CN111144628A - 一种分布式供能的冷热电负荷预测模型系统及方法 - Google Patents
一种分布式供能的冷热电负荷预测模型系统及方法 Download PDFInfo
- Publication number
- CN111144628A CN111144628A CN201911290953.5A CN201911290953A CN111144628A CN 111144628 A CN111144628 A CN 111144628A CN 201911290953 A CN201911290953 A CN 201911290953A CN 111144628 A CN111144628 A CN 111144628A
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- layer module
- energy supply
- heating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010438 heat treatment Methods 0.000 title claims description 41
- 238000001816 cooling Methods 0.000 title claims description 40
- 238000004146 energy storage Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000013486 operation strategy Methods 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013456 study Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
Abstract
本发明公开了一种分布式供能的冷热电负荷预测模型系统及方法,包括:物理层模块,设有多个传感器件并布置在能源中心供能区域的各个点位上,用于提供实时现场数据;数据层模块,用于存储能源中心供能区域各个点位上检测到的数据;计算层模块,用于对来自数据层模块的数据进行处理;应用层模块,用于指导能源中心供能区域根据冷热电预测结果来选择蓄能设备的蓄能量。采用上述技术方案能源中心能够根据冷热电预测结果来选择蓄能设备的蓄能量,从而实现对冷热电负荷的准确预测,以优化能源中心蓄能装置的运行策略和冷热电负荷的分配方案。
Description
技术领域
本发明涉及能源管理领域中的冷热电负荷预测模型,特别涉及一种分布式 供能的冷热电负荷预测模型系统及方法。
背景技术
在区域性冷热电供应中,能源中心的优越性表现在将冷热源设备集中设置, 可降低区域的城市热岛效应,且能源利用率和可靠性高。
此外,分布式供能比较传统的供能方式有如下优势:节能减排;一般随用 户上下班起停,对电网具有调峰作用,能够减小电网峰谷差;节约城市土地资 源;提高用户的供电可靠性;夏季能够协调天然气和电力的平衡供应,优化能 源系统的运行。但是在大型能源项目的建设中涉及规划、可行性研究、设计、 施工建设和运行管理等诸多环节,王国弟,翁彦等在《上海某能源中心空调负 荷预测》一文中就提到在这些阶段,都需要对冷热负荷进行相对准确的预测和 计算。
能源中心采用电和天然气分布式能源系统,在能源中心建设初期,需要对 供能区域的冷热电负荷进行预测才能确定能源中心的建设规模和各种设备的选 型,又在能源中心投入使用时,蓄能装置会在电网费用较低、制冷和制热设备 的能量存在残余时存储能量,在电网费用较高的时候释放能量,而蓄能装置提 前储蓄多少能量同样依托于对冷热电负荷的精准预测。此外,能源中心的每台 设备应该承担多少负荷才能使得成本、碳排放、耗能等综合最小也建立在对供 能区域的冷热电负荷的预测基础之上。
经对现有技术的文献检索发现,陈健阳,蔡晔等在《基于天然气分布式能 源系统的蓄能水槽运行策略优化》一文中通过Dest软件对能源中心供能区域的 逐时负荷进行了模拟,得到了供冷季和供热季的最大逐时负荷,并提出了供冷 季和供热季不同负荷下的运行方案。该文涉及的技术主要存在以下缺陷和不足: (1)利用软件模拟供能区域的逐时负荷,没有考虑天气、法定节假日和其他大 型活动等突发因素的影响;(2)采用实际日负荷与最大负荷的比值来选定具体 的运行方案,而方案的制定相对笼统一些,不能更大程度上的提高能源利用率 和优化蓄能水槽的运行策略。
经对现有技术的文献检索发现,徐佩荣在《虹桥机场能源中心供冷模型构 建的探索》一文中通过对虹桥机场能源中心三个供冷季的供冷运行数据进行分 析,建立了供冷量预估模式模型,通过对日负荷的预估来指导每日的开机策略。 该文涉及的技术主要存在以下缺陷和不足:(1)最小的负荷预测时间单位是日, 不能根据当日的现场数据进行策略调整,而本专利要求能够在每15~30分钟根 据传回的现场数据进行后15~30分钟的负荷预测,指导能源中心重新制定运行 策略;(2)未能通过数据收集,对供冷季节的天气状况、航班情况、旅客流量 等因素进行主动预估。
发明内容
为了解决上述问题,本发明提供一种分布式供能的冷热电负荷预测模型系 统及方法,用于指导能源中心根据冷热电预测结果来选择蓄能设备的蓄能量, 并为合理制定分布式供能的负荷分配方案提供指导。
本发明中的一种分布式供能的冷热电负荷预测模型系统,包括:
物理层模块,设有多个传感器件并布置在能源中心供能区域的各个点位上, 用于提供实时现场数据;
数据层模块,用于存储能源中心供能区域各个点位上检测到的数据;
