖面积对燃煤供热面积的替代率>第一替代阈值,且所述新增供热面积的增长率>第一新增阈值的模式,设置为高情景;
将所述电供暖面积对燃煤供热面积的替代率处于所述第一替代阈值和第二替代阈值之间,且所述新增供热面积的增长率处于所述第一新增阈值和第二新增阈值之间的模式,设置为中情景;
将所述电供暖面积对燃煤供热面积的替代率<第二替代阈值,且所述新增供热面积的增长率<所述第二新增阈值的模式,设置为低情景。
优选的,所述第一区域包括:用户居住集中,供暖方式为集中供暖的区域;
所述第二区域包括:用户居住比所述第一区域分散且比第三区域集中,供暖方式为自供暖的区域;
所述第三区域包括:用户居住分散,供暖方式为自供暖的区域。
基于同一发明构思,本发明还提供了一种中长期电供暖需求的预测系统,包括:
获取模块,用于在待预测区域内获取供暖参数;
预测模块,用于基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;
所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;
所述供暖参数包括:燃煤供热面积和新增电供暖推广比例。
优选的,所述系统还包括,构建模块,用于构建电供暖需求预测模型;
所述构建模块,包括:
设置单元,用于基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式;
构建单元,用于基于各情景模式中的用户供暖需求构建指标测算公式;
其中,所述指标测算公式包括:电供暖面积测算、电供暖电量测算、电供暖最大用电负荷测算和电供暖配套电网新增容量需求测算;
所述情景参数包括:第一区域在总测算区域的比例、第二区域的改造规模、第一区域中新增电供暖推广比例、第一区域中原有燃煤供暖替代比例、第三区域中人均居住面积、第三区域中电供暖发展比例、年最大利用小时数和配电网容载比;
所述情景模式包括:高情景、中情景和低情景。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案,在待预测区域内获取供暖参数;基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的,提供了一套全流程的预测方法,对电供暖需求进行了预测分析,避免了通过简单估算导致的严重误差,为准确把握电供暖未来发展潜力、制定发展策略提供决策依据。
附图说明
图1为本发明中一种中长期电供暖需求的预测方法流程图;
图2为本发明的电供暖需求分析模型框架示意图;
图3为本发明中电供暖需求分析测算流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1
如图1所示,本发明提供的一种中长期电供暖需求的预测方法,包括:
步骤S1、在待预测区域内获取供暖参数;
步骤S2、基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;
所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;
所述供暖参数包括:基础年份燃煤供热面积、电供暖替代燃煤供热的比例、新增电供暖推广比例和棚户区改造计划规模。
本实施例从用户供暖需求出发,将电供暖纳入全社会供热系统中,搭建电供暖需求分析的整体架构。
本发明中划分区域的标准为:将国家设为第一级,以所述国家的电网分布形式依次设级;
本实施例以中国为例,将中国设为第一级;中国下设五大区域,为第二级;其中第二级的区域包括:华北区域、华中区域、华东区域、西北区域和东北区域,每个区域对应多个省。以第二级的华东区域为例,第三级包括江苏、安徽、浙江、福建和上海。本实施例虽以中国为例,但是本发明不仅仅局限于中国,提到的省,对应的是电网中的第三级。
本实施例以计算中国在预测周期内的电供暖市场为例,先计算每个省在预测周期内的电供暖市场,然后对各省在预测周期内的电供暖市场叠加获得中国在预测周期内的电供暖市场。在计算每个省在预测周期内的电供暖市场时,按本发明提供的预测方法进行计算,其中电供暖市场包括:各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量,以及电供暖配套电网投资需求。
本实施例中各情景模式的标准按各省的实际情况设置,因为北京市和西北地区城市的标准差距很大,划分各情景模式的标准有地域性。
