CN112036636A - 一种以电能终端消费为主的综合能源负荷预测方法 - Google Patents

一种以电能终端消费为主的综合能源负荷预测方法 Download PDF

Info

Publication number
CN112036636A
CN112036636A CN202010887255.XA CN202010887255A CN112036636A CN 112036636 A CN112036636 A CN 112036636A CN 202010887255 A CN202010887255 A CN 202010887255A CN 112036636 A CN112036636 A CN 112036636A
Authority
CN
China
Prior art keywords
land
measured
comprehensive energy
industrial
energy load
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
Application number
CN202010887255.XA
Other languages
English (en)
Inventor
李源非
许彦斌
林昶咏
蔡期塬
方程
马嘉欣
任伟理
周喜超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Priority to CN202010887255.XA priority Critical patent/CN112036636A/zh
Publication of CN112036636A publication Critical patent/CN112036636A/zh
Pending legal-status Critical Current

Links

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
    • 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

本发明实施例公开了一种以电能终端消费为主的综合能源负荷预测方法，包括：将待测城市划分为多个类型的城市用地；分别对每单位面积居民用地、商业用地和工业用地在待测时间的综合能源负荷进行预测；基于待测城市的成熟度，分别获取居民用地、商业用地和工业用地在待测时间的面积；基于居民用地、商业用地和工业用地的面积、以及预测得到的每单位面积居民用地、商业用地和工业用地的综合能源负荷，得到待测城市的第一综合能源负荷预测结果；构建综合能源系统；以及基于综合能源系统，对第一综合能源负荷预测结果进行修正，以得到待测城市的第二综合能源负荷预测结果。本发明实施例还公开了相应计算设备。

