CN111461208A - 一种适用于分布式供能系统的发展规模预测方法及系统 - Google Patents

Abstract

本发明公开了一种适用于分布式供能系统的发展规模预测方法及系统，包括，选取对分布式供能系统发展可能产生影响的影响因素；将所述影响因素和所述分布式供能系统装机容量的历史数据进行FFT转换，获得所述历史数据的幅频特性，形成幅频特性向量；利用相关性分析策略求取所述影响因素与所述装机容量的的所述幅频特性向量的相关度；选取所述相关度排在前5的所述影响因素与同期所述装机容量的年度数据，构建训练样本、测试样本及预测样本；利用所述训练样本对LSSVM进行训练和参数优化，训练完成后输出预测模型，利用所述预测模型预测所述分布式供能系统的所述装机容量。本发明方法能更全面、更综合地预测多因素影响下的分布式供能系统的装机容量。

Description

一种适用于分布式供能系统的发展规模预测方法及系统

技术领域

本发明涉及LSSVM的训练样本和预测样本的选取及分布式供能系统的发电量预测模型技术领域，尤其涉及一种适用于分布式供能系统的发展规模预测方法及系统。

背景技术

主要分布在用户端的分布式供能系统，作为主要电源的补充，可以缓解电力需求压力，减小负荷峰谷差，因此，分布式供能系统得到了快速的发展，装机容量逐年增加。但是，分布式供能系统的发展受经济、技术、社会、天气及一系列因素的影响，由于这些因素具有一定的不确定性，导致了分布式供能系统的发展也具有不确定性，这不利于分布式供能系统的科学规划，也不利于电网消纳分布式供能系统接入而进行的配网规划。因此，准确预测分布式供能系统的发展规模，可以为分布式供能系统的科学规划提供决策依据。

分布式供能系统的发展受到多因素的影响，其装机容量的预测是一个非线性的问题；同时，由于分布式供能系统在国内的发展时间不长，可利用的历史数据少，造成了预测出现困难。对于这种小样本、多因素、非线性预测问题，目前应用得较多的是最小二乘支持向量机，这种模型可以在样本较少的情况下，很好地处理这种多因素、非线性问题。应用LSSVM为预测模型，影响预测精度的关键是训练样本、测试样本及预测样本的正确选择，并且不是样本越多越好，选取相关性不高的样本，反而对预测结果产生干扰。目前，LSSVM的样本主要是基于时域进行分析和构造，没有挖掘出历史数据的周期变化规律，因此，本发明对历史数据进行频域变换，挖掘历史数据在频域下的变化规律及其联系，从而更好地为LSSVM进行样本构造，提高预测精度。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种适用于分布式供能系统的发展规模预测方法，能够预测多因素影响下的分布式供能系统的装机容量。

为解决上述技术问题，本发明提供如下技术方案：选取对分布式供能系统发展可能产生影响的影响因素；将所述影响因素和所述分布式供能系统装机容量的历史数据进行FFT转换，获得所述历史数据的幅频特性，形成幅频特性向量；利用相关性分析策略求取所述幅频特性向量的相关度；选取所述相关度排在前5的所述影响因素与同期所述装机容量的年度数据，分别构建训练样本、测试样本及预测样本；利用所述训练样本对LSSVM进行训练和参数优化，训练完成后输出预测模型，利用所述预测模型预测所述分布式供能系统的所述装机容量。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：包括，选取径向基函数为所述LSSVM的核函数；利用所述训练样本对所述LSSVM进行训练和参数优化；利用所述测试样本对输出的所述预测模型进行测试，当所述预测模型达到预定精度时，所述预测样本和训练完成的所述预测模型对所述装机容量进行预测。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：构建所述训练样本、所述测试样本、所述预测样本，包括，将所述影响因素和所述装机容量N年的历史数据定义为所述训练样本；将所述影响因素和所述装机容量的预测年前1年的历史数据定义为所述测试样本；将预测年所述影响因素的数据定义为所述预测样本。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：选取所述影响因素包括，人口因素、能源因素、经济因素、技术因素、气候因素。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：包括，选取所述影响因素和所述装机容量的N年月度数据，构建历史数据向量；利用所述FFT策略处理所述历史数据向量，得到所述幅频特性。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：还包括，将所述影响因素历史数据的所述幅频特性形成幅频特性向量x_i(i＝1，2，…，14)；将所述分布式供能系统装机容量历史数据的所述幅频特性形成幅频特性向量y；求取所述影响因素与所述装机容量之间的所述相关度，如下式：

