CN110264254A - 电采暖负荷预测方法、装置、设备及可存储介质 - Google Patents
电采暖负荷预测方法、装置、设备及可存储介质 Download PDFInfo
- Publication number
- CN110264254A CN110264254A CN201910480239.6A CN201910480239A CN110264254A CN 110264254 A CN110264254 A CN 110264254A CN 201910480239 A CN201910480239 A CN 201910480239A CN 110264254 A CN110264254 A CN 110264254A
- Authority
- CN
- China
- Prior art keywords
- user
- class user
- curve
- load
- class
- 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
- 238000005485 electric heating Methods 0.000 title claims abstract description 55
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000004044 response Effects 0.000 claims abstract description 21
- 238000010438 heat treatment Methods 0.000 claims description 16
- 230000005484 gravity Effects 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 6
- 238000009423 ventilation Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000004060 metabolic process Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000035807 sensation Effects 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请公开了一种电采暖负荷预测方法、装置、设备及可存储介质，属于电力系统技术领域。所述方法包括：通过调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到第i类用户的热负荷需求曲线；调用用户响应模型对第i类用户的特征参数进行处理，得到第i类用户的用电方案；重复上述步骤，直到得到目标区域中N类用户中每类用户的热负荷需求曲线及每类用户的用电方案；根据每类用户的热负荷需求曲线，以及每类用户的用电方案，对目标区域的电采暖负荷进行预测，得到目标区域的电采暖热负荷曲线。本方法基于用户热负荷需求与响应行为的双重差异性，能够对区域电采暖负荷作出更精准的预测。
Description
技术领域
本申请涉及电力系统技术领域，具体涉及一种电采暖负荷预测方法、装置、设备及可存储介质。
背景技术
近年来，随着居民小区内电采暖用户急剧增多，改变了电网的负荷特性，加大了电网峰谷差，降低了电网设备利用率。
针对上述问题，需求响应(Demand Response，DR)技术的应用，可以有效实现削峰填谷、提高电网运行效率，而对于考虑需求响应的区域，电采暖负荷的预测对电网的规划和运行都至关重要。
相关技术中，基于物理特性的运行机理模型建立温控负荷特征模型对电采暖负荷进行预测被广泛应用。由于该温控负荷模型对用户的实际需求与响应行为的差异性均未精细化考虑，使求解得到的电负荷特性曲线与实际偏差较大，准确度较低。
发明内容
本发明实施例提供了一种电采暖负荷预测方法、装置、设备及可存储介质，用以解决区域电采暖负荷预测精确度较低的问题。所述技术方案如下：
根据第一方面，本发明实施例提供了一种电采暖负荷预测方法，所述电采暖负荷预测方法包括：
调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线，所述N类用户是根据预设分类方法对所述目标区域中的n个用户进行分类得到的，所述热舒适度参数是用于表征每一类用户的人体舒适度的参数，所述热负荷需求曲线用于表征用户在单位时间内的热负荷随时间变化的曲线，N、i、n为自然数，N≥2,1≤i≤N，n≥N；
调用用户响应模型对所述第i类用户的特征参数进行处理，得到所述第i类用户的用电方案，所述特征参数是影响用户用电方案的参数，所述用电方案是用于表征用户的用电功率在所述单位时间内随时间变化的曲线；
重复上述步骤，直到得到所述N类用户中每类用户的热负荷需求曲线，以及所述每类用户的用电方案；
根据所述每类用户的热负荷需求曲线，以及所述每类用户的用电方案，对所述目标区域的电采暖负荷进行预测，得到所述目标区域的电采暖热负荷曲线。
可选的，所述根据所述每类用户的热负荷需求曲线，以及所述每类用户的用电方案，对所述目标区域的电采暖负荷进行预测，得到所述目标区域的电采暖热负荷曲线，包括：
对所述每类用户的热负荷需求曲线，以及所述每类用户的用电方案进行电负荷特性求解，得到所述每类用户的电负荷特性曲线，所述电负荷特性曲线用于表征电力负荷在所述单位时间内随时间变化的曲线；
根据所述每类用户的电负荷特性曲线对所述N类用户进行聚类，得到C类用户，C为自然数，C≤N；
筛选所述C类用户的电负荷特性曲线，得到S类典型电负荷特性曲线，S≤C；
通过统计综合法，根据所述典型电负荷曲线，以及所述典型电负荷曲线的权重，计算得到所述目标区域的电采暖热负荷曲线。