Description

一种以电能终端消费为主的综合能源负荷预测方法
技术领域
本发明涉及电力系统技术领域，尤其涉及一种综合能源负荷预测方法。
背景技术
城市综合能源系统是以电力网为基础，利用可再生能源技术、智能电网技术及互联网技术，融合电力网、天然气网、氢能源网等多能源网及电气化交通网，形成多种能源高效利用和多元主体参与的共享网络。城市综合能源系统的综合能源负荷(又称为多能负荷)预测与传统电负荷的中长期预测既有联系又有区别，在城市综合能源系统的负荷预测中除了需要采集电能负荷历史数据之外，还需要对城市的其他能源的负荷，例如热和天然气等负荷的历史数据进行收集与处理。然而由于能源行业条块分割、数据统计口径各异、数据维护工作欠缺等原因导致难以获取完整、准确的多能负荷历史数据，导致对综合能源负荷的预测不准确。
因此，期望一种更为先进的综合能源负荷预测方案。
发明内容
为此，本发明实施例提供一种综合能源负荷预测方法，以力图解决或至少缓解上面存在的问题。
根据本发明实施例的一个方面，提供了一种综合能源负荷预测方法，包括：将待测城市划分为多个类型的城市用地，多个类型的城市用地至少包括居民用地、商业用地和工业用地；分别对每单位面积居民用地、商业用地和工业用地在待测时间的综合能源负荷进行预测；基于待测城市的成熟度，分别获取居民用地、商业用地和工业用地在待测时间的面积；基于居民用地、商业用地和工业用地的面积、以及预测得到的每单位面积居民用地、商业用地和工业用地的综合能源负荷，得到待测城市的第一综合能源负荷预测结果；构建综合能源系统，综合能源系统包括电锅炉、热泵、电转气设备、燃气轮机以及燃气锅炉；以及基于综合能源系统，对第一综合能源负荷预测结果进行修正，以得到待测城市的第二综合能源负荷预测结果。
可选地，在根据本发明实施例的方法中，对每单位面积居民用地或者商业用地中在待测时间的综合能源负荷进行预测，包括：采用至少一种预测模型来进行预测；对至少一种预测模型的预测结果进行加权平均，得到每单位面积居民用地或者商业用地在待测时间的综合能源负荷。
可选地，在根据本发明实施例的方法中，对每单位面积居民用地或者商业用地在待测时间的综合能源负荷进行预测，还包括：基于Shapley值理论确定每种预测模型对应的权重。
可选地，在根据本发明实施例的方法中，预测模型包括HOLT双参数平滑预测模型和/或灰色预测模型。
可选地，在根据本发明实施例的方法中，对每单位面积工业用地在待测时间的综合能源负荷进行预测，包括：利用灰色预测模型计算待测城市在待测时间的每单位面积工业用地产值；将待测城市的工业划分为多个类别；基于各类别工业历年产值与对应自然年待测城市工业总产值的占比，计算得到每单位面积工业用地的用地结构权重向量；采用指数函数拟合各类工业每单位产值的综合能源负荷变化趋势，得到待测城市各类工业每单位产值的综合能源负荷矩阵；基于每单位面积工业用地的用地结构权重向量、各类工业每单位产值的综合能源负荷矩阵、待测城市在待测时间的每单位面积工业用地产值，计算得到每单位面积工业用地在待测时间的综合能源负荷。
可选地，在根据本发明实施例的方法中，分别获取居民用地、商业用地和工业用地在待测时间的面积，包括：采用Sigmoid函数拟合各类型的城市用地的面积变化趋势，Sigmoid函数表征待测城市的成熟度；基于各类型的城市用地的面积变化趋势，分别获取居民用地、商业用地和工业用地在待测时间的面积。
可选地，在根据本发明实施例的方法中，各类型的城市用地的面积变化趋势采用以下公式表示：
Figure BDA0002655947860000021
式中，a、b、c为预估系数，t为负荷时间序列，Si,t为待测城市第i种类型的城市用地第t年的面积。
可选地，在根据本发明实施例的方法中，综合能源系统以最小化用能成本为目标，并采用以下目标函数：minCtotal＝Cinv+Cop+Cele+Cheat+Cgas
式中，Ctotal为年总成本，Cinv为年投资成本；Cop为年运行成本；Cele、Cheat和Cgas分别为用户年购电、购热与购气成本。
可选地，在根据本发明实施例的方法中，电锅炉的运行特性采用以下公式表示：
Figure BDA0002655947860000031
式中，PEB为电锅炉制热功率，PEB 0为电锅炉额定设计功率，ηEB为电锅炉制热效率，Pele,EB为电锅炉制热消耗电功率，QH,EB为电锅炉可满足热负荷，t为工作时间。
可选地，在根据本发明实施例的方法中，热泵的运行特性采用以下公式表示：
Figure BDA0002655947860000032
式中，PHP为热泵制热功率，PHP 0为热泵额定设计功率，cop为热泵能效系数，Pele,HP为热泵制热消耗热功率，QH,HP为热泵可满足热负荷。
可选地，在根据本发明实施例的方法中，电转气设备的运行特性采用以下公式表示：
Figure BDA0002655947860000033
式中，PP2G为P2G制热功率，PP2G 0为P2G额定设计功率，Pele,P2G为P2G制热消耗电功率，φ为P2G能量转换系数，ρ为燃气低位热值，QG,P2G为可满足的气负荷。
可选地，在根据本发明实施例的方法中，燃气轮机的运行特性采用以下公式表示：
Figure BDA0002655947860000034
式中，PGT,min为GT的最小制热功率，PGT为GT的制热功率，PGT 0为GT额定设计功率，ηGT为GT制热效率，Vgas为GT消耗的燃气体积，QE,GT为GT可满足的电负荷，QH,GT为GT可满足的热负荷，ρGT为GT的热负荷。
可选地，在根据本发明实施例的方法中，燃气锅炉的运行特性采用以下公式表示：
Figure BDA0002655947860000041
式中，PGB,min为GB的最小制热功率，PGB为GB的制热功率，PGB 0为GB额定设计功率，ηGB为GT制热效率，QH,GT为GT可满足的热负荷。
可选地，在根据本发明实施例的方法中，基于综合能源系统，对第一综合能源负荷预测结果进行修正，包括：基于能量平衡约束，修正第一综合能源负荷预测结果，能量平衡约束采用以下公式表示：
Figure BDA0002655947860000042
式中，QE，QH，QG分别为第一能源负荷预测结果中电、热、气负荷,QE,bus是城市电母线的电负荷,QH,bus是城市热母管的热负荷。QG,bus是城市气母管的气负荷。
