CN113887833A - 一种分布式能源用户侧逐时负荷预测方法及系统 - Google Patents

一种分布式能源用户侧逐时负荷预测方法及系统 Download PDF

Info

Publication number
CN113887833A
CN113887833A CN202111264934.2A CN202111264934A CN113887833A CN 113887833 A CN113887833 A CN 113887833A CN 202111264934 A CN202111264934 A CN 202111264934A CN 113887833 A CN113887833 A CN 113887833A
Authority
CN
China
Prior art keywords
cooling
heating
user side
time
day
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
CN202111264934.2A
Other languages
English (en)
Inventor
连小龙
肖俊峰
胡孟起
夏林
王一丰
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute 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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202111264934.2A priority Critical patent/CN113887833A/zh
Publication of CN113887833A publication Critical patent/CN113887833A/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—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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种分布式能源用户侧逐时负荷预测方法及系统，对冷热电负荷特性的影响因素进行辨识，分析相关性，选取特征变量，构建各时刻用户侧冷热电负荷逐日特征向量；通过对各时刻负荷逐日特征向量进行统计归纳和理论分析，整理出各时刻负荷与相应特征变量的多元函数关系，分别建立各时刻冷热电负荷的多元非线性回归模型；利用训练日样本拟合求解各时刻冷热电负荷的多元非线性回归方程，并对预测日各时刻冷热电负荷进行预测计算，经时间先后排序，即可实现用户侧冷热电逐时负荷的快速预测，从而保障能源调度机构运行人员及时调整调度计划，制定机组运行策略，满足能源供需平衡。

Description

一种分布式能源用户侧逐时负荷预测方法及系统
技术领域
本发明属于能源系统用户侧负荷预测技术领域，具体涉及一种分布式能源用户侧逐时负荷预测方法及系统。
背景技术
分布式能源作为一种建立在“能源对口，梯级利用”理念上，将制冷、供热和发电一体化的先进能源供需体系，相比传统的集中式发电及远程送电，具有供能形式多样、能源利用高效、系统布置分散等特点。因地制宜的发展分布式能源，不仅有利于能源高效清洁利用，还有利于优化能源结构，促进多种资源的有效利用。而随着分布式能源的发展，能源用户侧的主体地位日益凸显。在按需供能的理念导向下，通过对用户侧负荷特性的深入分析，可以充分了解用户的差异化、个性化需求，从而促进供需互动调控，提升能源系统综合能效。
在用户侧负荷分析的整体框架中，冷、热、电等多种负荷的动态预测是核心问题，可有效支撑能源系统的规划设计与运行管理。现有用户侧负荷预测多与基于机理推演的负荷模拟软件相结合，通过构建典型用户模型确定多元负荷的逐时分配因子。如此虽可实现多元负荷的逐时预测，但仅适用于能源系统规划设计阶段对负荷特性的粗略把握。另外，基于历史数据的分析学习和计算外推的数据驱动预测方法被广泛关注，从经典的线性回归模型和时间序列模型，到代表机器学习的神经网络、支持向量机、随机森林等模型，均需对大量参数进行辨识或采用复杂智能算法训练模型，运算速度慢，难以在工程应用中实现用户侧负荷的快速预测，无法为系统的运行调度提供及时的辅助决策。
发明内容
针对分布式能源用户侧逐时负荷预测现有方法存在计算过程粗糙、运算速度慢的弊端，本发明提出一种分布式能源用户侧逐时负荷预测方法，在保证负荷预测精度的同时，能够有效提高运算速度。
本发明是通过以下技术方案来实现：
一种分布式能源用户侧逐时负荷预测方法，包括以下步骤：
步骤1、根据用户侧冷热电负荷特性的影响因素，并结合负荷历史数据，确定各影响因素与冷热电负荷之间的逐时Pearson相关性分布；