可选的，所述筛选所述C类用户的电负荷特性曲线，得到S类典型电负荷特性曲线，包括：
通过加权重心法，从所述C类用户的电负荷曲线中筛选得到所述S类典型电负荷特性曲线。
可选的，所述通过加权重心法，从所述C类用户的电负荷曲线中筛选得到所述S类典型电负荷特性曲线，包括：
对于所述C类用户中的第j类用户，计算所述第j类用户的电负荷特性曲线中的加权重心；
将所述第j类用户中，与所述加权重心距离最近的用户确定为所述第j类用户的典型用户，j为自然数，1≤j≤C；
求解得到第j类典型电负荷特性曲线，所述第j类典型电负荷特性曲线是所述第j类用户的典型用户的电负荷特性曲线；
重复上述步骤，直到计算得到所述C类用户中每类用户的典型电负荷特性曲线。
可选的，所述根据所述每类用户的电负荷特性曲线对所述N类用户进行聚类，得到C类用户，包括：
根据所述每类用户的电负荷特性曲线，通过自适应模糊C均值聚类法对所述C类用户进行聚类，得到所述C类用户。
可选的，所述调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线，包括：
根据第i类用户的舒适温度，以及所述第i类用户的建筑热负荷特性，计算得到所述第i类用户在单位时间段的热负荷需求量；
根据所述第i类用户在单位时间段的热负荷需求量计算得到所述第i类用户的热负荷需求曲线；
其中，所述舒适温度根据所述热舒适参数处理得到；所述建筑热负荷特性是用于表征用户居住的建筑与热负荷关系。
可选的，所述建筑热负荷特性是根据用户的舒适温度，对外界因素以及人为因素进行处理得到；
所述外界因素包括室外因素与室内因素，所述室外因素是用户居住的建筑的室外的影响因素，所述室内因素是用户居住的建筑的室内的影响因素，所述室外和室内以用户居住的建筑的围护结构为分界；
所述人为因素包括用户的供暖系统与通风换气频率。
可选的，所述室外因素包括气象条件，和/或，建筑周围的环境表面温度；
所述室内因素包括所述用户的室内发热量；
所述气象条件包括室外空气的湿度、室外空气温度、太阳辐射照度、风速和风向中的至少一个；
所述建筑周围的环境表面温度包括环境有效温度、地面温度和邻近建筑表面温中的至少一种。
可选的，所述热舒适参数包括空气温度、空气湿度、辐射温度、气流速度、人体新陈代谢率以及衣着热阻中的至少一种。
可选的，所述调用用户响应模型对所述第i类用户的特征参数进行处理，得到所述第i类用户的用电方案，包括：
根据所述第i类用户的特征参数，计算得到所述第i类用户的偏好因子；
根据所述第i类用户的偏好因子以及用电方案集，进行基于离散选择模型对所述第i类用户进行差异化决策，得到所述第i类用户的用电方案，所述候选用电方案集是以电费最小和舒适度最优进行多目标优化得到的。
可选的，所述特征参数包括家庭结构、收入状况及住房面积中的至少一种。
可选的，所述调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线之前，还包括：
根据所述n个用户的热舒适度需求以及所述n个用户的需求响应行为，对所述n个用户进行交叉分类，得到所述N类用户。
根据第二方面，本发明实施例提供了一种电采暖负荷预测装置，包括：
热负荷需求模块，用于对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线；重复该步骤，直到得到所述N类用户中每类用户的热负荷需求曲线，所述N类用户是根据预设分类方法对所述目标区域中的n个用户进行分类得到的，所述热舒适度参数是用于表征每一类用户的人体舒适度的参数，所述热负荷需求曲线用于表征用户在单位时间内的热负荷随时间变化的曲线，N、i、n为自然数，N≥2,1≤i≤N，n≥N；
用户响应模块，用于对所述第i类用户的特征参数进行处理，得到所述第i类用户的用电方案；重复该步骤，直到得到所述N类用户中每类用户的用电方案，所述特征参数是影响用户用电方案的参数，所述用电方案是用于表征用户的用电功率在所述单位时间内随时间变化的曲线；
分析模块，用于根据所述目标区域中每类用户的热负荷需求曲线与所述目标区域中每类用户的用电方案，对所述目标区域的电采暖负荷进行预测，得到所述目标区域的电采暖热负荷曲线。
根据第三方面，本发明实施例提供了一种计算机设备，所述设备包括：
处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现第一方面或第一方面的任一所述的电采暖负荷预测方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质包括：
所述存储介质存储有至少一条指令或程序，所述计算机指令或程序由计算机加载并执行以实现第一方面或第一方面的任一所述的电采暖负荷预测方法。
本申请实施例提供的技术方案，至少包括如下有益效果：
本申请实施例提供的电采暖负荷预测方法，通过热负荷需求模型对目标区域的每类用户的热舒适度参数进行处理，得到每类用户的热负荷需求曲线；通过用户响应模型对每类用户的特征参数进行处理，得到每类用户的用电方案；最后通过每类用户的热负荷需求曲线，以及每类用户的用电方案，对目标区域的电采暖负荷进行预测，得到目标区域的电采暖热负荷曲线，细化考虑了目标区域每类用户的热负荷需求曲线，以及每类用户的用电方案，因此得到的目标区域的电采暖热负荷曲线更加精确，能够起到精确预测目标区域的电采暖热负荷的技术效果。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个示例性实施例提供的电采暖负荷预测方法的流程图；
图2为本申请一个示例性实施例提供的电采暖负荷预测方法的流程图；
图3为本申请一个示例性实施例提供的电采暖负荷预测装置的框图；
图4为本申请一个示例性实施例提供的计算机设备的框图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