可选地，在根据本发明实施例的方法中，第二综合能源负荷预测结果采用以下公式计算得到：
Figure BDA0002655947860000043
式中，QE,Bus，QH,Bus，QH,Bus为第二综合能源负荷预测结果中电、热、气负荷，tEB是统计周期内电锅炉累计等效利用时间，tHP是统计周期内热泵累计等效利用时间，tP2G是统计周期内电转气设备累计等效利用时间。
根据本发明实施例的另一个方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，该一个或多个程序包括用于执行根据本发明实施例的上述方法的指令。
根据本发明实施例的还有一个方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，该指令当被计算设备执行时，使得计算设备执行根据本发明实施例的上述方法。
根据本发明实施例的综合能源负荷预测方案，在针对不同类型的城市用地分别预测各类用地单位面积负荷的基础上，考虑待测城市的成熟度对预测结果进行修正，从而得到城市电、热、气多能需求中长期预测结果。同时，考虑了待测城市的综合能源系统，以用能成本为边界约束，通过对考虑城市发展成熟度的综合能源负荷预测结果进行修正得到最终的综合能源负荷预测结果，极大地提高了预测的准确性和可靠度。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的示意图；
图2示出了根据本发明一个实施例的综合能源负荷预测方法200的流程图；以及
图3示出了根据本发明一个实施例的综合能源系统的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的计算设备100的示意图。如图1所示，在基本的配置107中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。
计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152或者HDMI接口与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备、遥控输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器，例如数据库服务器、应用程序服务器和WEB服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备100也可以实现为小尺寸便携(或者移动)电子设备。
在根据本发明的实施例中，计算设备100被配置为执行根据本发明实施例的综合能源负荷预测方法200。其中，计算设备100的应用122中包含执行根据本发明实施例的综合能源负荷预测方法200的多条指令。
图2示出了根据本发明一个实施例的综合能源负荷预测方法200的流程图。如图2所示，综合能源负荷预测方法200始于步骤S210。
在步骤S210中，将待测城市划分为多个类型的城市用地，这多个类型的城市用地至少包括居民用地、商业用地和工业用地。
城市用地是城市规划区范围内用于城市建设和满足城市机能运转所需要的、赋以一定用途和功能的土地的统称。不同类型的城市用地的面积与比例在很大程度上反映了城市的功能定位与结构，不同类型的城市用地在能源消费的种类与数量上有着显著差异，而同一类型的城市用地的负荷特性则较为相似。根据本发明实施例的综合能源负荷预测方法200利用以上特性，可以在数据质量较差的情况下对一个城市的多能中长期负荷(即综合能源负荷，同时也称为多能负荷，其包括电、热、气等能源的负荷)进行预测。
而后在步骤S220中，分别对居民用地、商业用地和工业用地中每单位面积在待测时间的综合能源负荷进行预测，从而得到待测城市在待测时间的综合能源负荷预测结果。将此处得到的待测城市的综合能源负荷预测结果称为第一综合能源负荷预测结果。
下面对每单位面积居民用地的综合能源负荷的预测过程进行描述。
鉴于不同的单项预测方法是分别从不同的角度对研究对象进行了深度的信息挖掘。倘若只采用一种预测方法就可能会造成部分有用信息的丢失。无论预测精度大还是小，各个单项预测中都包含系统独立的信息，如果只考虑某一个模型则会造成信息的浪费，而如果将不同的预测方法组合起来则会完善系统的预测性能。因此，在针对居民用地中每单位面积的电、热、气多能负荷的预测时采用加权平均组合预测的基本思想，即采用多种预测模型分别进行预测，再进一步对多种预测模型的预测结果取加权平均值，以得到最终的预测结果。
在一些实施例中，多种预测模型可以包括HOLT双参数平滑预测模型。可以采用HOLT双参数平滑预测模型来进行预测。HOLT双参数线性指数平滑模型具有计算简单、样本要求量较少、适应性强、结果较稳定的优点，适用于中长期预测。HOLT双参数线性指数平滑模型的原理如下：
设负荷时间序列为Xt，则平滑公式为：
一次平滑：St＝αXt+(1-α)(St-1+bt-1)
二次平滑：bt＝γ(St-St-1)+(1-γ)St-1
St是HOLT双参数线性指数平滑模型中待预测对象的水平量，bt是该待预测对象的趋势量。St和bt的初始值预先给定。
于是，预测模型为：
Figure BDA0002655947860000081
其中，α,γ是平滑系数(0＜α＜1，0＜γ＜1)，m为预测的超前期数。初值为：
S1＝X1
Figure BDA0002655947860000082
多种预测模型还可以包括灰色预测模型，可以采用灰色预测模型，即灰色GM(1，1)来进行预测。灰色预测法适用于外部环境已知和未知因素并存，呈指数分布的时间序列数据，在中长期能源负荷预测方面具有较好的效果。灰色GM(1，1)具有需要样本量少、预测精度较高的特性。灰色预测法的基本原理式如下：
设负荷时间序列X(0)有n个观测值：X(0)＝{X(0)(1),X(0)(2),...,X(0)(n)}
如下所示累加得新序列：X(1)＝{X(1)(1),X(1)(2),...,X(1)(n)}
式中，
Figure BDA0002655947860000091
则模型的微分方程为：
Figure BDA0002655947860000092
其中，a是发展灰度，b是内生控制灰度。
将以上微分方程表达为矩阵形式，并用最小二乘法求得a和b的估计值，然后代入微分方程中，计算求得：