步骤2，根据各影响因素与冷热电负荷之间的Pearson相关系数，选取与用户侧负荷高度相关的多个影响因素作为特征变量，构建各时刻用户侧冷热电负荷逐日特征向量；
步骤3，根据各时刻用户侧冷热电负荷逐日特征向量，建立各时刻冷热电负荷与相应特征变量的多元函数关系，根据多元函数的最小二乘拟合原理，分别建立各时刻用户侧冷热电负荷的多元非线性回归模型；
步骤4，将各时刻用户侧冷热电负荷逐日特征向量作为训练日样本，求解各时刻用户侧冷热电负荷的多元非线性回归模型，确定拟合系数，得到训练后各时刻用户侧冷热电负荷的多元非线性回归模型；
步骤5，根据训练日样本拟合确定预测日各时刻影响因素，并将预测日的各时刻影响因素分别输入各时刻用户侧冷热电负荷的多元非线性回归模型，得到预测日各时刻冷热电负荷预测值，再将预测值按时间排序，得到预测日用户侧冷热电逐时负荷。
优选的，步骤1中各影响因素与冷热电负荷之间的逐时Pearson相关性分布的计算方法如下：
Figure BDA0003326635560000031
式中，rfx为负荷f和影响因素x的Pearson相关系数；fj、xj分别为负荷f和影响因素x的第j个样本点；
Figure BDA0003326635560000032
分别为负荷f和影响因素x的平均值；m为样本个数。
优选的，步骤1中所述影响因素包括气象因素和非气象因素；
所述气象因素包括：温度、湿度、太阳辐射、风速、降水、天气；
非气象因素包括：经济、政策、日类型、需求侧管理。
优选的，步骤2中各时刻用户侧冷热电负荷逐日特征向量的表达式如下：
δt＝(x1j，x2j，…，xnj；f(x1j，x2j，…，xnj))，j＝1，2，…，m
式中，δt为某时刻用户侧冷热电负荷逐日特征向量，t＝0，1，…，23，x1j，x2j，…，xnj为用户侧冷热电负荷的各特征变量，f(x1j，x2j，…，xnj)为某时刻用户侧冷热电负荷，n为特征变量个数，m为样本个数。
优选的，步骤3中所述多元非线性回归模型的表达式如下：
Figure BDA0003326635560000033
式中，s为拟合函数，
Figure BDA0003326635560000034
为多项式函数，αi为多项式系数，k为多项式阶次。
优选的，所述各特征变量采用多项式函数关系表达：
Figure BDA0003326635560000041
式中：a0为常数项，bw，cu，…dv分别为特征变量x1j，x2j，…，xnj的拟合系数，w，u，…v为特征变量x1j，x2j，…，xnj的阶次。
优选的，步骤5中根据训练日样本数据，采用线性、非线性或最小二乘曲线拟合方法确定预测日的影响因数。
优选的，步骤5中各时刻的多元非线性回归模型对应输出各时刻冷热电负荷的预测值，将各时刻冷热电负荷的预测值按时间排序，得到预测日用户侧冷热电逐时负荷。
优选的，步骤4中得到训练后的多元非线性回归模型，然后对该多元非线性回归模型进行拟合优度检验；
通过计算判定系数R2来评价两者之间的吻合程度，0＜R2＜1，其值越接近1，表明多元非线性回归模型的拟合优度越高。
Figure BDA0003326635560000042
式中，fj是实际值，
Figure BDA0003326635560000043
是实际值的平均值，
Figure BDA0003326635560000044
是回归估计值，即带入方程计算得到的估计值。
一种分布式能源用户侧逐时负荷预测方法的系统，包括，
相关性分布模块，用于根据用户侧冷热电负荷特性的影响因素和负荷历史数据，确定各影响因素与冷热电负荷之间的逐时Pearson相关性分布；
特征向量模块，用于根据各影响因素与冷热电负荷之间的Pearson相关系数，选取与用户侧负荷高度相关的多个影响因素作为特征变量，构建各时刻用户侧冷热电负荷逐日特征向量；
多元非线性回归模型模块，用于根据各时刻用户侧冷热电负荷逐日特征向量，建立各时刻冷热电负荷与相应特征变量的多元函数关系，根据多元函数的最小二乘拟合原理，分别建立各时刻用户侧冷热电负荷的多元非线性回归模型；
训练模块，用于将各时刻用户侧冷热电负荷逐日特征向量作为训练日样本，求解各时刻用户侧冷热电负荷的多元非线性回归模型，确定拟合系数，得到训练后各时刻用户侧冷热电负荷的多元非线性回归模型；
因素预测模块，用于根据训练日样本确定预测日各时刻的影响因素；