首先，对本申请实施例涉及的若干个名词进行简单介绍：
舒适度：舒适度是在综合作用影响下人体所产生的主观感觉，反映了人体对环境的满意程度。但是相同的舒适环境又可能对不同的人产生不同的愉快感，这也反映出个体的差异性。人体主要是通过自身的热平衡条件以及感觉到的环境状况来判断是否舒适，影响人体热舒适感觉的因素主要为空气温度、空气湿度、辐射温度、气流速度、人体新陈代谢率、衣着热阻等。
热舒适度参数：用于表征每一类用户的人体舒适度的参数。舒适度参数是空气温度、空气湿度、辐射温度、气流速度、人体新陈代谢率、衣着热阻等因素中的至少一个。
舒适温度：根据热舒适参数处理得到，是每类用户舒适度最高时的舒适温度。由舒适度参数构建舒适度指标PMV(Predicted Mean Vote)方程，当舒适度指标PMV为0时计算出舒适温度。
热负荷需求曲线：用于表征用户在单位时间内的热负荷随时间变化的曲线。当舒适温度变化时，热负荷需求曲线也随之变化。
建筑热负荷特性：用于表征用户居住的建筑与热负荷关系。通过分析建筑参数对建筑热过程的影响，能够反映出建筑与热负荷之间关系。建筑热负荷特性是根据用户的舒适温度，对外界因素以及人为因素进行处理得到。
外界因素：包括室外因素与室内因素，室外因素是用户居住的建筑的室外的影响因素，室内因素是用户居住的建筑的室内的影响因素，室外和室内以用户居住的建筑的围护结构为分界。
人为因素：包括用户的供暖系统与通风换气频率。
室外因素：包括气象条件，和/或，建筑周围的环境表面温度。
室内因素：包括用户的室内发热量。
气象条件：包括室外空气的湿度、室外空气温度、太阳辐射照度、风速和风向中的至少一个。
建筑周围的环境表面温度：包括环境有效温度、地面温度和邻近建筑表面温中的至少一种。
用电方案：用于表征用户的用电功率在所述单位时间内随时间变化的曲线。根据偏好因子，对用电方案集进行基于离散选择模型对不同用户进行差异化决策，得到用户实际的用电方案。
用电方案集：以电费最小和舒适度最优进行多目标优化，得到的用户用电方案集。
偏好因子：根据用户的特征参数计算得出。
特征参数：影响用户用电方案的参数，包括家庭结构、收入状况及住房面积中的至少一种，可以通过调查问卷获得，是用户参与响应行为的关键影响因素。
用户需求响应行为：用户在选择是否参与某需求响应方案时需作出科学的决策，通过评估自身的成本收益比来决定参与需求响应计划的行为，这些响应行为影响了用户的实际用电曲线，用电方案。
电负荷特性曲线：用于表征电力负荷在所述单位时间内随时间变化的曲线，反映了用户用电的特点和规律。
图1，示出了本申请一个示例性实施例提供的电采暖负荷预测方法的流程图。该方法可由计算设备执行，该方法包括：
步骤101，调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到第i类用户的热负荷需求曲线，N、i为自然数，N≥2，1≤i≤N。
其中，热舒适参数和热负荷需求曲线可参考上述说明，在此不做赘述。
本实施例中，可通过外部参数对目标区域中的n个用户进行分类，例如，可将n个用户分为N类用户，分别为用户类型1、用户类型2……用户类型N，n为自然数，n≥N。
步骤102，调用用户响应模型对第i类用户的特征参数进行处理，得到第i类用户的用电方案。
其中，特征参数和用电方案可参考上述说明，在此不做赘述。
步骤103，重复上述步骤，直到得到N类用户中每类用户的热负荷需求曲线，以及每类用户的用电方案。
需要说明的是，计算机设备可以在执行步骤101和步骤102后，重复执行步骤101和步骤102，也可以重复执行步骤101后再重复执行步骤102，重复执行步骤101和步骤102的顺序不做限定。
步骤104，根据每类用户的热负荷需求曲线，以及每类用户的用电方案，对目标区域的电采暖负荷进行预测，得到目标区域的电采暖热负荷曲线。
计算机设备在计算得到N类用户中每类用户的热负荷需求曲线额用电方案后，根据每类用户的热负荷需求曲线和用电方案，对目标区域的电采暖负荷进行预测，得到目标区域的电采暖热负荷曲线。
综上所述，本申请实施例中，通过热负荷需求模型对目标区域的每类用户的热舒适度参数进行处理，得到每类用户的热负荷需求曲线；通过用户响应模型对每类用户的特征参数进行处理，得到每类用户的用电方案；最后通过每类用户的热负荷需求曲线，以及每类用户的用电方案，对目标区域的电采暖负荷进行预测，得到目标区域的电采暖热负荷曲线，细化考虑了目标区域每类用户的热负荷需求曲线，以及每类用户的用电方案，因此得到的目标区域的电采暖热负荷曲线更加精确，能够起到精确预测目标区域的电采暖热负荷的技术效果。
图2，示出了本申请一个示例性实施例提供的电采暖负荷预测方法的流程图。该方法可由计算设备执行，该方法包括：
步骤201，调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到第i类用户的热负荷需求曲线，N、i为自然数，N≥2，1≤i≤N。
其中，外部参数为影响用户的热舒适需求和用户需求响应行为的因素，主要包括平均年龄、衣着热阻、家庭结构、收入情况等。例如，根据平均年龄、衣着热阻、家庭结构、收入情况等两个维度的影响因素对目标区域中的n个用户进行交叉分类，分为用户类型1、用户类型2、……、用户类型N，如表一(表一中以N＝12进行示例性说明)所示：
表一
其中，clo是用于表征人的衣着的热阻的热力学单位。
可选的，调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到第i类用户的热负荷需求曲线，包括但不限于：
根据第i类用户的舒适温度，以及第i类用户的建筑热负荷特性，计算得到第i类用户在单位时间段的热负荷需求量；根据第i类用户在单位时间段的热负荷需求量计算得到第i类用户的热负荷需求曲线。