Figure BDA0002655947860000093
再通过累减还原，确定原始数列X(0)的灰色预测模型为：
Figure BDA0002655947860000094
而后，可以对上述多种预测模型的预测结果进行组合。具体地，可以引入博弈论中的Shapley值理论以确定各预测模型在最终预测值中的权重，实现对HOLT双参数平滑预测与灰色预测两种独立的预测模型预测结果的融合。
基于Sharply值来进行组合，可以采用以下公式：
Figure BDA0002655947860000095
其中，
Figure BDA0002655947860000096
Yt为预测值，Yit为第i种模型的预测值，λi是第i种模型的权重。
第i种模型预测误差绝对值的平均值为：
Figure BDA0002655947860000097
式中，m是具体样本的数目；eij是第i种预测模型下第j个数据的残差。
总的平均预测误差为单个模型预测误差绝对值的平均值，如下式所示：
Figure BDA0002655947860000101
引入博弈论中的Shapley理论，将单个预测模型产生的误差看作是该模型的收益，那么组合预测模型的总误差就被看作是各个预测模型的共同收益，因此各模型事实上构成了一种合作关系。根据Shapley值理论把组合预测总误差E看作总收益分配到单个预测模型中，这样就确定了组合预测模型中单个预测模型的权重。Shapley值误差分配公式为：
E′i＝∑{s|i∈s}w(|s|)[E(s)-E(s-{i})]
其中，
Figure BDA0002655947860000102
E′为第i种预测模型的Shapley值，是该模型所分得的误差(收益)量；s为预测模型的集合；|s|为预测模型的个数，报告中|s|＝2；s-{i}指在所有的模型中去除模型i，E(s)是所有模型共同参与达到的误差量，E(s-{i})是所有模型中去除模型i之后达到的误差量。最后可得到权重的计算公式如下：
Figure BDA0002655947860000103
可以根据该权重对上述多种预测模型的预测结果进行加权平均，得到最终的居民用地中每单位面积在待测时间的综合能源负荷(即电、热、气多能负荷)。
对商业用地中每单位面积的综合能源负荷的预测与对居民用地中每单位面积的综合能源负荷的预测过程相同。这里不再赘述。
下面对每单位面积工业用地在待测时间的综合能源负荷的预测过程进行描述。
相较居民和商业用地的多能负荷预测，工业用地的多能负荷特性更为复杂，在进行中长期负荷预测时也有着显著不同之处。从横向看，不同工业的用能种类、用能数量等能耗特性会受到工艺流程、工业规模等多种因素的影响，以致工业多能负荷特性、结构及耦合关系更为复杂，如金属冶炼行业单位产值耗电约495.3kWh，耗热约839.51kJ，而电子设备制造单位产值耗电约134.57kWh，且几乎不需要工业用热，即耗热量为0kJ。从纵向看，同种工业的单位产值与多能负荷总是存在着一定的对应与映射关系，而在不同历史时期，随着生产技术的进步与革新，同种工业单位产值的多能负荷也会呈现动态变化的特征。
首先，获取待测城市的历年工业总产值数与工业用地数据。该数据可以从统计局处得到。接着，基于这些数据，利用灰色预测模型，例如居民用地/商业用地每单位面积的综合能源负荷预测过程中的灰色GM(1，1)，计算得到待测城市在待测时间的每单位面积工业用地产值。
而后，将待测城市的工业划分为多个类别，例如可以根据国家标准《国民经济行业分类》(GB/T4754-2011)将工业划分为农副食品加工、纺织服装、化学品制造、橡胶与塑料、有色金属冶炼和金属制品业等类别。
而后，可以以各类别工业历年产值与对应自然年城市工业总产值的占比为依据，计算得到每单位面积工业用地的用地结构权重向量如下式，该向量可用于表征历年单位工业用地(即工业用地每单位面积)总产值中各类工业的占比：
Figure BDA0002655947860000111
式中，ai为第i种工业占待测城市总工业产值比重。
接着，要针对各类工业每单位产值的综合能源负荷进行预测。考虑到随着设备制造水平、设备运行水平和生产技术工艺的革新与进步，单位产品或单位产值的能耗水平必将呈现出指数型下降趋势，并且下降趋势将逐步减缓直至收敛于某个值附近，整个下降变化的过程在一定程度上反映了工业生产技术的动态变化与成熟度变化。因此，可以引入指数函数y＝e1/x用于拟合各类工业每单位产值的多能负荷变化趋势，并得到相应的待测城市各类工业每单位产值的多能负荷(即综合能源负荷)矩阵，如下式：
Figure BDA0002655947860000112
式中，QEi、QHi、QGi分别为第i种工业每单位产值的电、热、气负荷，单位分别为万kWh/万元、百万kJ/万元、万m3/万元。
最后，联立以上式子求解得到待测城市每单位面积工业用地的综合能源负荷如下：
Figure BDA0002655947860000113
Figure BDA0002655947860000114
式中，Qt为待测城市t年的每单位面积工业用地的综合能源负荷矩阵。gdpt为待测城市t年每单位面积工业用地产值，单位为万元/km2。
Figure BDA0002655947860000121
为每单位面积工业用地的用地结构权重向量。Qt,i为第i种工业t年的每单位产值的综合能源负荷矩阵。
至此，得到了每单位面积居民用地的综合能源负荷、每单位面积商业用地的综合能源负荷、每单位面积工业用地的综合能源负荷。
如上所述，城市综合能源负荷与居民、商业以及工业负荷有着十分紧密的联系，并且居民、商业与工业用地每单元面积的负荷强度基本上都是呈现逐年增长的趋势，在某种程度上，可认为城市综合能源负荷与城市的居民、商业及工业的单位面积用地负荷是正相关，但不能简单认为城市综合能源负荷与居民、商业及工业的单位面积用地负荷是正比关系，因为宏观上城市的发展规模与发展程度也会明显影响到城市中长期综合能源负荷的变化趋势。特别是在数据质量较差，无法通过获取单个用户综合能源负荷数据与用能特性以预测城市中长期综合能源负荷的情况下，这时可以从城市发展程度的角度出发，通过预测城市居民、商业和工业用地的发展情况与成熟度，来修正对城市整体的中长期综合能源负荷预测结果。
也就是在步骤S230中，基于待测城市的成熟度，分别获取居民用地、商业用地和工业用地在待测时间的面积。