在本发明中基于地域性划分了几个区域,其中第一区域具有人口居住集中,供暖方式多为集体供暖,或通过电供暖替代通过燃煤供暖的几率高的特点;第二区域具有居住人口比第一区域分散,但比第三区域密集,供暖方式多样化的特点,;第三区域具有人口居住分散,采暖方式基本为通过燃煤或薪柴自采暖。以中国为例,第一区域可以是城镇,第二区域为介于第一区域和第三区域之间的城乡结合部或者棚户区,第三区域为农村。
步骤S1、在待预测区域内获取供暖参数,包括:从历史数据中获取燃煤供热面积和新增电供暖推广比例等。
构建电供暖需求预测模型,具体包括:
步骤一、深度剖析电供暖需求的增长结构及核心影响因素;
步骤二、提出自下而上的基本分析思路,并根据各地影响因素发展程度设定不同的发展情景及参数;
步骤三、统计电供暖面积、电供暖电量、电供暖负荷、电供暖配套电网容量及投资需求之间的关系,制定测算流程;
步骤四、开展不同情景下的电供暖市场及投资需求测算。
步骤一、深度剖析电供暖需求的增长结构、关键影响因素,并提炼核心影响指标,如图2所示,分析结果如下:
(1)电供暖需求增长结构主要包括原有燃煤供热面积的替代需求部分以及用户供热面积发展的新增需求部分;
(2)影响电供暖需求增长的主要影响因素包括供热面积的动态演变、电供暖技术经济性、建筑保温情况、电力供应能力等。其中,供热面积的动态演变的核心指标包括政府人均规划住宅面积(参考值)、原有供热面积、城镇化率、棚户区规模及改造规划、原有城镇人口的自然增长率等;电供暖技术经济性指标主要包括投资成本、年运行成本、综合供暖成本等;建筑保温情况的核心指标包括室外温度、建筑物节能平均耗热量、节能标准等指标;电力供应能力核心指标包括现有配电网富裕容量、配电网规划容量、冬季电力盈亏量等。
(3)影响替代需求的主要因素包括原有燃煤供热面积、地区清洁替代规划目标、电供暖技术经济性等指标,影响新增需求的主要因素包括人口发展规模、城镇化率、棚户区改造规模、室外气温、节能建筑比例等。
步骤二、提出分析测算的基本思路,并根据各地影响因素发展程度设定不同的发展情景及参数,如图3所示,具体如下:
(1)电网企业整体采取自下而上的分析思路,以各省电网企业为基准,结合各省实际及影响因素发展程度,开展各省供暖面积需求预测;电网企业总部从全国宏观角度及整体情况开展预测,并基于各省预测,制定并优化调整公司级需求预测结果;
(2)电供暖需求的中长期预测可考虑设置高、中、低三种情景。
其中,高情景为电供暖面积对燃煤供热面积的高比例替代及新增供热面积的大规模增长,这里可以根据实际情况设定第一替代阈值和第一新增阈值,当电供暖面积对燃煤供热面积的替代率超过第一替代阈值时,则为高比例替代,且新增供热面积超过第一新增阈值时,则为大规模增长;
低情景为电供暖面积对燃煤供热面积的适度比例替代及新增供热面积的适度规模增长,根据实际情况设定第二替代阈值和第二新增阈值,当电供暖面积对燃煤供热面积的替代率低于第二替代阈值则为适度比例替代,且新增供热面积低于第二新增阈值时,则为适度规模增长;
中情景为电供暖面积对燃煤供热面积的中比例替代及新增供热面积的中规模增长,也就是电供暖面积对燃煤供热面积的替代率介于第一替代阈值和第二替代阈值之间为中规模替代,且新增供热面积介于第一新增阈值和第二新增阈值之间为中规模增长;
其中,第一替代阈值、第二替代阈值、第一新增阈值和第二新增阈值是各省根据各地实际情况进行设置。
(3)根据设置的情景参数获得电供暖面积对燃煤供热面积的替代率和新增供热面积的增长率。
情景参数设置选定指标主要包括城镇化率(%)、棚户区改造规模(万人)、城镇新增电供暖推广比例(%)、城镇原有燃煤供暖替代比例(%)、农村人均居住面积(m2/人)、农村电供暖发展比例(%)、年最大利用小时数(小时)、配电网容载比等。各省根据各地实际设置相关参数。
步骤三、统计供暖面积、供暖电量、供暖负荷、配套电网容量及投资需求等电供暖需求输出指标之间的关系,具体测算流程如下:
(1)以各省为单位,测算本地区的电供暖总面积,首先测算原有燃煤供热面积的替代需求,以全省及各城市清洁取暖替代规划目标为参考,主要考虑本省各城市燃煤供热面积、技术经济性等指标,按高、中、低情景及根据设置的时间间隔划分的时间节点调整电供暖替代比例,计算出不同情景下本省电供暖的替代供热面积,替代比例选取要结合本地区的能源资源禀赋情况及电供暖的发展环境做出判断;
其次,测算本省新增供暖面积,以全省及各城市城镇化发展规模为参考,主要考虑人口流动及自然增长趋势、城镇化率、棚户区年度改造规模、本地区冬季室外温度情况、节能建筑占比等因素,按高、中、低情景及根据设置的时间间隔划分的时间节点分析供暖面积新增规模,并结合本地区情况,给出电供暖面积的推广比例,进而计算出不同情景下本省电供暖的新增面积;