可选的，热舒适参数包括空气温度、空气湿度、辐射温度、气流速度、人体新陈代谢率以及衣着热阻中的至少一种。
例如，通过对6个热舒适参数进行分析处理，建立满足人体需求的舒适度方程，如下所示：
PMV＝[0.352·exp(-0.042M)+0.032]·[M-0.35·(43-0.061M-Pv)
-0.42·(M-50)-0.0023·M·(44-Pv)-0.0014M(34-Ta)-3.4·10-8·fcl
·((Tcl+273)4-(Tmrt+273)4)-fclhc(Td-Ta)]
其中：M为新陈代谢率；H为人体净得热；fcl为衣服热阻；Tcl为人体表面平均温度；Tmrt为环境的平均辐射温度；Pv为空气水蒸气压力，与空气湿度rh有关；Ta为室内温度；hc与空气流速有关。
表二，示出了热舒适PMV指标与舒适度的对应关系：
表二
在外部环境各参数可实时获取及人体自身特性参数已知的情况下，可以精确地估算出每个时段最佳舒适温度，进而可以通过空气温度时变方程得到每个最佳舒适温度下产热设备的需求产热量。
可选的，上述方法中的建筑热负荷特性是根据用户的舒适温度，对外界因素以及人为因素进行处理得到。其中，外界因素包括室外因素与室内因素。
室外因素是用户居住的建筑的室外的影响因素，室内因素是用户居住的建筑的室内的影响因素，室外和室内以用户居住的建筑的围护结构为分界。
人为因素包括用户的供暖系统与通风换气频率。
例如，室内发热量——内扰(设备、照明和人员)总产热量qcov
qcov(τ)＝qe(τ)+ql(τ)+qp(τ)＝CeNeA+ClNlA+(qxrCxr+qqr)nAφ式中，qe(τ)为室内设备产热量；ql(τ)为室内照明的产热量；qp(τ)为室内人员的产热量；Ce为室内设备冷负荷系数；Ne为设备单位面积散热量；A为房间面积；Cl为照明冷负荷系数；Nl为照明单位面积散热量；qxr、qqr为人员显热、潜热散热量；Cxr为显热散热冷负荷系数；n为单位面积人数，0.1人/m2；为群集系数。
室外因素包括气象条件，和/或，建筑周围的环境表面温度；
例如，室外建筑环境温度——墙体与室外环境发生热传递得热量
式中：Fj为建筑内墙体j内表面面积；hin为墙体内表面与室内空气传热系数；tj(τ)为τ时刻墙体j表面温度；ta(τ)为τ时刻室内温度。
室内因素包括用户的室内发热量；
气象条件包括室外空气的湿度、室外空气温度、太阳辐射照度、风速和风向中的至少一个；
例如，太阳辐射(光照)——考虑窗户遮阳系数的传热量qwin
式中：为第w面窗户表面积，1<w<m且w∈N；m为窗户的面数；Dw为第w面窗户的日射得热因数，W/m2；为第w面窗户玻璃的冷负荷系数；为第w面窗户的遮阳系数。
例如，室外温度(空气对流)——室外空气和邻室的空气交换传热量qvent
qvent(τ)＝qout(τ)+qadj(τ)＝cpρGout[tout(τ)-ta(τ)]+cpρGadj[tj(τ)-ta(τ)]式中：qout(τ)为室外空气与室内空气热交换的热量；qadj(τ)为邻室空气与房间空气热交换的热量；Gout、Gadj为房间与室外、邻室换气量；tout(τ)为τ时刻的室外温度、cp为空气比热容、ρ为空气密度、ta为室内空气温度、tj为临室j的空气温度。
建筑周围的环境表面温度包括环境有效温度、地面温度和邻近建筑表面温中的至少一种。
步骤202，调用用户响应模型对第i类用户的特征参数进行处理，得到第i类用户的用电方案。
其中，特征参数包括家庭结构、收入状况及住房面积中的至少一种。
可选的，调用用户响应模型对第i类用户的特征参数进行处理，得到第i类用户的用电方案，包括但不限于：
根据第i类用户的特征参数，计算得到第i类用户的偏好因子；根据第i类用户的偏好因子以及用电方案集，进行基于离散选择模型对第i类用户进行差异化决策，得到第i类用户的用电方案，候选用电方案集是以电费最小和舒适度最优进行多目标优化得到的。
重复执行步骤201和步骤202，直到得到N类用户中每类用户的热负荷需求曲线，以及每类用户的用电方案。
需要说明的是，计算机设备可以在执行步骤201和步骤202后，重复执行步骤201和步骤202，也可以重复执行步骤201后再重复执行步骤202，重复执行步骤201和步骤202的顺序不做限定。
步骤203，对每类用户的热负荷需求曲线，以及每类用户的用电方案进行电负荷特性求解，得到每类用户的电负荷特性曲线。
其中，电负荷特性可参考上述说明，在此不做赘述。
步骤204，根据每类用户的电负荷特性曲线对目标区域中的N类用户进行聚类，得到C类用户，C为自然数，C≤N。
示例性的，可根据每类用户的电负荷特性曲线，通过自适应模糊C均值聚类法对所述N类用户进行聚类，得到C类用户。
例如，对各类用户进行电负荷特性求解，得到每一类电负荷特性曲线集为{Le1、Le2、…….、LeN}；
根据模糊c均值聚类算法，对上述电负荷特性曲线集进行聚类分析，确定出最佳聚类类别数C(1＜C＜N)，并获得负荷特性曲线相类似的用户集合。
步骤205，筛选C类用户的电负荷特性曲线，得到S类典型电负荷特性曲线，S≤C。
示例性的，可通过加权重心法，从C类用户的电负荷曲线中筛选得到S类典型电负荷特性曲线。
可选的，通过加权重心法，从C类用户的电负荷曲线中筛选得到S类典型电负荷特性曲线，包括但不限于：
对于C类用户中的第j类用户，计算第j类用户的电负荷特性曲线中的加权重心；将第j类用户中，与加权重心距离最近的用户确定为第j类用户的典型用户，j为自然数，1≤j≤C；求解得到第j类典型电负荷特性曲线，第j类典型电负荷特性曲线是第j类用户的典型用户的电负荷特性曲线；重复上述步骤，直到计算得到C类用户中每类用户的典型电负荷特性曲线。
利用加权重心法，求出每类负荷特性曲线中的加权重心Wi；进而可以搜索出该类中与加权重心距离最近的用户作为该类的典型用户，以该类的典型用户的电负荷特性曲线作为该类典型电负荷特性曲线，具体模型如下式所示，求解出的每一类别下的典型电负荷特性曲线表示为Kes(1≤s≤C，其中，表示S个典型电负荷特性曲线中的第s个典型点负荷特性曲线)。
