CN112052983A - 一种基于信息物理融合的分布式电储热装置负荷预测方法 - Google Patents

一种基于信息物理融合的分布式电储热装置负荷预测方法 Download PDF

Info

Publication number
CN112052983A
CN112052983A CN202010784638.4A CN202010784638A CN112052983A CN 112052983 A CN112052983 A CN 112052983A CN 202010784638 A CN202010784638 A CN 202010784638A CN 112052983 A CN112052983 A CN 112052983A
Authority
CN
China
Prior art keywords
heat storage
storage device
electric heat
load
model
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
Application number
CN202010784638.4A
Other languages
English (en)
Other versions
CN112052983B (zh
Inventor
李铁
杨俊友
纪慧超
胡师彦
王海鑫
董健
陈晓东
姜枫
崔岱
韦明
李成程
武力
伦涛
郭春雨
王刚
张宇时
许小鹏
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.)
Shenyang University of Technology
State Grid Liaoning Electric Power Co Ltd
Original Assignee
Shenyang University of Technology
State Grid Liaoning 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 Shenyang University of Technology, State Grid Liaoning Electric Power Co Ltd filed Critical Shenyang University of Technology
Publication of CN112052983A publication Critical patent/CN112052983A/zh
Application granted granted Critical
Publication of CN112052983B publication Critical patent/CN112052983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于智能电网信息物理系统与数据分析处理领域，具体涉及一种基于信息物理融合的分布式电储热装置负荷预测方法。该方法先构建分布式电储热装置的物理模型和用电负荷行为模型，利用用电负荷行为模型作为物理模型的约束条件；将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合，再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型。而该预测系统包括物理模块、用电负荷行为模块、融合模块、信息模块。本发明有效提高预测精度，而且可以掌握影响负荷的变化规律。