其中,时间间隔包括:5年、10年、20年等;时间节点包括:2020、2030、2050;或2020、2025、2030等。
将替代供暖面积和新增供暖面积累加,计算得出本地区不同情景、不同时间节点下的电供暖总面积。
(2)基于电供暖总面积,测算电供暖需求产生的用电量。结合本地区达到所需温度后的单位面积平均耗热量及电供暖总面积,测算得出电供暖面积需热量,再由热量换算至用电量。
(3)基于电供暖用电量,测算电供暖产生的负荷需求。各地区由于采暖季在120天~200天不等,因此年最大利用小时数约为800~2300小时不等,因此,结合本地区电供暖用电量需求、不同采暖设备配置标准、年最大利用小时数、同时率等指标,预测本地区电供暖年最大用电负荷情况。
(4)基于电供暖年最大用电负荷,测算本地区电供暖配电网容量需求。考虑本地区不同电压等级配电网容载比及电供暖年最大用电负荷,测算不同电压等级配电网容量需求,结合原有配电网富裕容量情况,测算不同电压等级配电网新增容量需求。
(5)基于不同电压等级电供暖配套电网容量需求,测算本地区不同电压等级电供暖配套电网投资需求。结合配电网造价水平等投资测算依据,测算本地区不同电压等级电供暖需求产生的配电网投资需求。
步骤S2、基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测,根据步骤四中构建的各指标测算公式进行计算,包括:
步骤四、各指标测算公式如下:
(1)电供暖面积测算:电供暖面积的测算要考虑原有燃煤供热面积的替代部分及新增供热面积,其中,原有燃煤供热面积的替代部分包括城镇替代供热面积及农村替代供热面积两部分,新增供热面积主要指城镇地区由于城镇化率的不断提升、棚户区改造、城镇原有人口的自然增长等带来的供热面积的新增部分。
1)电供暖替代面积:为城镇替代供热面积与农村替代供热面积之和。主要选取城镇基础年现有的燃煤供热面积(m2)、城镇电供暖在未来预测周期份的计划替代比例(%)、农村预测周期人口数(人)、农村预测周期人均住宅面积(m2)、农村电供暖在未来预测周期份的计划替代比例(%)。具体测算公式如下:
AHAij=UAAij+RAAij (1)
UAAij=UCHAi0×UARij (2)
RAAij=RPij×PCAij×RARij (3)
中,AHAij是指第i省第j预测周期的电供暖替代面积;
UAAij是指第i省第j预测周期的城镇电供暖替代面积;
RAAij是指第i省第j预测周期的农村电供暖替代面积;
UCHAi0是指第i省基础年的城镇燃煤供热面积;
UARij是指第i省第j预测周期的城镇电供暖替代比例;
RPij是指第i省第j预测周期农村人口数;
PCAij是指第i省第j预测周期农村人均住宅面积;
RARij是指第i省第j预测周期的农村电供暖替代比例。
2)电供暖新增面积:由于农村大多采用燃煤自供暖,且随着城市化进程的加快,农村住房面积不断减少,因此,农村地区更多考虑是电供暖替代面积的变化,电供暖新增面积仅考虑城镇新增供热面积。主要选取城镇基础年现有的供热面积(m2)、城镇基础年人口数(人)、城镇预测周期人口数(人)、城镇预测周期棚改人口数(人),具体测算公式如下:
NHAij=UNAij (4)
UNAij=UHAi0×[(UPij+SCPij)÷UPi0] (5)
其中,NHAij是指第i省第j预测周期的电供暖新增面积;
UNAij是指第i省第j预测周期的城镇电供暖新增面积;
UHAi0是指第i省基础年的供热面积;
UPij是指第i省第j预测周期的城镇人口数;
SCPij是指第i省第j预测周期的棚改人口数;
UPi0指第i省基础年的城镇人口数。
3)电供暖总面积:为原有燃煤供热面积的替代面积与新增供热面积的和。
EHAij=AHAij+NHAij (6)
其中,EHAij是指第i省第j预测周期的电供暖面积;
AHAij是指第i省第j预测周期的电供暖替代面积;
NHAij是指第i省第j预测周期的电供暖新增面积。
(2)电供暖电量测算:基于电供暖供热总面积,测算电供暖用电量。主要选取城镇电供暖面积(m2)、城镇建筑平均单位供热面积电耗(Kwh/m2)、农村电供暖面积(m2)、农村建筑平均单位供热面积电耗(Kwh/m2),具体测算公式如下:
EHEij=(UAAij+UNAij)×UUPCij+RAAij×RUPCij (7)
其中,EHEij是指第i省第j预测周期的电供暖电量;
UAAij是指第i省第j预测周期的城镇电供暖替代面积;
UNAij是指第i省第j预测周期的城镇电供暖新增面积;