负荷预测模块，用于将预测日的各时刻的影响因素分别输入各时刻用户侧冷热电负荷的多元非线性回归模型，得到预测日用户侧冷热电逐时负荷。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的一种分布式能源用户侧逐时负荷预测方法，对冷热电负荷特性的影响因素进行辨识，分析相关性，选取特征变量，构建各时刻用户侧冷热电负荷逐日特征向量；通过对各时刻负荷逐日特征向量进行统计归纳和理论分析，整理出各时刻负荷与相应特征变量的多元函数关系，分别建立各时刻冷热电负荷的多元非线性回归模型；利用训练日样本拟合求解各时刻冷热电负荷的多元非线性回归方程，并对预测日各时刻冷热电负荷进行预测计算，经时间先后排序得到预测日用户侧冷热电逐时负荷。本发明充分考虑各因素与用户侧冷热电负荷的相关性，准确辨识影响负荷波动的重要因素，充分考虑历史数据本身的特性趋势，构建各时刻冷热电负荷预测模型，预测精度高，运算速度快，具有良好的适应性和实用性。
附图说明
图1为本发明一种分布式能源用户侧逐时负荷预测方法的流程图。
图2为北京地区某分布式能源用户侧全年逐时冷热电负荷曲线。
图3为本发明估算的北京地区某分布式能源训练日12时逐日热负荷曲线。
图4为本发明预测的北京地区某分布式能源测试日12时逐日热负荷曲线。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
如图1所示，一种分布式能源用户侧逐时负荷预测方法，包括以下步骤：
步骤1，辨识用户侧冷热电负荷特性的影响因素，对负荷特性影响因素分别进行Pearson相关性分析，结合负荷历史数据，计算分析各影响因素与负荷之间的逐时Pearson相关性分布。
用户侧的负荷特性影响因素可以分为气象因素和非气象因素两种，气象因素包括：温度、湿度、太阳辐射、风速、降水、天气等；非气象因素包括：经济、政策、日类型、需求侧管理等。
对于负荷特性影响因素相关性可作定量分析，计算冷热电负荷与某影响因素的Pearson相关系数，计算公式如下所示：
Figure BDA0003326635560000061
式中，rfx为负荷f和影响因素x的Pearson相关系数；fj、xj分别为负荷f和影响因素x的第j个样本点；
Figure BDA0003326635560000062
分别为负荷f和影响因素x的平均值；m为样本个数。
相关系数rfx的取值范围是-1≤r≤1，数值的大小表征相关性的强弱，符号为正表示正相关，符号为负表示负相关。
步骤2，根据计算获得的各影响因素与冷热电负荷之间的Pearson相关系数，选取与用户侧负荷高度相关的多个影响因素作为特征变量，构建各时刻用户侧冷热电负荷逐日特征向量。
具体计算公式如下所示：
δt＝(x1j，x2j，…，xnj；f(x1j，x2j，…，xnj))，j＝1，2，…，m
式中，δt为某时刻用户侧冷热电负荷逐日特征向量，t＝0，1，…，23，x1j，x2j，…，xnj为用户侧冷热电负荷的各特征变量，f(x1j，x2j，…，xnj)为某时刻用户侧冷热电负荷，n为特征变量个数，m为样本个数。
步骤3，通过对各时刻用户侧冷热电负荷逐日特征向量进行统计归纳和理论分析，整理出各时刻冷热电负荷与相应特征变量的多元函数关系，根据多元函数的最小二乘拟合原理，分别建立各时刻冷热电负荷的多元非线性回归模型。
具体如下：
针对某时刻用户侧冷热电负荷逐日特征向量，进行如下函数拟合：
Figure BDA0003326635560000071
使得
Figure BDA0003326635560000072
式中，s为拟合函数，
Figure BDA0003326635560000073
为多项式函数，αi为多项式系数，k为多项式阶次。
结合用户侧冷热电负荷各影响因素的物理意义，本发明根据前述分析，各特征变量可用下方所示的多项式函数关系表达：
Figure BDA0003326635560000081
式中：a0为常数项，bw，cu，…dv分别为特征变量x1j，x2j，…，xnj的拟合系数，w，u，…v为特征变量x1j，x2j，…，xnj的阶次。
步骤4，选取各时刻用户侧冷热电负荷逐日特征向量中前80％的相关数据作为训练日样本，利用matlab数据分析软件或使用python编程拟合求解各时刻用户侧冷热电负荷的多元非线性回归模型，确定拟合系数，得到训练后各时刻用户侧冷热电负荷的多元非线性回归模型；并对训练后的回归方程进行拟合优度检验。
具体如下：
针对某时刻用户侧冷热电负荷逐日特征向量，选取前80％数据作为训练日样本，即：
δ1＝0.8δt＝(x1j，x2j，…，xnj；f(x1j，x2j，…，xnj))，j＝1，2，…，0.8m
式中，δ1为训练日样本向量。
另外，本发明通过计算判定系数R2来评价两者之间的吻合程度，一般0＜R2＜1，其值越接近1，表明回归方程的拟合优度越高。
Figure BDA0003326635560000082
式中，fj是实际值，
Figure BDA0003326635560000083
是实际值的平均值，
Figure BDA0003326635560000084
是回归估计值，即带入方程计算得到的估计值。