Description

一种基于信息物理融合的分布式电储热装置负荷预测方法
技术领域
本发明属于智能电网信息物理系统与数据分析处理领域，具体涉及一种基于信息物理融合的分布式电储热装置负荷预测方法。
背景技术
随着科技的不断发展及信息技术的逐步更新，日常生产生活中的用电设备呈现多元化的发展趋势，电网的用电负荷不断增加，导致电网日间和夜间的用电负荷峰谷差波动较大。为解决电网用电负荷峰谷差波动较大问题，已有多种减小电网日间负荷和增加夜间负荷的解决方案，以此达到减小电网日间和夜间用电负荷峰谷差的目的。但实现上述目标的多种方案只考虑了减小峰谷差，未考虑能源的有效利用。为了促进能源高效化，不但要充分利用电网波谷时段电能，而且要缓解电网波峰时段负荷压力，因此电储热装置得到了广泛的使用。电储热装置充分利用夜间电网波谷时段的电能以热能形式储存，然后在日间电网波峰时段持续放热，不但减小了电网负荷峰谷差，而且保证了用户室内环境温度的持续舒适性。电储热装置不仅广泛应用于居民的生活当中，而且可以参与热电厂的深度调峰。电储热装置数量不断增加，鉴于电储热装置高效利用电力能源的优势，应列入电网调度计划当中。
由于用户的生产生活对热能的需求多变，所以电储热装置每一天的负荷需求及运行时段会发生变化。由于电储热装置运行负荷的需求受外界环境、节日、假日等多因素影响，所以准确地预测电储热装置负荷对电网制定日常生产调度计划，参与电网调峰十分重要。
目前对电力负荷的预测方法较多，但针对电储热装置的负荷预测较少，其中一篇文献(李腾，张九根，毛韵嘉，王蕾.蓄能供热采暖系统负荷预测研究[J].自动化仪表，2014,35(7):77-79.)与本发明预测电储热装置负荷目的接近，但此文献记载的研究方法与本发明的方法截然不同。文献采用BP神经网络结合遗传算法(GA)预测蓄能供热采暖系统负荷，选取前一小时(t-1)的采暖负荷和前一天(t-24)的采暖负荷作为输入，即得到t时刻的负荷预测输出值，再预测后1h的负荷值。由此循序渐进，得到完整的蓄能供热采暖系统负荷的预测值。此方法在预测时采用小数据样本，且只利用蓄能供热采暖系统历史负荷数据和外部影响因素作为预测依据，需要通过手动修改神经网络参数调整预测精度。
目前电储热装置负荷预测，缺乏对用户用电负荷行为特性研究，在电力大数据快速发展情况下，将电储热装置的信息与物理融合预测负荷是目前需要解决的重要问题。
发明内容
发明目的：
本发明目的是克服现有技术的不足，提出一种基于信息物理融合的分布式电储热装置负荷预测方法。根据分布式电储热装置内部的运行规律建立物理模型，对电储热装置用户的用电负荷历史数据进行分类，掌握分布式电储热装置不同用户的用电行为，并建立其模型。
技术方案：
一种基于信息物理融合的分布式电储热装置负荷预测方法，该方法包括：构建分布式电储热装置的物理模型和用电负荷行为模型，利用用电负荷行为模型作为物理模型的约束条件；将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合，再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型。
一种基于信息物理融合的分布式电储热装置负荷预测系统，预测系统包括物理模块、用电负荷行为模块、融合模块、信息模块；用电负荷行为模块，用于建立用电负荷行为模型；物理模块，用于建立物理模型，利用用电负荷行为模型作为物理模型的约束条件；融合模块，用于将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合；信息模块，用于将融合后的负荷数据再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型。
优点及效果：
本发明一种基于信息物理融合的分布式电储热装置负荷预测方法及预测方法优点主要体现在：