UUPCij是指第i省第j预测周期的城镇建筑平均单位供热面积电耗;
RAAij是指第i省第j预测周期的农村电供暖替代面积;
RUPCij是指第i省第j预测周期的农村建筑平均单位供热面积电耗。
(3)电供暖最大用电负荷测算:基于电供暖电量,测算电供暖最大用电负荷。主要选取电供暖电量(Kwh)、电供暖平均利用小时数(h)、电供暖负荷同时率(%),具体测算公式如下:
EMELij=EHEij×ELRij÷EMUHij (8)
其中,EMELij是指第i省第j预测周期的电供暖最大用电负荷;
EHEij是指第i省第j预测周期的电供暖电量;
ELRij是指第i省第j预测周期的电供暖最大负荷同时率;
EMUHij是指第i省第j预测周期的电供暖平均利用小时数。
(4)电供暖配套电网新增容量需求测算:基于电供暖最大用电负荷,测算电供暖所需的配套电网容量。主要选取电供暖最大用电负荷(万KW)、不同电压等级电网的容载比,例如110KV电网容载比取2.1)、基础年不同电压等级电网的变电容量(万KVA)、基础年冬季最大用电负荷(万KW),具体测算公式如下:
其中,ESGCRij是指第i省第j预测周期的电供暖配套电网新增容量需求;
是指第i省第j预测周期在各配电网等级下的新增容量需求;
EMELij是指第i省第j预测周期的电供暖最大用电负荷;
是指不同电压等级电网的容载比下限;
SGC0是指基础年不同电压等级电网的变电容量;
MELi0是指冬季最大用电负荷,即历史年份中冬季最大用大负荷,不局限在某一年,而是受气温、经济发展等因素影响,历史上出现的最大用电负荷情况,一般从最近5年内的历史数据中获取;
是指不同电压等级电网的容载比上限。
(5)电供暖配套电网投资需求测算:基于电供暖配套电网新增容量需求,测算新增配套电网投资需求。主要选取电供暖配套电网新增容量需求(万KVA)、不同电压等级配套电网单位容量投资(元/KVA),具体测算公式如下:
其中,ESGIDij是指第i省第j预测周期的电供暖配套电网投资需求;
是指第i省第j预测周期在各配电网等级下的电供暖配套电网投资需求;
是指第i省第j预测周期在各配电网等级下的新增容量需求;
是指第i省第j预测周期在各配电网等级下的单位容量投资。
本实施例中的配电网等级可以包括:110(含66)KV、35KV、10KV及以下。
本实施例中的预测周期包括:年或月。
实施例2
基于同一发明构思,本发明还提供了一种中长期电供暖需求的预测系统,包括:
获取模块,用于在待预测区域内获取供暖参数;
预测模块,用于基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;
所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;
所述供暖参数包括:基础年份燃煤供热面积、电供暖替代燃煤供热的比例、新增电供暖推广比例和棚户区改造计划规模。
实施例中,所述系统还包括,构建模块,用于构建电供暖需求预测模型;
所述构建模块,包括:
设置单元,用于基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式;
构建单元,用于基于各情景模式中的用户供暖需求构建指标测算公式;
其中,所述指标测算公式包括:电供暖面积测算、电供暖电量测算、电供暖最大用电负荷测算和电供暖配套电网新增容量需求测算;
所述情景参数包括:第一区域在总测算区域的比例、第二区域的改造规模、第一区域中新增电供暖推广比例、第一区域中原有燃煤供暖替代比例、第三区域中人均居住面积、第三区域中电供暖发展比例、年最大利用小时数和配电网容载比;
所述情景模式包括:高情景、中情景和低情景。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (13)
1.一种中长期电供暖需求的预测方法,其特征在于,包括:
在待预测区域内获取供暖参数;
基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;
所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;
所述供暖参数包括:燃煤供热面积和新增电供暖推广比例。
2.如权利要求1所述的方法,其特征在于,所述电供暖需求预测模型的构建,包括:
基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式;
基于各情景模式中的用户供暖需求构建指标测算公式;