步骤5，选取各时刻用户侧冷热电负荷逐日特征向量中后20％的相关数据作为测试日样本，并将求解的用户侧冷热电负荷预测模型用于测试日样本进行模型测试，分析样本中预测值与实际值的相对误差分布情况，说明预测效果。
具体是计算训练日样本和测试日样本中预测值与实际值的相对误差在小于1％、1％～2％、大于2％三个区间的样本量占比，分析判断模型的拟合精度和泛化性。
步骤6，根据训练日样本拟合确定预测日各时刻影响因素，并将预测日的各时刻影响因素分别输入各时刻用户侧冷热电负荷的多元非线性回归模型，得到预测日各时刻冷热电负荷预测值，再将预测值按时间排序，得到预测日用户侧冷热电逐时负荷。
实施例1
本实施例以北京地区某分布式能源用户侧为研究对象，阐述本发明的具体实施方式，如图2为上述某分布式能源用户侧全年逐时冷热电负荷曲线。
步骤1，辨识用户侧负荷特性影响因素，分析各因素与负荷之间的相关性。本例针对北京地区某分布式能源用户侧干球温度、含湿量、太阳辐射等常见气象因素，分别计算全天24小时每一时刻各因素与冷热电负荷之间的Pearson相关系数，作定量分析。
表1干球温度、含湿量、太阳辐射与冷热电负荷的逐时Pearson相关性分布
Figure BDA0003326635560000091
Figure BDA0003326635560000101
经统计分析，用户侧冷热电负荷与干球温度、含湿量的相关性很强，与太阳辐射的相关性较强。
步骤2，本实施例根据上述分析结果，以12时热负荷预测计算为例，选取干球温度、含湿量、太阳辐射作为特征，构建12时逐日特征向量。所构建的12时逐日热负荷特征向量如表2所示。
步骤3，根据逐日特征向量，归纳热负荷与特征变量的多元函数关系，建立12时热负荷的多元非线性回归模型。
Figure BDA0003326635560000102
式中：s为拟合函数，a0为常数项，bw，cu，dv分别为特征变量干球温度x1j、含湿量x2j、太阳辐射x3j的拟合系数，w，u，…v为特征变量的阶次，这里取特征变量的阶次为3。
步骤4，从图2所示某分布式能源用户侧全年逐时热负荷整理出各时刻逐日热负荷数据，选取12时热负荷的80％数据作为训练日样本，拟合求解步骤3建立的热负荷模型，确定拟合系数，并对获得的回归方程进行拟合优度检验。
经python编程拟合求解，得12时热负荷的多元非线性回归模型为：
Figure BDA0003326635560000111
对上述回归模型进行拟合优度检验，可得R2＝0.98，说明上述回归方程与运行数据吻合较好，证明该模型具有较好的拟合效果，如图3所示。
步骤5，选取12时热负荷的20％数据作为测试日样本，并将训练得到的12时热负荷预测模型用于测试日样本进行模型测试，得到的预测值与实际值的对比曲线如图4所示。
由图4可知，12时逐日热负荷的实际值与预测值具有相同的变化趋势，预测值与实际值吻合度较好。表2列出了训练日样本和测试日样本中预测值与实际值的相对误差分布情况。从表2可以看出，训练日样本中相对误差小于5％的数据量占比为89.38％，表明模型拟合精度很高；对于测试日样本，模型同样表现出较高的拟合精度和泛化性，其中相对误差在5％以内的数据占比为91.78％，整体平均相对误差为2.75％，说明该模型具有较好的预测性。
表2逐日热负荷预测值与实际值的误差分布
Figure BDA0003326635560000112
Figure BDA0003326635560000121
步骤6，类似的，根据历史数据构建逐日特征向量，拟合各时刻冷热电负荷模型，对预测日样本进行负荷预测，并按照时间先后顺序将模拟计算得到的预测日各时刻负荷预测值进行逐时排序，从而形成预测日用户侧冷热电逐时负荷。
上述具体实施例表明：依据本发明提供的基于多元非线性拟合的分布式能源用户侧逐时负荷预测方法充分考虑了各因素与用户侧冷热电负荷的相关性，准确辨识影响负荷波动的重要因素，充分考虑了历史数据本身的特性趋势，构建各时刻冷热电负荷预测模型，预测精度高，运算速度快，能够实现用户侧负荷的快速预测，保障能源调度机构运行人员及时调整调度计划，制定机组运行策略，满足能源供需平衡。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种分布式能源用户侧逐时负荷预测方法，其特征在于，包括以下步骤：
步骤1、根据用户侧冷热电负荷特性的影响因素，并结合负荷历史数据，确定各影响因素与冷热电负荷之间的逐时Pearson相关性分布；
步骤2，根据各影响因素与冷热电负荷之间的Pearson相关系数，选取与用户侧负荷高度相关的多个影响因素作为特征变量，构建各时刻用户侧冷热电负荷逐日特征向量；
步骤3，根据各时刻用户侧冷热电负荷逐日特征向量，建立各时刻冷热电负荷与相应特征变量的多元函数关系，根据多元函数的最小二乘拟合原理，分别建立各时刻用户侧冷热电负荷的多元非线性回归模型；