本发明预测方法首先利用分布式电储热装置的物理模型进行负荷预测，然后由融合单元整合预测负荷与历史负荷数据，最后由信息模型再次预测负荷数据。本发明充分将电储热装置的信息和物理融合，以电储热装置的数学模型预测为主，再由电储热装置的信息模型预测，经过精度计算，然后判断进入循环预测。本方法不但有效提高预测精度，而且可以掌握影响负荷的变化规律。
附图说明
图1为基于信息物理融合的分布式电储热装置负荷预测方法原理框图；图2为分布式电储热装置1物理模型影响因素(1)输入示意图；
图3为分布式电储热装置4信息模型影响因素(2)输入示意图。
具体实施方式
为使本发明的目的、技术方案和效果更加清楚，下面将结合实施例中的附图，对本发明实施例中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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明预测方法首先利用分布式电储热装置的物理模型进行负荷预测，然后由融合单元整合预测负荷与历史负荷数据，最后由信息模型再次预测负荷数据。本发明充分将电储热装置的信息和物理融合，以电储热装置的数学模型预测为主，再由电储热装置的信息模型预测，经过精度计算，然后判断进入循环预测。本方法不但有效提高预测精度，而且可以掌握影响负荷的变化规律。
如图1所示，一种基于信息物理融合的分布式电储热装置负荷预测方法，该方法包括：构建分布式电储热装置的物理模型和用电负荷行为模型，利用用电负荷行为模型作为物理模型的约束条件；将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合，再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型；将采集到的实时负荷数据输入到信息模型中进行预测。
融合过程中，将物理模型输出的预测负荷数据,与对应的分布式电储热装置历史负荷数据同时输入信息模型。
将分布式电储热装置的历史数据进行分类，相同类别的电储热装置负荷数据统计标识，建立相同标识的分布式电储热装置用户用电行为模型，分布式电储热装置用电负荷行为模型作为分布式电储热装置数学模型的约束条件。
用电负荷行为模型是利用分布式电储热装置的历史负荷数据分类，按照不同用电负荷行为的类别，建立电储热装置的用电负荷行为模型；物理模型是将影响因素(1)输入利用热力学知识建立的分布式电储热装置数学模型；同时将用电负荷行为模型作为约束条件；影响因素(2)也输入电储热装置的信息模型，然后经过精度计算，将不满足预测精度要求的校准分布式电储热装置负荷再输入到预测分布式电储热装置负荷中，进行再次预测。
将分布式电储热装置的多地域分布进行地域标识，地域标识划分所有电储热装置所在地域，根据划分后的地域标识提取电储热装置所在地域光照时间、风力大小、环境湿度等历史信息数据。分析不同节日和假日的电储热装置负荷历史数据，将不同的节日和假日分配权重系数。分布式电储热装置数学模型受光照时间、风力大小、环境湿度、节日、假日因素，影响预测负荷输出。
如图2所示，影响因素(1)包括光照强度g、风力大小f、环境湿度s、根据地域标识
Figure BDA0002621492130000031
来提取某地域的天气信息，包括光照时间
Figure BDA0002621492130000032
风力大小
Figure BDA0002621492130000033
环境湿度
Figure BDA0002621492130000034
节日、假日的分配权重系数α采用自定义分配方法，节日表示α1，假日表示α2：
α＝α1+α2(α1,α2∈0～0.5)
提取电储热装置的节日和假日的历史负荷数据，通过确定负荷与节日、假日的相关性，分配节日和假日的权重系数值。
将信息模型中的影响因素(2)：光照时间、风力大小、环境湿度；融合过程输出的分布式电储热装置预测负荷；分布式电储热装置历史负荷；同时输入信息模型中深度学习算法。深度学习算法处理后，经过精度计算，将不满足预测精度要求的电储热装置负荷，再次输入到融合单元，进行再次预测。
如图3所示，影响因素(2)为根据地域标识