式中：ni为第i类用户的个数；Kej∈i，i为用户类别；Qj为第j个数据在类别i所有数据中所占的比重。
步骤206，通过统计综合法，根据筛选得到的S类典型电负荷曲线，以及他们在目标区域内的权重，计算得到目标区域的电采暖热负荷曲线。
示例性的，通过统计综合法，根据每类典型电负荷曲线(Ke1、Ke2、……、KeS)及其所占比重σ1、σ2、……、σS，建立区域聚合电负荷特性模型，可得到区域聚合电负荷特性曲线K，如下式所示(1≤S≤C，其中C为模糊c均值聚类算法得到的最佳聚类类别数C)：
图3，示出了本申请一个示例性的实施例提供的装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为图1或图2实施例中的计算机设备，该装置包括：
热负荷需求模块310，用于执行上述实施例中的步骤101、步骤201以及其它步骤中需要调用热需求模型的步骤。
用户响应模块320，用于执行上述实施例中的步骤102、步骤202以及其它步骤中需要调用用户响应模型的步骤。
分析模块330，用于执行上述实施例中的步骤104、步骤203、步骤204、步骤205、步骤206以及其它需要分析计算的步骤。
图4，示出了示出了本申请一个示例性实施例提供的计算机设备的结构框图。该计算机设备包括：处理器410和存储器420。
处理器410可以是中央处理器(英文：central processing unit，CPU)，网络处理器(英文：network processor，NP)或者CPU和NP的组合。处理器还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integratedcircuit，ASIC)，可编程逻辑器件(英文：programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，FPGA)，通用阵列逻辑(英文：generic array logic，GAL)或其任意组合。
存储器420通过总线或其它方式与处理器410相连，存储器420中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述实施例中的电采暖负荷预测方法。
存储器420可以为易失性存储器(英文：volatile memory)，非易失性存储器(英文：non-volatile memory)或者它们的组合。易失性存储器可以为随机存取存储器(英文：random-access memory，RAM)，例如静态随机存取存储器(英文：static random accessmemory，SRAM)，动态随机存取存储器(英文：dynamic random access memory，DRAM)。非易失性存储器可以为只读存储器(英文：read only memory image，ROM)，例如可编程只读存储器(英文：programmable read only memory，PROM)，可擦除可编程只读存储器(英文：erasable programmable read only memory，EPROM)，电可擦除可编程只读存储器(英文：electrically erasable programmable read-only memory，EEPROM)。非易失性存储器也可以为快闪存储器(英文：flash memory)，磁存储器，例如磁带(英文：magnetic tape)，软盘(英文：floppy disk)，硬盘。非易失性存储器也可以为光盘。
本申请实施例还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一实施例所述的电采暖负荷预测方法。
本申请还提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行上述各个方法实施例提供的电采暖负荷预测方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。
Claims (15)
1.一种电采暖负荷预测方法，其特征在于，包括：
调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线，所述N类用户是根据预设分类方法对所述目标区域中的n个用户进行分类得到的，所述热舒适度参数是用于表征每一类用户的人体舒适度的参数，所述热负荷需求曲线是用于表征用户在单位时间内的热负荷随时间变化的曲线，N、i、n为自然数，N≥2,1≤i≤N，n≥N；
调用用户响应模型对所述第i类用户的特征参数进行处理，得到所述第i类用户的用电方案，所述特征参数是影响用户用电方案的参数，所述用电方案是用于表征用户的用电功率在所述单位时间内随时间变化的曲线；
重复上述步骤，直到得到所述N类用户中每类用户的热负荷需求曲线，以及所述每类用户的用电方案；
根据所述每类用户的热负荷需求曲线，以及所述每类用户的用电方案，对所述目标区域的电采暖负荷进行预测，得到所述目标区域的电采暖热负荷曲线。
2.根据权利要求1所述的方法，其特征在于，所述根据所述每类用户的热负荷需求曲线，以及所述每类用户的用电方案，对所述目标区域的电采暖负荷进行预测，得到所述目标区域的电采暖热负荷曲线，包括：
对所述每类用户的热负荷需求曲线，以及所述每类用户的用电方案进行电负荷特性求解，得到所述每类用户的电负荷特性曲线，所述电负荷特性曲线用于表征电力负荷在所述单位时间内随时间变化的曲线；
根据所述每类用户的电负荷特性曲线对所述N类用户进行聚类，得到C类用户，C为自然数，C≤N；
筛选所述C类用户的电负荷特性曲线，得到S类典型电负荷特性曲线，S≤C；