计算层模块,用于对来自数据层模块的数据进行处理;
应用层模块,用于指导能源中心供能区域根据冷热电预测结果来选择蓄能 设备的蓄能量。
一种分布式供能的冷热电负荷预测模型的方法,包括如下步骤:
步骤S1:物理层模块通过在能源中心供能区域的各个建筑物及各层和各层 的用户的相应位置布置传感器件,检测电量的消耗、暖通设备冷却水的流量和 用户所处环境的温度;
步骤S2:数据层模块通过数据传输协议接收来自能源中心供能区域的检测 到的历史数据以及现场数据,并获取有关天气预报、法定节假日以及风俗习惯 的外源数据,并存储在服务器和云端;
步骤S3:计算层模块对来自数据层模块的数据进行筛选、处理和预测;
步骤S4:应用层模块在得到计算层模块对冷热电负荷预测的结果后,应用 到实际的能源管理和提高用户的服务体验,包括Web应用和二次开发。
上述方案中,所述步骤S4中Web应用包括使用基于Web端的数据可视化 技术向用户展示其冷热电消耗的历史数据,并根据当前采集到的现场数据预测 接下来的冷热电消耗,同时向能源中心展示所用的冷热电负荷预测的数据和趋 势图,便于相关人员制定决策。
上述方案中,所述步骤S4中二次开发包括在准确预测冷热电负荷的前提下 优化蓄能设备的运行策略,使其削峰填谷,降低生产成本,或者通过合理分配 能源中心供能设备上加载的负荷来降低设备的维护成本和运营成本。
上述方案中,所述步骤S2的数据处理过程包括如下步骤:
步骤S21:数据清洗,利用箱型图、高斯分布及聚类法筛选出异常值,分情 况利用删除、保留、替代方法进行处理;找出空白、非数和0表示的缺失值, 利用字符和统计值代替法进行处理,经过上述两步后,将数据转换为指定的格 式;
步骤S22:特征工程,通过特征选择的方法,包括低方差特征选择、单变量 特征选择、递归式特征消除和嵌入式方法来得到对预测结果重要的原特征集合 的子集,也可以利用PCA和LDA特征提取的方法将原特征集合映射为另一个 特征集合,达到降维的目的;
步骤S23:LSTM算法模型构建,将整理好的数据代入模型计算,并根据实 际情况调整超参数;
步骤S24:模型评估,通过选择合适的评估指标衡量得到的负荷预测模型的 性能优劣,针对分类问题可选的评估指标有准确率、召回率、F1值、ROC曲线 和AUC曲线,针对回归问题的评估指标有最大误差、平均绝对值误差、均方差 和R2分数,如果负荷预测模型的性能达到要求,就结束该步骤,若不符合要求, 则执行步骤S23和下述步骤S25;
步骤S25:在步骤S24没有满足要求的前提下执行该步骤,通过交叉验证和 网格搜索来优化模型,提升负荷预测模型的性能。
上述方案中,所述步骤S2中数据层模块还可接收来自第三方平台的数据, 包括气象台的天气预报和国家的法定节假日,针对不同的第三方平台,通过购 买数据服务、共享数据服务以及开放数据接口接受其相关数据。
本发明的优点和有益效果在于:本发明提供一种分布式供能的冷热电负荷 预测模型系统及方法,在供能区域布置数据监测点位,能够收集现场数据,不 仅考虑了影响供能区域冷热电负荷的逐时数据,还将天气预报、国家法定节假 日等纳入考虑,且利用对时序数据更有效的LSTM算法建立预测模型,从而实 现对冷热电负荷的准确预测,以优化能源中心蓄能装置的运行策略和冷热电负 荷的分配方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例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 中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付 出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的系统框图。
图2为本发明的流程图。
图3为本发明实施例中能源中心冷热电负荷来源示意图。
图4为本发明实施例中利用LSTM算法建模过程示意图。
图5为本发明实施例中负荷预测的后续服务开发示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实 施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保 护范围。
如图1所示,本发明是一种分布式供能的冷热电负荷预测模型系统,包括:
能源中心,用于提供冷热电负荷;物理层模块,设有多个传感器件并布置 在能源中心供能区域的各个点位上,用于提供实时现场数据;数据层模块,用 于存储能源中心供能区域的各个点位上检测到的历史数据以及现场数据,并获 取有关天气预报、法定节假日以及相关风俗习惯等有利于冷热电负荷预测的外 源数据;计算层模块,用于对来自数据层模块的数据利用数据清洗、特征工程 进行筛选,并进一步利用LSTM算法建立能源中心的冷热电负荷模型;应用层 模块,用于指导能源中心供能区域根据冷热电预测结果来选择蓄能设备的蓄能 量,并为合理制定分布式供能的负荷分配方案提供指导。
如图3所示,能源中心的供能区域包括媒体城地块、跳变企业地块、核心 地块、学校、社区和公共地块,媒体城地块、核心地块和跳变企业地块均包括 办公楼和商场,核心地块还包括酒店。首先通过物理层模块,在这些区域布置 传感器的监测点位,监测点位的选定充分考虑了达到冷热电负荷预测模型的数 据需求,同时使所用的传感器件数量最小,从而减小硬件成本。为了实现不同 精度要求的冷热电负荷预测,分别在建筑物、建筑物各楼层和建筑物各楼层的 各用户层面上进行传感器件的布置,以满足不同的冷热电负荷预测精度需求。 各楼层和各用户的监测点位布置是将整个建筑物的数据监测精细化,分别在各楼层安装总表和各用户室内安装传感器监测其用电量、暖通设备的冷冻水供应 情况以及各种环境数据。