Figure BDA0002621492130000041
来提取某地域天气信息，包括光照时间
Figure BDA0002621492130000042
风力大小
Figure BDA0002621492130000043
环境湿度
Figure BDA0002621492130000044
分布式电储热装置的数量不固定，对每一台电储热装置标识，电储热装置的用户由编号Ui表示：i＝{1,2,……n}，式中n为自然数，n表示电储热装置用户编号的数值；如U1、U2、U3表示三个不同用户的电储热装置。
再利用地域标识
Figure BDA0002621492130000045
划分所有电储热装置用户所在城市：j＝{1,2,……n}，式中j为电储热装置用户所在地域的标识，j数值表示指定城市，
Figure BDA0002621492130000046
划分表示j城市的编号为i的用户。
如j＝1表示沈阳市标识，
Figure BDA0002621492130000047
表示电储热装置编号为1的用户在沈阳市；
Figure BDA0002621492130000048
表示电储热装置编号为2的用户也在沈阳市；j＝2表示大连市标识，
Figure BDA0002621492130000049
表示电储热装置编号为3的用户在大连市；j＝3表示鞍山市标识；其它城市可以按照此规律继续划分。
用电负荷行为模型通过对分布式电储热装置的历史负荷数据分类得到，电储热装置的典型工作曲线大致由A、B、C三部分表示：A为0：00-7:00区间表示电储热装置蓄热阶段；B为7:00-21:15区间表示电储热装置放热阶段；C为21:15-24:00区间表示电储热装置蓄热阶段，选择性对B段或C段预测，避免由于前后数据变化较大而出现过拟合现象。
一种基于信息物理融合的分布式电储热装置负荷预测系统，预测系统包括物理模块、用电负荷行为模块、融合模块、信息模块；用电负荷行为模块，用于建立用电负荷行为模型；物理模块，用于建立物理模型，利用用电负荷行为模型作为物理模型的约束条件；融合模块，用于将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合；信息模块，用于将融合后的负荷数据再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型。
用电负荷行为模块是利用分布式电储热装置的历史负荷数据分类，按照不同用电负荷行为的类别，建立电储热装置的用电负荷行为模型；物理模块是将影响因素(1)输入利用热力学知识建立的分布式电储热装置数学模型；同时将用电负荷行为模型作为约束条件；影响因素(2)也输入电储热装置的信息模型，然后经过精度计算，将不满足预测精度要求的校准分布式电储热装置负荷再输入到预测分布式电储热装置负荷中，进行再次预测。
影响因素(1)包括光照强度g、风力大小f、环境湿度s、根据地域标识
Figure BDA0002621492130000051
来提取某地域的天气信息，包括光照时间
Figure BDA0002621492130000052
风力大小
Figure BDA0002621492130000053
环境湿度
Figure BDA0002621492130000054
节日、假日的分配权重系数α采用自定义分配方法，节日表示α1，假日表示α2：
α＝α1+α2(α1,α2∈0～0.5)
提取电储热装置的节日和假日的历史负荷数据，通过确定负荷与节日、假日的相关性，分配节日和假日的权重系数值；
影响因素(2)为根据地域标识
Figure BDA0002621492130000055
来提取某地域天气信息，包括光照时间
Figure BDA0002621492130000056
风力大小
Figure BDA0002621492130000057
环境湿度
Figure BDA0002621492130000058