应当理解，广义Logistic曲线可以用于拟合事物生长与发展的变化规律。事物生长可视为是起初阶段大致是指数增长，增长速度逐渐增加；然后随着开始变得饱和，增长速度逐渐变缓；最后，事物发展接近成熟，最后收敛与某个值域。
城市用地的发展规律与Sigmoid函数较为接近，在城市行政区域固定，即总的用地面积一定的情况下，若一个城市的功能定位、发展政策等不出现剧烈变化的情况下，一个城市的居民、商业以及工业用地面积都会随着城市的发展以逐渐加快的增长率扩张，伴随城市发展逐渐成熟，居民、商业以及工业用地面积增速将逐渐放缓，并最终收敛到某个面积附近。鉴此，在通过统计局采集待测城市历年居民、商业以及工业用地规划面积数据的基础上，引入Sigmoid函数，用于表征待测城市的成熟度，并预测各类用地的面积变化趋势。拟合城市发展成熟度的Sigmoid函数如下：
Figure BDA0002655947860000131
式中，a、b、c为预估系数，t为负荷时间序列，Si,t为待测城市第i种类型的城市用地第t年的面积。
而后，在步骤S240中，基于居民用地、商业用地和工业用地的面积、以及预测得到的每单位面积居民用地、商业用地和工业用地的综合能源负荷，得到待测城市的第一综合能源负荷预测结果。具体地，可以将待测城市各种类型的城市用地在待测时间的面积乘以对应的该类型的每单位面积城市用地在待测时间的综合能源负荷，以得到各种类型的城市用地在待测时间的综合能源负荷。各种类型的城市用地在待测时间的综合能源负荷组成了待测城市在待测时间的综合能源负荷，后文称之为第一综合能源负荷预测结果。
而后，在步骤S250中，构建综合能源系统，综合能源系统包括电锅炉(electricboiler，EB)、热泵(heat pump，HP)、电转气设备(power to gas，P2G)、燃气轮机(gasturbine，GT)以及燃气锅炉(gas boiler，GB)。图3示出了根据本发明一个实施例的综合能源系统的示意图。
在综合能源系统中，用户可依托EB设备，利用电能满足自身热消费需求。电锅炉的运行特性如下：
Figure BDA0002655947860000132
式中，PEB为电锅炉制热功率，PEB 0为电锅炉额定设计功率，ηEB为电锅炉制热效率，Pele,EB为电锅炉制热消耗电功率，QH,EB为电锅炉可满足热负荷，t为工作时间。
在综合能源系统中，用户可依托HB设备，利用电能满足自身热消费需求。热泵的运行特性如下：
Figure BDA0002655947860000133
式中，PHP为热泵制热功率，PHP 0为热泵额定设计功率，cop为热泵能效系数，Pele,HP为热泵制热消耗热功率，QH,HP为热泵可满足热负荷。
在综合能源系统中，用户可依托P2G设备，利用电能满足自身气消费需求。电转气设备的运行特性如下：
Figure BDA0002655947860000141
式中，PP2G为P2G制热功率，PP2G 0为P2G额定设计功率，Pele,P2G为P2G制热消耗电功率，φ为P2G能量转换系数，ρ为燃气低位热值，QG,P2G为可满足的气负荷。
在综合能源系统中，燃气轮机的运行特性如下：
Figure BDA0002655947860000142
式中，PGT,min为GT的最小制热功率，PGT为GT的制热功率，PGT 0为GT额定设计功率，ηGT为GT制热效率，Vgas为GT消耗的燃气体积，QE,GT为GT可满足的电负荷，QH,GT为GT可满足的热负荷，ρGT为GT的热负荷。
在综合能源系统中，燃气锅炉的运行特性如下：
Figure BDA0002655947860000143
式中，PGB,min为GB的最小制热功率，PGB为GB的制热功率，PGB 0为GB额定设计功率，ηGB为GT制热效率，QH,GT为GT可满足的热负荷。
最后，在步骤S260中，基于综合能源系统，对第一综合能源负荷预测结果进行修正，以得到待测城市的第二综合能源负荷预测结果。
应当理解，综合能源系统中用户建设运营能源互联与耦合设备改变了能源的取用形式，然而并不会改变总体的多能负荷需求量，即综合能源负荷需求量，因此还应满足以下能量平衡约束：
Figure BDA0002655947860000144
式中，QE，QH，QG分别是考虑城市成熟度的综合能源负荷预测结果，即第一综合能源负荷预测结果中待测城市的电，热，气负荷。QE,bus是城市电母线的电负荷。QH,bus是城市热母管的热负荷。QG,bus是城市气母管的气负荷。
综上所述，基于综合能源系统所修正得到的第二综合能源负荷预测结果如下：
Figure BDA0002655947860000151
式中，QE,Bus，QH,Bus，QH,Bus分别是考虑综合能源系统的待测城市的综合能源负荷预测结果，即第二综合能源负荷预测结果中待测城市的电，热，气负荷。tEB是统计周期内电锅炉累计等效利用时间，tHP是统计周期内热泵累计等效利用时间，tP2G是统计周期内电转气设备累计等效利用时间。
此外，考虑到用户投建、运营系统中各类设备的首要目标是优化用能方式与压缩用能成本，因此以用能经济性为综合能源系统中的效益边界。用能成本(即年总成本)主要包括年投资成本项和年运行成本项。以最小化用能成本为目标的目标函数如下：
minCtotal＝Cinv+Cop+Cele+Cheat+Cgas
式中，Ctotal为年总成本，单位为元；Cinv为年投资成本，单位为元；Cop为年运行成本，单位为元；Cele、Cheat和Cgas分别为用户年购电、购热与购气成本，单位为元。
年投资成本Cinv如下式所示：
Figure BDA0002655947860000152
式中，ci为第i种设备的投建容量，pi为第i种设备的单元容量成本，ki为第i种设备的等年值因子，α为设备的折现系数，m为设备的寿命年限，n为投建设备总数。
年运行成本Cop如下式所示：
Figure BDA0002655947860000153
式中，di为第i种设备年等效运行时间，λi为第i种设备单位运营成本，Pi 0为第i种设备设计容量。