如图2-5所示,一种分布式供能的冷热电负荷预测模型的方法,包括如下步 骤:
步骤S1:物理层模块通过在能源中心供能区域的各个建筑物及各层和各层 的用户等相应位置布置电表、流量计和温度计等传感器件,检测电量的消耗、 暖通设备冷却水的流量和用户所处环境的温度;其中,物理层模块中传感器件 的布置综合考虑满足能源中心及分布式供能冷热电负荷预测模型的数据需求, 同时尽可能减少传感器件的个数;
步骤S2:数据层模块在物理层模块搭建好的前提下,通过规定的数据传输 协议接收来自能源中心供能区域的监测数据,并存储在服务器和云端;
数据层模块还接收来自第三方平台的数据,如气象台、供能区域各物业部 门,充分考虑影响供能区域冷热电负荷变动的天气和小区活动等影响因素,针 对不同的第三方平台,通过购买数据服务、共享数据服务以及开放数据接口等 接受其相关数据;
步骤S3:为了建立能源中心及分布式供能的冷热电负荷预测模型,需要对 收集到的来自数据层模块的各种数据进行分析,处理过程如下:
(1)数据清洗
收集到的数据由于各种各样的原因,会出现偏离正常值和缺失值等情况, 且需要将数据转换为适于后续处理的数据格式。因此该步骤利用箱型图、高斯 分布等概率分布及聚类方法筛选出异常值,分情况利用删除、保留、其他统计 值代替等方法进行处理;找出空白、非数和0等表示的缺失值,利用特殊字符 和其他统计值代替等方法进行处理;经过上述两步后,将数据转换为特定的格 式,包括取整、浮点位数、离散化等方法,并保存为CSV,XML等特定的文件 格式。利用箱型图、高斯分布及聚类法筛选出异常值,分情况利用删除、保留、 替代方法进行处理;找出空白、非数和0表示的缺失值,利用字符和统计值代 替法进行处理,经过上述两步后,将数据转换为指定的格式;
(2)特征工程
收集到的数据,包括监测点位和第三方平台的数据并不都是被需要的,可 能存在冗余的特征。冗余的特征会使预测结果受到不必要的干扰,从而影响最 终的预测结果。通过特征选择的方法,包括低方差特征选择、单变量特征选择 等过滤式方法、递归式特征消除(包裹式方法)和嵌入式方法来得到对预测结 果重要的原特征集合的子集。也可以利用PCA和LDA等特征提取的方法将原 特征集合映射为另个特征集合,达到降维的目的;
(3)LSTM算法模型构建
将整理好的数据代入模型计算,但需要根据实际的情况调整其中的激活函 数等超参数;
(4)模型评估
通过选择合适的评估指标衡量得到的负荷预测模型的性能优劣,如针对分 类问题可选的有准确率、召回率、F1值、ROC曲线和AUC曲线等,针对回归 问题有最大误差、平均绝对值误差、均方差和R2分数等。如果负荷预测模型的 性能达到要求,就结束该步骤,否则继续依次执行(5)和(3)直到性能达标;
(5)模型优化
在步骤(4)没有满足要求的前提下执行该步骤,通过交叉验证和网格搜索 等方法来优化模型,提升负荷预测模型的性能。
步骤S4:应用层模块在得到计算层模块对冷热电负荷预测的结果后,应用 到实际的能源管理和提高用户的服务体验,包括Web应用和二次开发,Web 应用包括使用基于Web端的数据可视化技术向用户展示其冷热电消耗的历史数 据,并根据当前采集到的现场数据预测接下来的冷热电消耗,同时向能源中心 展示所用的冷热电负荷预测的数据和趋势图,便于相关人员制定决策;二次开 发包括在准确预测冷热电负荷的前提下优化蓄能设备的运行策略,使其削峰填 谷,降低生产成本,或者通过合理分配能源中心供能设备上加载的负荷来降低 设备的维护成本和运营成本。
本发明的优点:
与现有技术相比,本发明在供能区域布置数据监测点位,能够收集现场数 据,不仅考虑了影响供能区域冷热电负荷的逐时数据,还将天气预报、国家法 定节假日等纳入考虑,且利用对时序数据更有效的LSTM算法建立预测模型, 从而实现对冷热电负荷的准确预测,以优化能源中心蓄能装置的运行策略和冷 热电负荷的分配方案。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发 明的精神和原则之内,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 (6)
1.一种分布式供能的冷热电负荷预测模型系统,其特征在于,包括:
物理层模块,设有多个传感器件并布置在能源中心供能区域的各个点位上,用于提供实时现场数据;
数据层模块,用于存储能源中心供能区域各个点位上检测到的数据;
计算层模块,用于对来自数据层模块的数据进行处理;
应用层模块,用于指导能源中心供能区域根据冷热电预测结果来选择蓄能设备的蓄能量。
2.根据权利要求1所述的一种分布式供能的冷热电负荷预测模型系统的方法,其特征在于,包括如下步骤:
步骤S1:物理层模块通过在能源中心供能区域的各个建筑物及各层和各层的用户的相应位置布置传感器件,检测电量的消耗、暖通设备冷却水的流量和用户所处环境的温度;
步骤S2:数据层模块通过数据传输协议接收来自能源中心供能区域的检测到的历史数据以及现场数据,并获取有关天气预报、法定节假日以及风俗习惯的外源数据,并存储在服务器和云端;
步骤S3:计算层模块对来自数据层模块的数据进行筛选、处理和预测;
步骤S4:应用层模块在得到计算层模块对冷热电负荷预测的结果后,应用到实际的能源管理和提高用户的服务体验,包括Web应用和二次开发。
3.根据权利要求2所述的一种分布式供能的冷热电负荷预测模型的方法,其特征在于,所述步骤S4中Web应用包括使用基于Web端的数据可视化技术向用户展示其冷热电消耗的历史数据,并根据当前采集到的现场数据预测接下来的冷热电消耗,同时向能源中心展示所用的冷热电负荷预测的数据和趋势图,便于相关人员制定决策。