分布式电储热装置的数量不固定，对每一台电储热装置标识，电储热装置的用户由编号Ui表示：i＝{1,2,……n}，式中n为自然数，n表示电储热装置用户编号的数值；再利用地域标识
Figure BDA0002621492130000059
划分所有电储热装置用户所在城市：j＝{1,2,……n}，式中j为电储热装置用户所在地域的标识，j数值表示指定城市，
Figure BDA00026214921300000510
划分表示j城市的编号为i的用户。
用电负荷行为模块通过对分布式电储热装置的历史负荷数据分类得到，电储热装置的典型工作曲线大致由A、B、C三部分表示：A为0：00-7:00区间表示电储热装置蓄热阶段；B为7:00-21:15区间表示电储热装置放热阶段；C为21:15-24:00区间表示电储热装置蓄热阶段，选择性对B段或C段预测，避免由于前后数据变化较大而出现过拟合现象。
实施例1
本发明的一种基于信息物理融合的分布式电储热装置负荷预测方法，分布式电储热装置的数量不固定，对每一台电储热装置标识，所以电储热装置的用户由编号Ui表示,n为自然数，n表示电储热装置用户编号的数值，如U1、U2、U3表示三个不同用户的电储热装置。
i＝{1,2,……n}
参照图1、图2，物理模型中影响因素(1)和行为模型输出的约束条件共同输入到分布式电储热装置数学模型中，分布式电储热装置数学模型，利用热力学知识建立，预测输出分布式电储热装置负荷值。物理模型中的影响因素(1)因分布式电储热装置用户的地域分布较广，所以影响因素(1)不相同。首先进行地域标识，地域标识
Figure BDA0002621492130000061
划分所有电储热装置用户所在地域,j为电储热装置用户所在地域的标识，如j＝1表示沈阳市标识，
Figure BDA0002621492130000062
表示电储热装置编号为1的用户在沈阳市；
Figure BDA0002621492130000063
表示电储热装置编号为2的用户也在沈阳市；j＝2表示大连市标识，
Figure BDA0002621492130000064
表示电储热装置编号为3的用户在大连市；j＝3表示鞍山市标识；其它城市可以按照此规律继续划分；
j＝{1,2,……n}
根据划分后的地域标识
Figure BDA0002621492130000065
提取电储热装置所在地域光照时间、风力大小、环境湿度的历史信息数据。物理模型中影响因数(1)有光照强度g、风力大小f、环境湿度s。不同用户输入到分布电储热装置数学模型中的影响因素与用户所在地域标识有关，所以输入分布电储热装置数学模型中的光照时间
Figure BDA0002621492130000066
风力大小
Figure BDA0002621492130000067
环境湿度
Figure BDA0002621492130000068
节日、假日的分配权重系数α采用自定义分配方法，节日表示α1，假日表示α2；
α＝α1+α2(α1,α2∈0～0.5)
提取电储热装置的节日和假日的历史负荷数据，通过确定负荷与节日、假日的相关性分配节日和假日的权重系数值。
参照图1、图2，用电负荷行为模型作为电储热装置数学模型的约束条件，用电负荷行为模型是通过对分布式电储热装置的历史负荷数据分类得到。根据用电负荷行为模型可知电储热装置的典型工作曲线大致可以由A、B、C三部分表示：A为0：00-7:00区间表示电储热装置蓄热阶段；B为7:00-21:15区间表示电储热装置放热阶段；C为21:15-24:00区间表示电储热装置蓄热阶段。选择性对B段、或C段预测，避免由于前后数据变化较大而出现过拟合现象。
融合过程将物理模型输出的预测分布式电储热装置负荷，与对应的分布式电储热装置历史负荷数据共同输入信息模型。物理模型输出的预测分布式电储热装置负荷，与分布式电储热装置历史负荷数据，是相同电储热装置用户Ui同一天的负荷数据，同时输入4信息模型中深度学习算法，影响因素(2)也输入深度学习算法，然后经过精度计算，将不满足预测精度要求的校准分布式电储热装置负荷再输入到融合模块中，进行再次预测。