通过统计综合法，根据所述典型电负荷曲线，以及所述典型电负荷曲线的权重，计算得到所述目标区域的电采暖热负荷曲线。
3.根据权利要求2所述的方法，其特征在于，所述筛选所述C类用户的电负荷特性曲线，得到S类典型电负荷特性曲线，包括：
通过加权重心法，从所述C类用户的电负荷曲线中筛选得到所述S类典型电负荷特性曲线。
4.根据权利要求3所述的方法，其特征在于，所述通过加权重心法，从所述C类用户的电负荷曲线中筛选得到所述S类典型电负荷特性曲线，包括：
对于所述C类用户中的第j类用户，计算所述第j类用户的电负荷特性曲线中的加权重心；
将所述第j类用户中，与所述加权重心距离最近的用户确定为所述第j类用户的典型用户，j为自然数，1≤j≤C；
求解得到第j类典型电负荷特性曲线，所述第j类典型电负荷特性曲线是所述第j类用户的典型用户的电负荷特性曲线；
重复上述步骤，直到计算得到所述C类用户中每类用户的典型电负荷特性曲线。
5.根据权利要求2所述的方法，其特征在于，所述根据所述每类用户的电负荷特性曲线对所述N类用户进行聚类，得到C类用户，包括：
根据所述每类用户的电负荷特性曲线，通过自适应模糊C均值聚类法对所述N类用户进行聚类，得到所述C类用户。
6.根据权利要求1所述的方法，其特征在于，所述调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线，包括：
根据第i类用户的舒适温度，以及所述第i类用户的建筑热负荷特性，计算得到所述第i类用户在单位时间段的热负荷需求量；
根据所述第i类用户在单位时间段的热负荷需求量计算得到所述第i类用户的热负荷需求曲线；
其中，所述舒适温度根据所述热舒适参数处理得到；所述建筑热负荷特性是用于表征用户居住的建筑与热负荷关系。
7.根据权利要求6所述的方法，其特征在于，所述建筑热负荷特性是根据用户的舒适温度，对外界因素以及人为因素进行处理得到；
所述外界因素包括室外因素与室内因素，所述室外因素是用户居住的建筑的室外的影响因素，所述室内因素是用户居住的建筑的室内的影响因素，所述室外和室内以用户居住的建筑的围护结构为分界；
所述人为因素包括用户的供暖系统与通风换气频率。
8.根据权利要求7所述的方法，其特征在于，
所述室外因素包括气象条件，和/或，建筑周围的环境表面温度；
所述室内因素包括所述用户的室内发热量；
所述气象条件包括室外空气的湿度、室外空气温度、太阳辐射照度、风速和风向中的至少一个；
所述建筑周围的环境表面温度包括环境有效温度、地面温度和邻近建筑表面温中的至少一种。
9.根据权利要求6至8任一所述的方法，其特征在于，所述热舒适参数包括空气温度、空气湿度、辐射温度、气流速度、人体新陈代谢率以及衣着热阻中的至少一种。
10.根据权利要求1所述的方法，其特征在于，所述调用用户响应模型对所述第i类用户的特征参数进行处理，得到所述第i类用户的用电方案，包括：
根据所述第i类用户的特征参数，计算得到所述第i类用户的偏好因子；
根据所述第i类用户的偏好因子以及用电方案集，进行基于离散选择模型对所述第i类用户进行差异化决策，得到所述第i类用户的用电方案，所述候选用电方案集是以电费最小和舒适度最优进行多目标优化得到的。
11.根据权利要求10所述的方法，其特征在于，所述特征参数包括家庭结构、收入状况及住房面积中的至少一种。
12.根据权利要求1至11任一所述的方法，其特征在于，所述调用热负荷需求模型对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线之前，还包括：
根据所述n个用户的热舒适度需求以及所述n个用户的需求响应行为，对所述n个用户进行交叉分类，得到所述N类用户。
13.一种电采暖负荷预测装置，其特征在于，包括：
热负荷需求模块，用于对目标区域中N类用户中的第i类用户的热舒适参数进行处理，得到所述第i类用户的热负荷需求曲线；重复该步骤，直到得到所述N类用户中每类用户的热负荷需求曲线，所述N类用户是根据预设分类方法对所述目标区域中的n个用户进行分类得到的，所述热舒适度参数是用于表征每一类用户的人体舒适度的参数，所述热负荷需求曲线用于表征用户在单位时间内的热负荷随时间变化的曲线，N、i、n为自然数，N≥2,1≤i≤N，n≥N；
用户响应模块，用于对所述第i类用户的特征参数进行处理，得到所述第i类用户的用电方案；重复该步骤，直到得到所述N类用户中每类用户的用电方案，所述特征参数是影响用户用电方案的参数，所述用电方案是用于表征用户的用电功率在所述单位时间内随时间变化的曲线；
分析模块，用于根据所述目标区域中每类用户的热负荷需求曲线与所述目标区域中每类用户的用电方案，对所述目标区域的电采暖负荷进行预测，得到所述目标区域的电采暖热负荷曲线。
14.一种计算机设备，其特征在于，所述设备包括：
处理器和存储器，所述存储器中存储有至少一条指令或程序，所述指令或程序由所述处理器加载并执行以实现如权利要求1至12中任一所述的电采暖负荷预测方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质包括：
所述存储介质存储有至少一条指令或程序，所述计算机指令或程序由计算机加载并执行以实现权利要求1至12中任一所述的电采暖负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910480239.6A CN110264254B (zh) | 2019-06-04 | 2019-06-04 | 电采暖负荷预测方法、装置、设备及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910480239.6A CN110264254B (zh) | 2019-06-04 | 2019-06-04 | 电采暖负荷预测方法、装置、设备及可存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110264254A true CN110264254A (zh) | 2019-09-20 |