综上所述，考虑城市发展成熟度的综合能源负荷预测主要在针对不同类型城市用地分别预测各类型用地单位面积负荷密度的基础上，考虑城市用地规划成熟度与城市生产技术成熟度对预测结果进行修正，从而得到城市电、热、气的预测结果。该步骤在预测过程中通过应用单位用地面积负荷密度、城市用地规划成熟度和城市能源生产技术成熟度等概念，从而在预测过程中充分考虑城市功能定位、城市体量、产业结构与动态发展等因素对预测结果的影响，进而提高电、热、气多能中长期需求预测的准确性。
考虑综合能源系统的综合能源负荷预测主要以考虑城市发展成熟度的综合能源负荷预测结果(例如第一综合能源负荷预测结果)为分析对象，构建包含电锅炉(electricboiler，EB)、热泵(heat pump，HP)、电转气设备(power to gas，P2G)、燃气轮机(gasturbine，GB)以及燃气锅炉(gas boiler，GB)的综合能源系统，以用户用能成本为边界约束，从而充分考虑异质能之间的互联与协同带来的经济效益，最终通过对考虑城市发展成熟度的综合能源负荷预测结果进行修正形成最终的综合能源负荷预测结果。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明实施例的方法和设备，或者本发明实施例的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被机器执行时，该机器变成实践本发明实施例的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的程序代码中的指令，执行本发明实施例的方法。
以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。
在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明实施例的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
本发明实施例还可以包括：A9、如A1所述的方法，其中，所述电锅炉的运行特性采用以下公式表示：
Figure BDA0002655947860000171
式中，PEB为电锅炉制热功率，PEB 0为电锅炉额定设计功率，ηEB为电锅炉制热效率，Pele,EB为电锅炉制热消耗电功率，QH,EB为电锅炉可满足热负荷，t为工作时间。A10、如A1所述的方法，其中，所述热泵的运行特性采用以下公式表示：
Figure BDA0002655947860000172
式中，PHP为热泵制热功率，PHP 0为热泵额定设计功率，cop为热泵能效系数，Pele,HP为热泵制热消耗热功率，QH,HP为热泵可满足热负荷。A11、如A1所述的方法，其中，所述电转气设备的运行特性采用以下公式表示：
Figure BDA0002655947860000173
式中，PP2G为P2G制热功率，PP2G 0为P2G额定设计功率，Pele,P2G为P2G制热消耗电功率，φ为P2G能量转换系数，ρ为燃气低位热值，QG,P2G为可满足的气负荷。A12、如A1所述的方法，其中，所述燃气轮机的运行特性采用以下公式表示：
Figure BDA0002655947860000181
式中，PGT,min为GT的最小制热功率，PGT为GT的制热功率，PGT 0为GT额定设计功率，ηGT为GT制热效率，Vgas为GT消耗的燃气体积，QE,GT为GT可满足的电负荷，QH,GT为GT可满足的热负荷，ρGT为GT的热负荷。A13、如A1所述的方法，其中，所述燃气锅炉的运行特性采用以下公式表示：
Figure BDA0002655947860000182
式中，PGB,min为GB的最小制热功率，PGB为GB的制热功率，PGB 0为GB额定设计功率，ηGB为GT制热效率，QH,GT为GT可满足的热负荷。A14、如A1所述的方法，其中，基于所述综合能源系统，对所述第一综合能源负荷预测结果进行修正，包括：基于能量平衡约束，修正第一综合能源负荷预测结果，所述能量平衡约束采用以下公式表示：
Figure BDA0002655947860000183
式中，QE，QH，QG分别为第一能源负荷预测结果中电、热、气负荷,QE,bus是城市电母线的电负荷,QH,bus是城市热母管的热负荷。QG,bus是城市气母管的气负荷。A15、如A14所述的方法，其中，第二综合能源负荷预测结果采用以下公式计算得到：
Figure BDA0002655947860000184
式中，QE,Bus，QH,Bus，QH,Bus为第二综合能源负荷预测结果中电、热、气负荷，tEB是统计周期内电锅炉累计等效利用时间，tHP是统计周期内热泵累计等效利用时间，tP2G是统计周期内电转气设备累计等效利用时间。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明实施例的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明实施例的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所描述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明实施例的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，上述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行上述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施上述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所描述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明实施例，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明实施例的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明实施例的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明实施例的范围，对本发明实施例所做的公开是说明性的而非限制性的，本发明实施例的范围由所附权利要求书限定。