Claims (10)

1.一种基于信息物理融合的分布式电储热装置负荷预测方法，其特征在于：该方法包括：
构建分布式电储热装置的物理模型和用电负荷行为模型，利用用电负荷行为模型作为物理模型的约束条件；
将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合，再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型，最后将采集到的实时负荷数据输入到信息模型中进行预测。
2.根据权利要求1所述的基于信息物理融合的分布式电储热装置负荷预测方法，其特征在于：用电负荷行为模型是利用分布式电储热装置的历史负荷数据分类，按照不同用电负荷行为的类别，建立电储热装置的用电负荷行为模型；
物理模型是将影响因素(1)输入利用热力学知识建立的分布式电储热装置数学模型；同时将用电负荷行为模型作为约束条件；
影响因素(2)也输入电储热装置的信息模型，然后经过精度计算，将不满足预测精度要求的校准分布式电储热装置负荷再输入到预测分布式电储热装置负荷中，进行再次预测。
3.根据权利要求1所述的基于信息物理融合的分布式电储热装置负荷预测方法，其特征在于：影响因素(1)包括光照强度g、风力大小f、环境湿度s、根据地域标识
Figure FDA0002621492120000011
来提取某地域的天气信息，包括光照时间
Figure FDA0002621492120000012
风力大小
Figure FDA0002621492120000013
环境湿度
Figure FDA0002621492120000014
节日、假日的分配权重系数α采用自定义分配方法，节日表示α1，假日表示α2：
α＝α1+α2(α1,α2∈0～0.5)
提取电储热装置的节日和假日的历史负荷数据，通过确定负荷与节日、假日的相关性，分配节日和假日的权重系数值；
影响因素(2)为根据地域标识
Figure FDA0002621492120000015
来提取某地域天气信息，包括光照时间
Figure FDA0002621492120000016
风力大小
Figure FDA0002621492120000017
环境湿度
Figure FDA0002621492120000018
4.根据权利要求1或3所述的基于信息物理融合的分布式电储热装置负荷预测方法，其特征在于：分布式电储热装置的数量不固定，对每一台电储热装置标识，电储热装置的用户由编号Ui表示：i＝{1,2,……n}，式中n为自然数，n表示电储热装置用户编号的数值；
再利用地域标识
Figure FDA0002621492120000019
划分所有电储热装置用户所在城市：j＝{1,2,……n}，式中j为电储热装置用户所在地域的标识，j数值表示指定城市，
Figure FDA00026214921200000110
划分表示j城市的编号为i的用户。
5.根据权利要求1或2所述的基于信息物理融合的分布式电储热装置负荷预测方法，其特征在于：用电负荷行为模型通过对分布式电储热装置的历史负荷数据分类得到，电储热装置的典型工作曲线大致由A、B、C三部分表示：A为0：00-7:00区间表示电储热装置蓄热阶段；B为7:00-21:15区间表示电储热装置放热阶段；C为21:15-24:00区间表示电储热装置蓄热阶段，选择性对B段或C段预测，避免由于前后数据变化较大而出现过拟合现象。
6.一种基于信息物理融合的分布式电储热装置负荷预测系统，其特征在于：预测系统包括物理模块、用电负荷行为模块、融合模块、信息模块；
用电负荷行为模块，用于建立用电负荷行为模型；
物理模块，用于建立物理模型，利用用电负荷行为模型作为物理模型的约束条件；
融合模块，用于将物理模型输出的预测的分布式电储热装置负荷与对应的分布式电储热装置历史负荷数据进行融合；
信息模块，用于将融合后的负荷数据再输入信息模型中进行深度学习算法学习得到电储热装置的信息模型。
7.根据权利要求6所述的基于信息物理融合的分布式电储热装置负荷预测系统，其特征在于：用电负荷行为模块是利用分布式电储热装置的历史负荷数据分类，按照不同用电负荷行为的类别，建立电储热装置的用电负荷行为模型；
物理模块是将影响因素(1)输入利用热力学知识建立的分布式电储热装置数学模型；同时将用电负荷行为模型作为约束条件；
影响因素(2)也输入电储热装置的信息模型，然后经过精度计算，将不满足预测精度要求的校准分布式电储热装置负荷再输入到预测分布式电储热装置负荷中，进行再次预测。
8.根据权利要求7所述的基于信息物理融合的分布式电储热装置负荷预测系统，其特征在于：影响因素(1)包括光照强度g、风力大小f、环境湿度s、根据地域标识
Figure FDA0002621492120000021
来提取某地域的天气信息，包括光照时间
Figure FDA0002621492120000022
风力大小
Figure FDA0002621492120000023
环境湿度
Figure FDA0002621492120000024
节日、假日的分配权重系数α采用自定义分配方法，节日表示α1，假日表示α2：
α＝α1+α2(α1,α2∈0～0.5)
提取电储热装置的节日和假日的历史负荷数据，通过确定负荷与节日、假日的相关性，分配节日和假日的权重系数值；
影响因素(2)为根据地域标识
Figure FDA0002621492120000025
来提取某地域天气信息，包括光照时间
Figure FDA0002621492120000026
风力大小
Figure FDA0002621492120000027
环境湿度
Figure FDA0002621492120000028
9.根据权利要求6或8所述的基于信息物理融合的分布式电储热装置负荷预测系统，其特征在于：分布式电储热装置的数量不固定，对每一台电储热装置标识，电储热装置的用户由编号Ui表示：i＝{1,2,……n}，式中n为自然数，n表示电储热装置用户编号的数值；再利用地域标识
Figure FDA0002621492120000031
划分所有电储热装置用户所在城市：j＝{1,2,……n}，式中j为电储热装置用户所在地域的标识，j数值表示指定城市，
Figure FDA0002621492120000032
划分表示j城市的编号为i的用户。
10.根据权利要求6或7所述的基于信息物理融合的分布式电储热装置负荷预测系统，其特征在于：用电负荷行为模块通过对分布式电储热装置的历史负荷数据分类得到，电储热装置的典型工作曲线大致由A、B、C三部分表示：A为0：00-7:00区间表示电储热装置蓄热阶段；B为7:00-21:15区间表示电储热装置放热阶段；C为21:15-24:00区间表示电储热装置蓄热阶段，选择性对B段或C段预测，避免由于前后数据变化较大而出现过拟合现象。
CN202010784638.4A 2019-11-20 2020-08-06 一种基于信息物理融合的分布式电储热装置负荷预测方法 Active CN112052983B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019111437081 2019-11-20
CN201911143708 2019-11-20