| CN110264254B CN110264254B (zh) | 2021-04-20 |
Family
ID=67916623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910480239.6A Active CN110264254B (zh) | 2019-06-04 | 2019-06-04 | 电采暖负荷预测方法、装置、设备及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264254B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695733A (zh) * | 2020-06-11 | 2020-09-22 | 国网天津市电力公司 | 一种基于改进模糊聚类算法的“煤改电”负荷预测方法 |
| CN111895478A (zh) * | 2020-06-23 | 2020-11-06 | 中国电力科学研究院有限公司 | 一种蓄热式电采暖监控终端和方法 |
| CN112733236A (zh) * | 2021-01-08 | 2021-04-30 | 国网北京市电力公司 | 面向综合舒适度的建筑内温控负荷优化方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105375479A (zh) * | 2015-12-14 | 2016-03-02 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
| CN108462175A (zh) * | 2018-05-10 | 2018-08-28 | 中国电力科学研究院有限公司 | 一种电采暖设备需求响应互动方法、系统和装置 |
| WO2019053662A1 (en) * | 2017-09-14 | 2019-03-21 | Uber Technologies, Inc. | PREDICTIVE SESSION ANALYZER FOR A NETWORK SYSTEM |
| CN109740815A (zh) * | 2018-12-30 | 2019-05-10 | 国网北京市电力公司 | 电负荷预测方法、装置、存储介质及处理器 |
-
2019
- 2019-06-04 CN CN201910480239.6A patent/CN110264254B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105375479A (zh) * | 2015-12-14 | 2016-03-02 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
| WO2019053662A1 (en) * | 2017-09-14 | 2019-03-21 | Uber Technologies, Inc. | PREDICTIVE SESSION ANALYZER FOR A NETWORK SYSTEM |
| CN108462175A (zh) * | 2018-05-10 | 2018-08-28 | 中国电力科学研究院有限公司 | 一种电采暖设备需求响应互动方法、系统和装置 |
| CN109740815A (zh) * | 2018-12-30 | 2019-05-10 | 国网北京市电力公司 | 电负荷预测方法、装置、存储介质及处理器 |
Non-Patent Citations (1)
| Title |
|---|
| 张鹏等: "基于需求响应的采暖期热电联产系统风电消纳研究 ", 《重庆电力高等专科学校学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695733A (zh) * | 2020-06-11 | 2020-09-22 | 国网天津市电力公司 | 一种基于改进模糊聚类算法的“煤改电”负荷预测方法 |
| CN111895478A (zh) * | 2020-06-23 | 2020-11-06 | 中国电力科学研究院有限公司 | 一种蓄热式电采暖监控终端和方法 |
| CN112733236A (zh) * | 2021-01-08 | 2021-04-30 | 国网北京市电力公司 | 面向综合舒适度的建筑内温控负荷优化方法及系统 |
| CN112733236B (zh) * | 2021-01-08 | 2024-03-26 | 国网北京市电力公司 | 面向综合舒适度的建筑内温控负荷优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110264254B (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Association rule mining based quantitative analysis approach of household characteristics impacts on residential electricity consumption patterns | |
| Zhang et al. | Thermal comfort in naturally ventilated buildings in hot-humid area of China | |