步骤4，将各时刻用户侧冷热电负荷逐日特征向量作为训练日样本，求解各时刻用户侧冷热电负荷的多元非线性回归模型，确定拟合系数，得到训练后各时刻用户侧冷热电负荷的多元非线性回归模型；
步骤5，根据训练日样本拟合确定预测日各时刻影响因素，并将预测日的各时刻影响因素分别输入各时刻用户侧冷热电负荷的多元非线性回归模型，得到预测日各时刻冷热电负荷预测值，再将预测值按时间排序，得到预测日用户侧冷热电逐时负荷。
2.根据权利要求1所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤1中各影响因素与冷热电负荷之间的逐时Pearson相关性分布的计算方法如下：
Figure FDA0003326635550000011
式中，rfx为负荷f和影响因素x的Pearson相关系数；fj、xj分别为负荷f和影响因素x的第j个样本点；
Figure FDA0003326635550000021
分别为负荷f和影响因素x的平均值；m为样本个数。
3.根据权利要求1所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤1中所述影响因素包括气象因素和非气象因素；
所述气象因素包括：温度、湿度、太阳辐射、风速、降水、天气；
非气象因素包括：经济、政策、日类型、需求侧管理。
4.根据权利要求1所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤2中各时刻用户侧冷热电负荷逐日特征向量的表达式如下：
δt＝(x1j，x2j，…，xnj；f(x1j，x2j，…，xnj))，j＝1，2，…，m
式中，δt为某时刻用户侧冷热电负荷逐日特征向量，t＝0，1，…，23，x1j，x2j，…，xnj为用户侧冷热电负荷的各特征变量，f(x1j，x2j，…，xnj)为某时刻用户侧冷热电负荷，n为特征变量个数，m为样本个数。
5.根据权利要求1所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤3中所述多元非线性回归模型的表达式如下：
Figure FDA0003326635550000022
式中，s为拟合函数，
Figure FDA0003326635550000023
为多项式函数，αi为多项式系数，k为多项式阶次。
6.根据权利要求5所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，所述各特征变量采用多项式函数关系表达：
Figure FDA0003326635550000024
式中：a0为常数项，bw，cu，…dv分别为特征变量x1j，x2j，…，xnj的拟合系数，w，u，…v为特征变量x1j，x2j，…，xnj的阶次。
7.根据权利要求1所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤5中根据训练日样本数据，采用线性、非线性或最小二乘曲线拟合方法确定预测日的影响因数。
8.根据权利要求5所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤5中各时刻的多元非线性回归模型对应输出各时刻冷热电负荷的预测值，将各时刻冷热电负荷的预测值按时间排序，得到预测日用户侧冷热电逐时负荷。
9.根据权利要求1所述的一种分布式能源用户侧逐时负荷预测方法，其特征在于，步骤4中得到训练后的多元非线性回归模型，然后对该多元非线性回归模型进行拟合优度检验；
通过计算判定系数R2来评价两者之间的吻合程度，0＜R2＜1，其值越接近1，表明多元非线性回归模型的拟合优度越高。
Figure FDA0003326635550000031
式中，fj是实际值，
Figure FDA0003326635550000032
是实际值的平均值，
Figure FDA0003326635550000033
是回归估计值，即带入方程计算得到的估计值。
10.一种权利要求1-9任一项所述的一种分布式能源用户侧逐时负荷预测方法的系统，其特征在于，包括，
相关性分布模块，用于根据用户侧冷热电负荷特性的影响因素和负荷历史数据，确定各影响因素与冷热电负荷之间的逐时Pearson相关性分布；
特征向量模块，用于根据各影响因素与冷热电负荷之间的Pearson相关系数，选取与用户侧负荷高度相关的多个影响因素作为特征变量，构建各时刻用户侧冷热电负荷逐日特征向量；
多元非线性回归模型模块，用于根据各时刻用户侧冷热电负荷逐日特征向量，建立各时刻冷热电负荷与相应特征变量的多元函数关系，根据多元函数的最小二乘拟合原理，分别建立各时刻用户侧冷热电负荷的多元非线性回归模型；