Claims (10)

1.一种综合能源负荷预测方法，包括：
将待测城市划分为多个类型的城市用地，所述多个类型的城市用地至少包括居民用地、商业用地和工业用地；
分别对每单位面积居民用地、商业用地和工业用地在待测时间的综合能源负荷进行预测；
基于待测城市的成熟度，分别获取居民用地、商业用地和工业用地在待测时间的面积；
基于居民用地、商业用地和工业用地的面积、以及预测得到的每单位面积居民用地、商业用地和工业用地的综合能源负荷，得到所述待测城市的第一综合能源负荷预测结果；
构建综合能源系统，所述综合能源系统包括电锅炉、热泵、电转气设备、燃气轮机以及燃气锅炉；以及
基于所述综合能源系统，对所述第一综合能源负荷预测结果进行修正，以得到所述待测城市的第二综合能源负荷预测结果。
2.如权利要求1所述的方法，其中，对每单位面积居民用地或者商业用地中在待测时间的综合能源负荷进行预测，包括：
采用至少一种预测模型来进行预测；
对所述至少一种预测模型的预测结果进行加权平均，得到每单位面积居民用地或者商业用地在待测时间的综合能源负荷。
3.如权利要求2所述的方法，其中，对每单位面积居民用地或者商业用地在待测时间的综合能源负荷进行预测，还包括：
基于Shapley值理论确定每种预测模型对应的权重。
4.如权利要求2所述的方法，其中，所述预测模型包括HOLT双参数平滑预测模型和/或灰色预测模型。
5.如权利要求1所述的方法，其中，对每单位面积工业用地在待测时间的综合能源负荷进行预测，包括：
利用灰色预测模型计算所述待测城市在待测时间的每单位面积工业用地产值；
将待测城市的工业划分为多个类别；
基于各类别工业历年产值与对应自然年待测城市工业总产值的占比，计算得到每单位面积工业用地的用地结构权重向量；
采用指数函数拟合各类工业每单位产值的综合能源负荷变化趋势，得到待测城市各类工业每单位产值的综合能源负荷矩阵；
基于每单位面积工业用地的用地结构权重向量、各类工业每单位产值的综合能源负荷矩阵、所述待测城市在待测时间的每单位面积工业用地产值，计算得到每单位面积工业用地在待测时间的综合能源负荷。
6.如权利要求1所述的方法，其中，分别获取居民用地、商业用地和工业用地在待测时间的面积，包括：
采用Sigmoid函数拟合各类型的城市用地的面积变化趋势，所述Sigmoid函数表征所述待测城市的成熟度；
基于各类型的城市用地的面积变化趋势，分别获取居民用地、商业用地和工业用地在待测时间的面积。
7.如权利要求6所述的方法，其中，各类型的城市用地的面积变化趋势采用以下公式表示：
Figure FDA0002655947850000021
式中，a、b、c为预估系数，t为负荷时间序列，Si,t为待测城市第i种类型的城市用地第t年的面积。
8.如权利要求1所述的方法，其中，所述综合能源系统以最小化用能成本为目标，并采用以下目标函数：
min Ctotal＝Cinv+Cop+Cele+Cheat+Cgas
式中，Ctotal为年总成本，Cinv为年投资成本；Cop为年运行成本；Cele、Cheat和Cgas分别为用户年购电、购热与购气成本。
9.一种计算设备，包括：
一个或多个处理器；和
存储器；
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-8所述的方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当计算设备执行时，使得所述计算设备执行根据权利要求1-8所述的方法中的任一方法。
CN202010887255.XA 2020-08-28 2020-08-28 一种以电能终端消费为主的综合能源负荷预测方法 Pending CN112036636A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010887255.XA CN112036636A (zh) 2020-08-28 2020-08-28 一种以电能终端消费为主的综合能源负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010887255.XA CN112036636A (zh) 2020-08-28 2020-08-28 一种以电能终端消费为主的综合能源负荷预测方法