其中，ρ为相关度，x_i(i＝1,2,,14)为各影响因素历史数据的幅频特性向量，y为分布式供能系统装机容量历史数据的幅频特性向量。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：包括，选取径向基函数作为所述预测模型的所述核函数，如下式：

其中，x＝{x₁；x₂；；x₁₄}：所述影响因素历史数据的所述幅频特性向量组成的幅频特性矩阵，y：所述分布式供能系统装机容量历史数据的所述幅频特性向量，σ：核宽度，反应了训练样本数集的分布或范围特性。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：训练并测试所述预测模型，包括，初始化惩罚参数C和所述σ，利用所述训练样本对所述LSSVM进行训练，并用测试样本进行测试；若所述预测模型精度未达到要求，根据误差对所述C和所述σ进行赋值优化，直到测试数据精度达到所述要求，输出所述预测模型。

作为本发明所述的一种适用于分布式供能系统的发展规模预测方法的一种优选方案，其中：预测所述分布式供能系统的所述装机容量，包括，将所述预测样本输入所述预测模型内，获得所述预测年的所述装机容量预测值，结合所述分布式供能系统的发展规模进行分析。

作为本发明所述的一种适用于分布式供能系统的发展规模预测系统的一种优选方案，其中：包括，数据处理中心模块，用于处理预测系统需求的数据流、计算所述相关度，其包括选择单元和转换单元，所述选择单元用于选取所述分布式供能系统发展可能产生的所述影响因素和所述相关度，所述转换单元用于转换所述历史数据，形成所述幅频特性；分析模块，用于分析研究所述影响因素对所述分布式供能系统的发展影响，判断所述预测模型是否到达所述预定精度；输入输出管理模块，用于传输数据信息、输出所述预测模型。

本发明的有益效果：本发明将影响因素和装机容量的历史数据进行频域变换，研究历史数据在频域下的相关性，充分挖掘数据信息，从历史数据信息本身的时域特征、频域特征及其相关性进行研究，更好的构造LSSVM的训练、测试和预测样本，从而能更全面、更综合地预测多因素影响下的分布式供能系统的装机容量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：

图1为本发明第一个实施例所述的适用于分布式供能系统的发展规模预测方法的流程示意图；

图2为本发明第一个实施例所述的适用于分布式供能系统的发展规模预测方法的又一种流程示意图；

图3为本发明第一个实施例所述的适用于分布式供能系统的发展规模预测方法的预测算法示意图；

图4为本发明第一个实施例所述的适用于分布式供能系统的发展规模预测方法的工业园区热负荷用气量示意图；

图5为本发明第一个实施例所述的适用于分布式供能系统的发展规模预测方法的五家医院的全年月均冷、电负荷变化示意图；

图6为本发明第二个实施例所述的适用于分布式供能系统的发展规模预测系统的模块结构分布示意图；

图7为本发明第二个实施例所述的适用于分布式供能系统的发展规模预测系统的网络结构分布示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

发展分布式供能系统是缓解能源紧张、促进节能减排、提高电网供电安全性和削峰填谷能力的重要举措，分布式供能系统能够实现能源梯级利用，且能源利用率高，但其并没有在全国大规模推广建设，说明能源紧缺及环境问题在现阶段并不是分布式供能的主要驱动因素；分布式供能系统单位投资大、经济效益差，只有经济发达的地区能承受建设分布式系统带来的经济压力，因此，分布式供能系统的发展规模和速度需要与当地经济发展状况相协调。

参照图1～图5，为本发明的第一个实施例，该实施例提供了一种基于频域相关度和最小二乘支持向量机的分布式供能系统的发展规模预测方法，包括：

S1：选取对分布式供能系统发展可能产生影响的影响因素。其中需要说明的是，选取影响因素包括：

人口因素、能源因素、经济因素、技术因素、气候因素。

具体的，根据分布式供能系统的发展特点，选取14个对分布式供能系统的发展可能产生影响的因素，包括：

人口总数、GDP、第一产业总产值、第二产业总产值、第三产业总产值、人均GDP、平均温度、年降雨量、一次能源消费总量、天然气消费占能源消费比例、天然气发电占天然气消费比例、社会总用电量、单位GDP电耗以及单位GDP能耗。