4.根据权利要求2所述的一种分布式供能的冷热电负荷预测模型的方法,其特征在于,所述步骤S4中二次开发包括在准确预测冷热电负荷的前提下优化蓄能设备的运行策略,使其削峰填谷,降低生产成本,或者通过合理分配能源中心供能设备上加载的负荷来降低设备的维护成本和运营成本。
5.根据权利要求2所述的一种分布式供能的冷热电负荷预测模型的方法,其特征在于,所述步骤S2的数据处理过程包括如下步骤:
步骤S21:数据清洗,利用箱型图、高斯分布及聚类法筛选出异常值,分情况利用删除、保留、替代方法进行处理;找出空白、非数和0表示的缺失值,利用字符和统计值代替法进行处理,经过上述两步后,将数据转换为指定的格式;
步骤S22:特征工程,通过特征选择的方法,包括低方差特征选择、单变量特征选择、递归式特征消除和嵌入式方法来得到对预测结果重要的原特征集合的子集,也可以利用PCA和LDA特征提取的方法将原特征集合映射为另一个特征集合,达到降维的目的;
步骤S23:LSTM算法模型构建,将整理好的数据代入模型计算,并根据实际情况调整超参数;
步骤S24:模型评估,通过选择合适的评估指标衡量得到的负荷预测模型的性能优劣,针对分类问题可选的评估指标有准确率、召回率、F1值、ROC曲线和AUC曲线,针对回归问题的评估指标有最大误差、平均绝对值误差、均方差和R2分数,如果负荷预测模型的性能达到要求,就结束该步骤,若不符合要求,则执行步骤S23和下述步骤S25;
步骤S25:在步骤S24没有满足要求的前提下执行该步骤,通过交叉验证和网格搜索来优化模型,提升负荷预测模型的性能。
6.根据权利要求2所述的一种分布式供能的冷热电负荷预测模型的方法,其特征在于,所述步骤S2中数据层模块还可接收来自第三方平台的数据,包括气象台的天气预报和国家的法定节假日,针对不同的第三方平台,通过购买数据服务、共享数据服务以及开放数据接口接受其相关数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290953.5A CN111144628A (zh) | 2019-12-16 | 2019-12-16 | 一种分布式供能的冷热电负荷预测模型系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290953.5A CN111144628A (zh) | 2019-12-16 | 2019-12-16 | 一种分布式供能的冷热电负荷预测模型系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144628A true CN111144628A (zh) | 2020-05-12 |
Family
ID=70518402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290953.5A Pending CN111144628A (zh) | 2019-12-16 | 2019-12-16 | 一种分布式供能的冷热电负荷预测模型系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144628A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN116307222A (zh) * | 2023-03-27 | 2023-06-23 | 河南居安供热技术有限公司 | 一种多重耦合清洁能源蓄能方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571068A (zh) * | 2015-01-30 | 2015-04-29 | 中国华电集团科学技术研究总院有限公司 | 一种分布式能源系统的运行优化控制方法及系统 |
CN104950720A (zh) * | 2015-06-16 | 2015-09-30 | 天津大学 | 基于气象预报将需求响应和舒适度反馈结合的供能系统 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN109063925A (zh) * | 2018-08-16 | 2018-12-21 | 合肥工业大学 | 一种计及负荷聚合商的区域综合能源系统优化运行方法 |
CN110210993A (zh) * | 2019-05-22 | 2019-09-06 | 重庆大学 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
CN110414788A (zh) * | 2019-06-25 | 2019-11-05 | 国网上海市电力公司 | 一种基于相似日和改进lstm的电能质量预测方法 |
-
2019
- 2019-12-16 CN CN201911290953.5A patent/CN111144628A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571068A (zh) * | 2015-01-30 | 2015-04-29 | 中国华电集团科学技术研究总院有限公司 | 一种分布式能源系统的运行优化控制方法及系统 |
CN104950720A (zh) * | 2015-06-16 | 2015-09-30 | 天津大学 | 基于气象预报将需求响应和舒适度反馈结合的供能系统 |