| Huang et al. | Optimal configuration of multiple-chiller plants under cooling load uncertainty for different climate effects and building types | |
| Swan et al. | Occupant related household energy consumption in Canada: Estimation using a bottom-up neural-network technique | |
| Greensfelder et al. | An investigation of optimal control of passive building thermal storage with real time pricing | |
| Luo et al. | Coordinated residential energy resource scheduling with vehicle‐to‐home and high photovoltaic penetrations | |
| Stavrakakis et al. | Development of a computational tool to quantify architectural-design effects on thermal comfort in naturally ventilated rural houses | |
| CN110264254A (zh) | 电采暖负荷预测方法、装置、设备及可存储介质 | |
| Swan | Residential sector energy and GHG emissions model for the assessment of new technologies | |
| Gondal et al. | Role of passive design and alternative energy in building energy optimization | |
| Sha et al. | Machine learning-based cooling load prediction and optimal control for mechanical ventilative cooling in high-rise buildings | |
| Rodríguez-Vázquez et al. | Coupling building energy simulation and computational fluid dynamics: An overview | |
| CN112152840B (zh) | 一种基于bim和模拟仿真的传感器部署方法和系统 | |
| CN113325762A (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
| Attia et al. | Building performance optimization of net zero‐energy buildings | |
| Joe et al. | Virtual storage capability of residential buildings for sustainable smart city via model-based predictive control | |
| Cheng et al. | Aggregate modeling and analysis of air conditioning load using coupled Fokker–Planck equations | |
| CN116484646A (zh) | 考虑多种舒适度的综合能源系统多目标优化方法及系统 | |
| Martinez et al. | Demand-side flexibility in a residential district: What are the main sources of uncertainty? | |
| Song et al. | Study on optimization method of summer nature ventilation for residential buildings in typical thermal zone of Xinjiang, China | |
| Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
| Sayegh et al. | Computational time reduction using detailed building models with Typical Short Sequences | |
| Wang et al. | Research on intelligent regulation of air conditioning energy saving based on human thermal comfort | |
| Zhang et al. | Thermal comfort modeling of office buildings based on improved random forest algorithm | |
| Li et al. | Application of neural network to building environmental prediction and control |
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 |