S2：将影响因素和分布式供能系统装机容量的历史数据进行FFT转换，获得历史数据的幅频特性，形成幅频特性向量。本步骤需要说明的是，包括：

选取影响因素和装机容量的N年月度数据，构建历史数据向量；

利用FFT策略处理历史数据向量，得到幅频特性。

进一步的，还包括：

将影响因素历史数据的幅频特性形成幅频特性向量x_i(i＝1，2，…，14)；

将分布式供能系统装机容量历史数据的幅频特性形成幅频特性向量y；

求取影响因素与装机容量之间的相关度，如下式：

其中，ρ为相关度，x_i(i＝1,2,,14)为各影响因素历史数据的幅频特性向量，y为分布式供能系统装机容量历史数据的幅频特性向量。

S3：利用相关性分析策略求取幅频特性向量的相关度。

S4：选取相关度排在前5的影响因素与同期装机容量的年度数据，分别构建训练样本、测试样本及预测样本。其中还需要说明的是，构建训练样本、测试样本、预测样本，包括：

将影响因素和装机容量N年的历史数据定义为训练样本；

将影响因素和装机容量的预测年前1年的历史数据定义为测试样本；

将预测年影响因素的数据定义为预测样本。

S5：利用训练样本对LSSVM进行训练和参数优化，训练完成后输出预测模型，利用预测模型预测分布式供能系统的装机容量。本步骤还需要说明的是，包括：

选取径向基函数为LSSVM的核函数；

利用训练样本对LSSVM进行训练和参数优化；

利用测试样本对输出的预测模型进行测试，当预测模型达到预定精度时，预测样本和训练完成的预测模型对装机容量进行预测。

具体的，包括：

选取径向基函数作为预测模型的核函数，如下式：

其中，x＝{x₁；x₂；；x₁₄}：影响因素历史数据的幅频特性向量组成的幅频特性矩阵，y：分布式供能系统装机容量历史数据的幅频特性向量，σ：核宽度，反应了训练样本数集的分布或范围特性。

较佳的是，训练并测试预测模型，包括：

初始化惩罚参数C和σ，利用训练样本对LSSVM进行训练，并用测试样本进行测试；

若预测模型精度未达到要求，根据误差对C和σ进行赋值优化，直到测试数据精度达到要求，输出预测模型。

预测分布式供能系统的装机容量，包括：

将预测样本输入预测模型内，获得预测年的装机容量预测值，结合分布式供能系统的发展规模进行分析。

参照图3，本实施例说明的是一种适用于分布式供能系统的发展规模预测算法，将14个影响因素和装机容量的N年月份历史数据组成15个向量，利用FFT转换、分析，分别将各频率下的幅值组成15个向量，结合相关性分析策略求取14个影响因素的幅值向量与装机容量的幅值向量之间的相关度，并按照相关度的大小进行排序，选取排在前五位的相关度，分别构建训练样本、预测样本及测试样本，根据训练样本对LSSVM参数进行优化，并输出LSSVM预测模型，将预测样本输入预测模型内进行预测，若达到精度要求，则输出预测结果，若未达到精度要求，则重新优化LSSVM参数，输出新的预测模型，直至达到精度要求。

优选的，分布式供能系统分为区域型和楼宇型，以小规模、小容量、分散式的方式分布于用户端，要实现能源梯级利用，充分发挥分布式供能系统的优势，用户就必须同时包含冷、热、电负荷中的至少两种，并达到一定热电比(50％以上才能提高系统的经济效益)，因此，只有满足一定条件的场所才具有建设分布式供能系统的能力；具体的，为了更好地说明区域型应用场所与楼宇型应用场所发展分布式供能系统的不同条件，本实施例分别以工业园(区域型应用场所)与医院(楼宇型应用场所)的用能特点进行分析说明：