CN107370170A (zh) * | 2017-06-23 | 2017-11-21 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 |
CN109063925A (zh) * | 2018-08-16 | 2018-12-21 | 合肥工业大学 | 一种计及负荷聚合商的区域综合能源系统优化运行方法 |
CN110210993A (zh) * | 2019-05-22 | 2019-09-06 | 重庆大学 | 基于循环神经网络模型的城市短期燃气负荷预测方法 |
CN110414788A (zh) * | 2019-06-25 | 2019-11-05 | 国网上海市电力公司 | 一种基于相似日和改进lstm的电能质量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932015A (zh) * | 2020-08-12 | 2020-11-13 | 武汉中电节能有限公司 | 一种区域供冷供热冷热量负荷的预测方法及系统 |
CN116307222A (zh) * | 2023-03-27 | 2023-06-23 | 河南居安供热技术有限公司 | 一种多重耦合清洁能源蓄能方法及系统 |
CN116307222B (zh) * | 2023-03-27 | 2023-09-22 | 河南居安供热技术有限公司 | 一种多重耦合清洁能源蓄能方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Modeling urban building energy use: A review of modeling approaches and procedures | |
Li et al. | Development of low voltage network templates—Part I: Substation clustering and classification | |
WO2020098728A1 (zh) | 集群负荷预测方法、装置及存储介质 | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
KR101800286B1 (ko) | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 | |
US20160018835A1 (en) | System and method for virtual energy assessment of facilities | |
CN101728868B (zh) | 遥测电力负荷特性的分类和预测方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
KR20140043184A (ko) | 에너지 소비량 예측 장치 및 방법 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
CN104751249A (zh) | 一种空间负荷预测方法 | |
Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
Jin et al. | A review and reflection on open datasets of city-level building energy use and their applications | |
JP2015002588A (ja) | 電力消費管理システムおよび方法 | |
KR20210011745A (ko) | 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법 | |
Sesana et al. | Geomapping methodology for the GeoCluster Mapping Tool to assess deployment potential of technologies for energy efficiency in buildings | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
Rafiq et al. | Analysis of residential electricity consumption patterns utilizing smart-meter data: Dubai as a case study | |
Gholami et al. | Upscaling of spatial energy planning, phases, methods, and techniques: A systematic review through meta-analysis | |
Zhou et al. | High-resolution estimation of building energy consumption at the city level | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN116720750B (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 |
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 |