其中,所述指标测算公式包括:电供暖面积测算、电供暖电量测算、电供暖最大用电负荷测算和电供暖配套电网新增容量需求测算;
所述情景参数包括:第一区域在总测算区域的比例、第二区域的改造规模、第一区域中新增电供暖推广比例、第一区域中原有燃煤供暖替代比例、第三区域中人均居住面积、第三区域中电供暖发展比例、年最大利用小时数和配电网容载比;
所述情景模式包括:高情景、中情景和低情景。
3.如权利要求2所述的方法,其特征在于,所述电供暖面积测算,包括:
基于预测周期内燃煤供热面积和电供暖替代比例获得预测周期内电供暖替代面积;
基于新增的建筑面积和预测周期内的用户数量获得预测周期内电供暖新增面积;
基于所述预测周期内电供暖替代面积和预测周期内电供暖新增面积,获得电供暖面积。
4.如权利要求3所述的方法,其特征在于,所述电供暖面积,按下式计算:
EHA=AHA+NHA
式中,EHA:预测周期内的电供暖面积;AHA:预测周期内的电供暖替代面积;NHA:预测周期内的电供暖新增面积;
其中,所述预测周期内的电供暖新增面积NHA,按下式计算:
NHA=UHA0×[(UP+SCP)÷UP0]
式中,UHA0:基础周期的供热面积;UP:预测周期内的第一区域人口数;SCP:预测周期内的第二区域人口数;UP0:第一区域在基础周期的人口数;
所述预测周期内的电供暖替代面积AHA,按下式计算:
AHA=UCHA0×UAR+RP×PCA×RAR
式中,UCHA0:第一区域在基础周期内的燃煤供热面积;UAR:预测周期内第一区域的电供暖替代比例;RP:预测周期内第三区域的人口数;PCA:预测周期内第三区域的人均住宅面积;RAR:预测周期内第三区域的电供暖替代比例。
5.如权利要求2所述的方法,其特征在于,通过下式进行所述电供暖电量测算:
EHE=(UAA+UNA)×UUPC+RAA×RUPC
式中,EHE:预测周期的电供暖电量;UAA:第一区域在预测周期的电供暖替代面积;UNA:第一区域在预测周期的电供暖新增面积;UUPC:第一区域在预测周期的建筑平均单位供热面积电耗;RAA:第三区域在预测周期的电供暖替代面积;RUPC:第三区域在预测周期的建筑平均单位供热面积电耗。
6.如权利要求2所述的方法,其特征在于,通过下式进行所述电供暖最大用电负荷测算:
EMEL=EHE×ELR÷EMUH
式中,EMEL:预测周期的电供暖最大用电负荷;EHE:预测周期的电供暖电量;ELR:预测周期的电供暖最大负荷同时率;EMUH:预测周期的电供暖平均利用小时数。
7.如权利要求2所述的方法,其特征在于,通过下式进行所述电供暖配套电网新增容量需求测算:
式中,ESGCR:预测周期的电供暖配套电网新增容量需求;ESGCRk:预测周期在配电网等级k下的新增容量需求;N:配电网等级级数;
其中,所述预测周期在配电网等级k下的新增容量需求ESGCRk,按下式计算:
式中:EMEL:预测周期内电供暖最大用电负荷;配电网等级k的容载比下限;SGC0:基础周期内各配电网等级的变电容量;MEL0:历史数据中最大用电负荷;配电网等级k的容载比上限。
8.如权利要求2所述的方法,其特征在于,所述电供暖需求预测模型的构建,还包括:
构建电供暖配套电网投资需求测算。
9.如权利要求8所述的方法,其特征在于,通过下式进行所述电供暖配套电网投资需求测算:
式中,ESGID:预测周期的电供暖配套电网投资需求;ESGIDk:预测周期在配电网等级k下的电供暖配套电网投资需求;N:配电网等级级数;
其中,所述预测周期在配电网等级k下的电供暖配套电网投资需求ESGIDk,按下式计算:
ESGIDk=ESGCRk×USGCIk
式中,ESGCRk:预测周期在配电网等级k下的新增容量需求;USGCIk:预测周期在配电网等级k下的单位容量投资。
10.如权利要求2所述的方法,其特征在于,所述基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式,包括:
基于设置的情景参数获得电供暖面积对燃煤供热面积的替代率和新增供热面积的增长率;
将所述电供暖面积对燃煤供热面积的替代率>第一替代阈值,且所述新增供热面积的增长率>第一新增阈值的模式,设置为高情景;
将所述电供暖面积对燃煤供热面积的替代率处于所述第一替代阈值和第二替代阈值之间,且所述新增供热面积的增长率处于所述第一新增阈值和第二新增阈值之间的模式,设置为中情景;
将所述电供暖面积对燃煤供热面积的替代率<第二替代阈值,且所述新增供热面积的增长率<所述第二新增阈值的模式,设置为低情景。
11.如权利要求2-10任一项所述的方法,其特征在于,所述第一区域包括:用户居住集中,供暖方式为集中供暖的区域;