(1)工业园：园区全年生产350天，要求连续供电供热(兼顾一定的冷负荷和热水负荷)，参照图4，热负荷较为平稳，不受季节影响，热负荷为工业生产工艺提供了高品质的蒸汽需求，工业园区内的连续热电负荷为建设分布式供能系统提供了良好的条件，分布式供能系统能够高效利用能源、减少热能浪费和燃煤粉尘污染，缓解当地的电力负荷紧张问题，因此，区域型应用场所具有发展分布式供能系统的优势。

(2)医院：以空调制冷为主，对电负荷的可靠性要求较高，需要大量的生活热水、蒸汽，本实施例以5家医院用能情况进行说明，参照图5，五家医院的电耗与气候的变化密切相关，用电高峰为夏季(8、9月)，低谷为3月，五家医院的逐月用电量占比均值中，8月份用电量占全年用电量的12.2％，9月份为12.1％，3月份为5.5％，五家医院空调用电约占全部用电量平均比例为50％；其中，全年电负荷较为平稳，冷负荷季节性明显，热负荷全年变化具有明显的波动性。

较佳的是，分布式供能系统装机容量小且能量传递可进行智能控制，在负荷高峰期自助发电，并利用排热进行制冷供热，不仅可以直接提供电能满足负荷需求，还能通过排烟尾气余热对冷热负荷进行弥补，起到双重的削峰效果，同时，分布式供能系统还可以装设蓄冷蓄热装置，具有一定程度的填谷能力。

优选的是，现有对于分布式供能系统发展规模的预测方法是基于时域信号特征的趋势规律进行预测，例如，每月用电量、每月平均温度、每月GDP，在预测过程中只选取了时域信息进行预测；而本发明方法则额外取时域信号中的频域特征进行更精细的预测，利用最小二乘支持向量机，结合频域相关度(即使分布式供能系统在国内的发展时间不长，可利用的历史数据较少，依旧很好地处理多因素、非线性问题)，应用LSSVM为预测模型，对历史数据进行频域转换，挖掘历史数据在频域下的变化规律及其联系，从而更好地为LSSVM进行样本构造，更全面、更综合地分析、预测分布式供能系统的装机容量。

为了更好地说明本发明方法所具有的真实效果，本实施例以人口因素、能源因素、经济因素、技术因素、气候因素构建不同的发展趋势情景，采用现有基于时域信号的预测方法与采用频域规律的本发明预测方法进行预测对比，预测多种情景下的实际分布式供能发展规模，验证本发明方法具有更高的预测精度及准确的，结果如下表所示：

表1：五个情景下分布式供能系统装机容量预测精度百分比对比表。

参照表1，分布式供能系统装机容量呈直线上升的趋势，由于2022年的技术和市场较为薄弱，增长趋势较为平缓，增长速度较慢，各情景设置下的分布式供能规模差别不明显，2025年至2030年，由于相关技术和分布式综合供能市场已有较多积累，且有政策支持，分布式供能系统增长速度加快，各情景设置下的分布式供能规模差别越来越明显。

进一步的是，本发明方法提供的频域预测更适合分布式综合功能的供能/负荷用能存在更快速波动变化的特征(即有低频用能负荷，也有高频用能负荷)，且分拆为低频、高频分量后，预测模型能够分别根据频率规律进行预测，参照表1的数据，对比现有技术方法与本发明技术方法的预测精度百分比，在5种情景模式中，本发明方法因考虑到频率相关度(频率规律)、设定一定精度的预测模型，对比现有基于时域信号的预测方法的预测精度更高，且差异较明显，更好的验证、说明本发明方法能够更全面、更综合、更精准地预测多因素影响下的分布式供能系统的装机容量。

实施例2

参照图6和图7，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种适用于分布式供能系统的发展规模预测系统，包括：

数据处理中心模块100，用于处理预测系统需求的数据流、计算相关度，其包括选择单元101和转换单元102，选择单元101用于选取分布式供能系统发展可能产生的影响因素和相关度，转换单元102用于转换历史数据，形成幅频特性。

分析模块200，用于分析研究影响因素对分布式供能系统的发展影响，判断预测模型是否到达预定精度。

输入输出管理模块300，用于传输数据信息、输出预测模型。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种适用于分布式供能系统的发展规模预测方法，其特征在于：包括，