Publications (2)

Publication Number Publication Date
CN112052983A true CN112052983A (zh) 2020-12-08
CN112052983B CN112052983B (zh) 2024-07-02

Family

ID=73602198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010784638.4A Active CN112052983B (zh) 2019-11-20 2020-08-06 一种基于信息物理融合的分布式电储热装置负荷预测方法

Country Status (1)

Country Link
CN (1) CN112052983B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112923585A (zh) * 2021-02-26 2021-06-08 中国电力工程顾问集团西北电力设计院有限公司 一种熔盐储热的光热电站运行优化系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106451438A (zh) * 2016-11-16 2017-02-22 国网江苏省电力公司经济技术研究院 一种考虑智能用电行为的负荷区间预测方法
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质
CN108416695A (zh) * 2018-02-24 2018-08-17 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN108830415A (zh) * 2018-06-13 2018-11-16 国网江苏省电力有限公司电力科学研究院 一种基于非线性关联模型的气象敏感负荷功率估算方法
CN109376971A (zh) * 2018-12-29 2019-02-22 北京中电普华信息技术有限公司 一种面向电力用户的负荷曲线预测方法及系统
CN110119826A (zh) * 2018-02-06 2019-08-13 天津职业技术师范大学 一种基于深度学习的电力系统短期负荷预测方法
CN110334739A (zh) * 2019-06-05 2019-10-15 深圳供电局有限公司 一种两段式分量负荷预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106451438A (zh) * 2016-11-16 2017-02-22 国网江苏省电力公司经济技术研究院 一种考虑智能用电行为的负荷区间预测方法
CN110119826A (zh) * 2018-02-06 2019-08-13 天津职业技术师范大学 一种基于深度学习的电力系统短期负荷预测方法
CN108280552A (zh) * 2018-02-24 2018-07-13 合肥工业大学 基于深度学习的电力负荷预测方法和系统、存储介质
CN108416695A (zh) * 2018-02-24 2018-08-17 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN108830415A (zh) * 2018-06-13 2018-11-16 国网江苏省电力有限公司电力科学研究院 一种基于非线性关联模型的气象敏感负荷功率估算方法
CN109376971A (zh) * 2018-12-29 2019-02-22 北京中电普华信息技术有限公司 一种面向电力用户的负荷曲线预测方法及系统
CN110334739A (zh) * 2019-06-05 2019-10-15 深圳供电局有限公司 一种两段式分量负荷预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王琪玮: ""微电网负荷预测及运行控制方法研究"", 《工程科技Ⅱ辑》, pages 59 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112923585A (zh) * 2021-02-26 2021-06-08 中国电力工程顾问集团西北电力设计院有限公司 一种熔盐储热的光热电站运行优化系统及方法

Also Published As

Publication number Publication date
CN112052983B (zh) 2024-07-02

Similar Documents

Publication Publication Date Title
CN103853106B (zh) 一种建筑能源供应设备的能耗预测参数优化方法
CN106651200A (zh) 一种工业企业聚合用户电力负荷管理方法和系统
CN107766990A (zh) 一种光伏电站发电功率的预测方法
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
Melzi et al. Hourly solar irradiance forecasting based on machine learning models
CN107944604A (zh) 一种用于光伏功率预测的天气类型识别方法和装置
CN109376950A (zh) 一种基于bp神经网络的多元电网负荷预测方法
CN112990558B (zh) 一种基于深度迁移学习的气象温度、光照的预测方法
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN116128150B (zh) 一种基于两级优化的光伏智能出力预测方法
CN108154258A (zh) 空气源热泵负荷的预测方法、装置、存储介质和处理器
CN110751416A (zh) 一种用水量的预测方法、装置及设备
CN106846082A (zh) 基于硬件信息的旅游冷启动用户产品推荐系统及方法
CN114925874A (zh) 一种基于bert神经网络模型的碳排量预判方法及装置
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
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
Ceccon et al. Intelligent electric power management system for economic maximization in a residential prosumer unit
CN112052983A (zh) 一种基于信息物理融合的分布式电储热装置负荷预测方法
CN115689146A (zh) 一种多能源智能楼宇负荷调度方法及系统
CN116826745B (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
CN114155044A (zh) 一种电力现货市场节点电价预测方法及系统
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
CN109086952A (zh) 一种基于遗传算法-神经网络的热负荷预测方法
Souzanchi-K et al. A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features
CN115271168A (zh) 用电负荷响应潜力的预测方法、装置及存储介质

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
GR01 Patent grant