所述第二区域包括:用户居住比所述第一区域分散且比第三区域集中,供暖方式为自供暖的区域;
所述第三区域包括:用户居住分散,供暖方式为自供暖区域。
12.一种中长期电供暖需求的预测系统,其特征在于,包括:
获取模块,用于在待预测区域内获取供暖参数;
预测模块,用于基于所述供暖参数和预先构建的电供暖需求预测模型对待预测周期内的电供暖需求进行预测;
所述电供暖需求预测模型为,根据各情景模式下电供暖面积、电供暖电量、电供暖负荷和电供暖配套电网容量之间的关系进行构建的;
所述供暖参数包括:燃煤供热面积和新增电供暖推广比例。
13.如权利要求12所述的系统,其特征在于,所述系统还包括,构建模块,用于构建电供暖需求预测模型;
所述构建模块,包括:
设置单元,用于基于设置的情景参数为电供暖需求的中长期预测设置多种情景模式;
构建单元,用于基于各情景模式中的用户供暖需求构建指标测算公式;
其中,所述指标测算公式包括:电供暖面积测算、电供暖电量测算、电供暖最大用电负荷测算和电供暖配套电网新增容量需求测算;
所述情景参数包括:第一区域在总测算区域的比例、第二区域的改造规模、第一区域中新增电供暖推广比例、第一区域中原有燃煤供暖替代比例、第三区域中人均居住面积、第三区域中电供暖发展比例、年最大利用小时数和配电网容载比;
所述情景模式包括:高情景、中情景和低情景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910262783.3A CN110135619A (zh) | 2019-04-02 | 2019-04-02 | 一种中长期电供暖需求的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910262783.3A CN110135619A (zh) | 2019-04-02 | 2019-04-02 | 一种中长期电供暖需求的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135619A true CN110135619A (zh) | 2019-08-16 |
Family
ID=67569197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910262783.3A Pending CN110135619A (zh) | 2019-04-02 | 2019-04-02 | 一种中长期电供暖需求的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611241A (zh) * | 2024-01-24 | 2024-02-27 | 天津能源投资集团有限公司 | 一种用于精准供热的负荷预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824128A (zh) * | 2014-02-24 | 2014-05-28 | 华南理工大学 | 一种区域性分布式综合供能系统的规模预测方法 |
JP2014203276A (ja) * | 2013-04-05 | 2014-10-27 | 株式会社日立製作所 | ガスと電気の供給システムおよび供給方法 |
CN105190191A (zh) * | 2013-03-14 | 2015-12-23 | 派尔高公司 | 节能供暖、通风、空调控制系统 |
CN105354637A (zh) * | 2015-10-29 | 2016-02-24 | 中国电力科学研究院 | 一种使用弃风电加热的电采暖储热运行计划的制定方法 |
CN205536115U (zh) * | 2016-01-20 | 2016-08-31 | 上海千贯节能科技有限公司 | 一种基于云端控制的智能电采暖系统 |
CN106296460A (zh) * | 2016-08-17 | 2017-01-04 | 国网能源研究院 | 一种基于电力供需指数的电网项目库排序方法 |
CN107748934A (zh) * | 2017-10-26 | 2018-03-02 | 国网新疆电力公司经济技术研究院 | 基于改进bp神经网络算法的配网电采暖负荷预测方法 |
CN107909220A (zh) * | 2017-12-08 | 2018-04-13 | 天津天大求实电力新技术股份有限公司 | 一种电采暖负荷预测方法 |
-
2019