Publications (1)

Publication Number Publication Date
CN112036636A true CN112036636A (zh) 2020-12-04

Family

ID=73586229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010887255.XA Pending CN112036636A (zh) 2020-08-28 2020-08-28 一种以电能终端消费为主的综合能源负荷预测方法

Country Status (1)

Country Link
CN (1) CN112036636A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006285343A (ja) * 2005-03-31 2006-10-19 Osaka Gas Co Ltd 省エネルギ効果表示システム及び家庭用コジェネレーションシステム
US20110071882A1 (en) * 2009-09-22 2011-03-24 International Business Machines Corporation Method and system for intermediate to long-term forecasting of electric prices and energy demand for integrated supply-side energy planning
CN104156787A (zh) * 2014-08-18 2014-11-19 国家电网公司 一种基于不同负荷特性的电力分区负荷预测方法
CN104240040A (zh) * 2014-09-28 2014-12-24 华北电力大学 基于土地转换风险的城市智能电网规划方法
CN105225015A (zh) * 2015-10-28 2016-01-06 广东电网有限责任公司电网规划研究中心 基于经济发展情况的城市电力系统电网饱和负荷预测方法
WO2016150407A1 (zh) * 2015-03-23 2016-09-29 华南理工大学 一种基于地址解析数据的建设用地类型快速识别方法
CN109858728A (zh) * 2018-12-03 2019-06-07 国网浙江省电力有限公司台州供电公司 基于分行业用电特性分析的负荷预测方法
CN109858773A (zh) * 2019-01-07 2019-06-07 国网吉林省电力有限公司长春供电公司 多源大数据融合的城市电网规划方法
CN111442190A (zh) * 2019-01-16 2020-07-24 上海广谋能源技术开发有限公司 一种利用地道储能的方法
CN111582591A (zh) * 2020-05-12 2020-08-25 江苏方天电力技术有限公司 一种面向综合能源系统的冷热电多元负荷预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006285343A (ja) * 2005-03-31 2006-10-19 Osaka Gas Co Ltd 省エネルギ効果表示システム及び家庭用コジェネレーションシステム
US20110071882A1 (en) * 2009-09-22 2011-03-24 International Business Machines Corporation Method and system for intermediate to long-term forecasting of electric prices and energy demand for integrated supply-side energy planning
CN104156787A (zh) * 2014-08-18 2014-11-19 国家电网公司 一种基于不同负荷特性的电力分区负荷预测方法
CN104240040A (zh) * 2014-09-28 2014-12-24 华北电力大学 基于土地转换风险的城市智能电网规划方法
WO2016150407A1 (zh) * 2015-03-23 2016-09-29 华南理工大学 一种基于地址解析数据的建设用地类型快速识别方法
CN105225015A (zh) * 2015-10-28 2016-01-06 广东电网有限责任公司电网规划研究中心 基于经济发展情况的城市电力系统电网饱和负荷预测方法
CN109858728A (zh) * 2018-12-03 2019-06-07 国网浙江省电力有限公司台州供电公司 基于分行业用电特性分析的负荷预测方法
CN109858773A (zh) * 2019-01-07 2019-06-07 国网吉林省电力有限公司长春供电公司 多源大数据融合的城市电网规划方法
CN111442190A (zh) * 2019-01-16 2020-07-24 上海广谋能源技术开发有限公司 一种利用地道储能的方法
CN111582591A (zh) * 2020-05-12 2020-08-25 江苏方天电力技术有限公司 一种面向综合能源系统的冷热电多元负荷预测方法

Similar Documents

Publication Publication Date Title
Gorshkov et al. Payback period of investments in energy saving
Kahouli-Brahmi Technological learning in energy–environment–economy modelling: A survey
Murty et al. Measuring environmental efficiency of industry: a case study of thermal power generation in India
Zhang et al. The green efficiency of industrial sectors in China: A comparative analysis based on sectoral and supply-chain quantifications
Bamisile et al. Impact of economic development on CO2 emission in Africa; the role of BEVs and hydrogen production in renewable energy integration
Tian et al. Uncertainty and sensitivity analysis of energy assessment for office buildings based on Dempster-Shafer theory
Ding et al. Cost reduction or electricity penetration: Government R&D-induced PV development and future policy schemes
Wu et al. Predicting and optimization of energy consumption using system dynamics-fuzzy multiple objective programming in world heritage areas
Henriques et al. Employment impact assessment of renewable energy targets for electricity generation by 2020—An IO LCA approach
Jennings et al. Modelling and optimization of retrofitting residential energy systems at the urban scale
Xiao et al. Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning
Olanrewaju et al. Integrated IDA–ANN–DEA for assessment and optimization of energy consumption in industrial sectors
Olanrewaju et al. Assessing the energy potential in the South African industry: A combined IDA-ANN-DEA (index decomposition analysis-artificial neural network-data envelopment analysis) model
Zeng et al. A novel multivariate grey model for forecasting the sequence of ternary interval numbers
He et al. Optimization of the solar space heating system with thermal energy storage using data-driven approach
CN111416352B (zh) 一种多能源耦合系统的调度方法及计算设备
CN109272353B (zh) 计及综合需求响应不确定性的系统动态概率能流分析方法
Yuan et al. Evaluation of cost-effective building retrofit strategies through soft-linking a metamodel-based Bayesian method and a life cycle cost assessment method
CN108197764A (zh) 预测电力企业综合能耗的方法及其设备
Jarke-Neuert et al. Energy efficiency promotion backfires under cap-and-trade
Wang et al. Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing
Henriques et al. A multi-objective input-output model to assess E4 impacts of building retrofitting measures to improve energy efficiency
CN114611845A (zh) 碳排放量的预测方法、装置、电子设备及介质
Hernández-Romero et al. Multi-scenario model for optimal design of seawater air-conditioning systems under demand uncertainty
Suerkemper et al. Benefits of energy efficiency policies in Thailand: an ex-ante evaluation of the energy efficiency action plan

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201204