选取对分布式供能系统发展可能产生影响的影响因素；

将所述影响因素和所述分布式供能系统装机容量的历史数据进行FFT转换，获得所述历史数据的幅频特性，形成幅频特性向量；

利用相关性分析策略求取所述幅频特性向量的相关度；

选取所述相关度排在前5的所述影响因素与同期所述装机容量的年度数据，分别构建训练样本、测试样本及预测样本；

利用所述训练样本对LSSVM进行训练和参数优化，训练完成后输出预测模型，利用所述预测模型预测所述分布式供能系统的所述装机容量。

2.如权利要求1所述的适用于分布式供能系统的发展规模预测方法，其特征在于：包括，

选取径向基函数为所述LSSVM的核函数；

利用所述训练样本对所述LSSVM进行训练和参数优化；

利用所述测试样本对输出的所述预测模型进行测试，当所述预测模型达到预定精度时，所述预测样本和训练完成的所述预测模型对所述装机容量进行预测。

3.如权利要求1或2所述的适用于分布式供能系统的发展规模预测方法，其特征在于：构建所述训练样本、所述测试样本、所述预测样本，包括，

将所述影响因素和所述装机容量N年的历史数据定义为所述训练样本；

将所述影响因素和所述装机容量的预测年前1年的历史数据定义为所述测试样本；

将预测年所述影响因素的数据定义为所述预测样本。

4.如权利要求1所述的适用于分布式供能系统的发展规模预测方法，其特征在于：选取所述影响因素包括，

人口因素、能源因素、经济因素、技术因素、气候因素。

5.如权利要求1或4所述的适用于分布式供能系统的发展规模预测方法，其特征在于：包括，

选取所述影响因素和所述装机容量的N年月度数据，构建历史数据向量；

利用所述FFT策略处理所述历史数据向量，得到所述幅频特性。

6.如权利要求5所述的适用于分布式供能系统的发展规模预测方法，其特征在于：还包括，

将所述影响因素历史数据的所述幅频特性形成幅频特性向量xi(i＝1，2，…，14)；

将所述分布式供能系统装机容量历史数据的所述幅频特性形成幅频特性向量y；

求取所述影响因素与所述装机容量之间的所述相关度，如下式：

其中，ρ为相关度，x_i(i＝1,2,…,14)为各影响因素历史数据的幅频特性向量，y为分布式供能系统装机容量历史数据的幅频特性向量。

7.如权利要求1或2所述的适用于分布式供能系统的发展规模预测方法，其特征在于：包括，

选取径向基函数作为所述预测模型的所述核函数，如下式：

其中，x＝{x₁；x₂；…；x₁₄}：所述影响因素历史数据的所述幅频特性向量组成的幅频特性矩阵，y：所述分布式供能系统装机容量历史数据的所述幅频特性向量，σ：核宽度，反应了训练样本数集的分布或范围特性。

8.如权利要求7所述的适用于分布式供能系统的发展规模预测方法，其特征在于：训练并测试所述预测模型，包括，

初始化惩罚参数C和所述σ，利用所述训练样本对所述LSSVM进行训练，并用测试样本进行测试；

若所述预测模型精度未达到要求，根据误差对所述C和所述σ进行赋值优化，直到测试数据精度达到所述要求，输出所述预测模型。

9.如权利要求1或8所述的适用于分布式供能系统的发展规模预测方法，其特征在于：预测所述分布式供能系统的所述装机容量，包括，

将所述预测样本输入所述预测模型内，获得所述预测年的所述装机容量预测值，结合所述分布式供能系统的发展规模进行分析。

10.一种适用于分布式供能系统的发展规模预测系统，其特征在于：包括，

数据处理中心模块(100)，用于处理预测系统需求的数据流、计算所述相关度，其包括选择单元(101)和转换单元(102)，所述选择单元(101)用于选取所述分布式供能系统发展可能产生的所述影响因素和所述相关度，所述转换单元(102)用于转换所述历史数据，形成所述幅频特性；

分析模块(200)，用于分析研究所述影响因素对所述分布式供能系统的发展影响，判断所述预测模型是否到达所述预定精度；

输入输出管理模块(300)，用于传输数据信息、输出所述预测模型。

Images