- 2019-04-02 CN CN201910262783.3A patent/CN110135619A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105190191A (zh) * | 2013-03-14 | 2015-12-23 | 派尔高公司 | 节能供暖、通风、空调控制系统 |
JP2014203276A (ja) * | 2013-04-05 | 2014-10-27 | 株式会社日立製作所 | ガスと電気の供給システムおよび供給方法 |
CN103824128A (zh) * | 2014-02-24 | 2014-05-28 | 华南理工大学 | 一种区域性分布式综合供能系统的规模预测方法 |
CN105354637A (zh) * | 2015-10-29 | 2016-02-24 | 中国电力科学研究院 | 一种使用弃风电加热的电采暖储热运行计划的制定方法 |
CN205536115U (zh) * | 2016-01-20 | 2016-08-31 | 上海千贯节能科技有限公司 | 一种基于云端控制的智能电采暖系统 |
CN106296460A (zh) * | 2016-08-17 | 2017-01-04 | 国网能源研究院 | 一种基于电力供需指数的电网项目库排序方法 |
CN107748934A (zh) * | 2017-10-26 | 2018-03-02 | 国网新疆电力公司经济技术研究院 | 基于改进bp神经网络算法的配网电采暖负荷预测方法 |
CN107909220A (zh) * | 2017-12-08 | 2018-04-13 | 天津天大求实电力新技术股份有限公司 | 一种电采暖负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
叶青等: "2015年上半年电力市场交易与供需情况分析及下半年预测", 《国家电网》, no. 146, 5 September 2015 (2015-09-05), pages 32 - 34 * |
杨烁等: "基于大数据平台的电采暖用电量预测分析", 《电子技术应用》, vol. 44, no. 11, 6 November 2018 (2018-11-06), pages 61 - 63 * |
韩梦: "城镇化下我国北方省份集中供热耗煤预测及节能潜力分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》, no. 2015, 15 March 2015 (2015-03-15), pages 038 - 2248 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611241A (zh) * | 2024-01-24 | 2024-02-27 | 天津能源投资集团有限公司 | 一种用于精准供热的负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khare et al. | Solar–wind hybrid renewable energy system: A review | |
Safamehr et al. | A cost-efficient and reliable energy management of a micro-grid using intelligent demand-response program | |
Manfren et al. | Paradigm shift in urban energy systems through distributed generation: Methods and models | |
Nazarko et al. | Application of statistical and neural approaches to the daily load profiles modelling in power distribution systems | |
Maghsudlu et al. | Optimal scheduled unit commitment considering suitable power of electric vehicle and photovoltaic uncertainty | |
Gazijahani et al. | Stochastic-based optimal daily energy management of microgrids in distribution systems | |
Guo et al. | Energy model calibration in an office building by an optimization-based method | |
CN110097403A (zh) | 一种供暖需求的预测方法和预测系统 | |
CN110135619A (zh) | 一种中长期电供暖需求的预测方法及系统 | |
CN107392350A (zh) | 含分布式能源及充电站的配电网扩展规划综合优化方法 | |
Kumar et al. | Multi-objective control-based home energy management system with smart energy meter | |
CN115879652A (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
Chang et al. | The use of the peak-clipping method for energy management in households with energy storage equipment | |
Biéron et al. | Assessment of the marginal technologies reacting to demand response events: A French case-study | |
Fiorotti et al. | A novel strategy for simultaneous active/reactive power design and management using artificial intelligence techniques | |
Ribeiro Gonçalves et al. | Multiobjective assessment of distributed energy storage location in electricity networks | |
Chen et al. | Multi-timescale and multi-objective power dispatch strategy incorporating air pollutant temporal and spatial distribution control | |
Shen et al. | Discussion of the elasticity quantization and aggregation of the power load | |
Zhu et al. | Bigdata assisted energy conversion model for innovative city application | |
Liu et al. | Introduction of EcoGrid and its enlightenment to China | |
CN109948880A (zh) | 一种电力需求侧项目经济分析方法及系统 | |
Zhang et al. | Enhancing energy flexibility of building clusters via supervisory room temperature control: Quantification and evaluation of benefits | |
White | Important Factors for Early Market Microgrids: Demand Response and Plug-in Electric Vehicle Charging | |
Wu et al. | Research on New Energy Probability Prediction Technology Based on Ensemble Weather Forecast | |
Zhang et al. | Integration of Urban Energy Systems with Renewable Envelope Solutions at Building Cluster Level |
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 |