训练模块，用于将各时刻用户侧冷热电负荷逐日特征向量作为训练日样本，求解各时刻用户侧冷热电负荷的多元非线性回归模型，确定拟合系数，得到训练后各时刻用户侧冷热电负荷的多元非线性回归模型；
因素预测模块，用于根据训练日样本确定预测日各时刻的影响因素；
负荷预测模块，用于将预测日的各时刻的影响因素分别输入各时刻用户侧冷热电负荷的多元非线性回归模型，得到预测日用户侧冷热电逐时负荷。
CN202111264934.2A 2021-10-28 2021-10-28 一种分布式能源用户侧逐时负荷预测方法及系统 Pending CN113887833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111264934.2A CN113887833A (zh) 2021-10-28 2021-10-28 一种分布式能源用户侧逐时负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111264934.2A CN113887833A (zh) 2021-10-28 2021-10-28 一种分布式能源用户侧逐时负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN113887833A true CN113887833A (zh) 2022-01-04

Family

ID=79014066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111264934.2A Pending CN113887833A (zh) 2021-10-28 2021-10-28 一种分布式能源用户侧逐时负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN113887833A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN116432991A (zh) * 2023-06-14 2023-07-14 国网浙江省电力有限公司嘉兴供电公司 考虑时空特性的园区多能供需匹配度量化评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN107506843A (zh) * 2017-07-03 2017-12-22 国网上海市电力公司 一种短期负荷预测方法及装置
CN107992975A (zh) * 2017-12-14 2018-05-04 北京交通大学 一种融合历史数据和实时影响因素的精细化负荷预测方法
CN108229742A (zh) * 2018-01-04 2018-06-29 国网浙江省电力公司电力科学研究院 一种基于气象数据以及数据趋势的负荷预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112465215A (zh) * 2020-11-24 2021-03-09 西安热工研究院有限公司 一种分布式能源用户侧冷热电短期负荷预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779129A (zh) * 2015-11-19 2017-05-31 华北电力大学（保定） 一种考虑气象因素的短期电力负荷预测方法
CN107506843A (zh) * 2017-07-03 2017-12-22 国网上海市电力公司 一种短期负荷预测方法及装置
CN107992975A (zh) * 2017-12-14 2018-05-04 北京交通大学 一种融合历史数据和实时影响因素的精细化负荷预测方法
CN108229742A (zh) * 2018-01-04 2018-06-29 国网浙江省电力公司电力科学研究院 一种基于气象数据以及数据趋势的负荷预测方法
CN112465215A (zh) * 2020-11-24 2021-03-09 西安热工研究院有限公司 一种分布式能源用户侧冷热电短期负荷预测方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHENGLIANG FAN: "Cooling load prediction and optimal operation of HVAC systems using a multiple nonlinear regression model", ENERGY & BUILDINGS, no. 197, 18 May 2019 (2019-05-18) *
周璇;凡祖兵;刘国强;闫军威;: "基于多元非线性回归法的商场空调负荷预测", 暖通空调, no. 03, 15 March 2018 (2018-03-15) *
王兴元;查启平;张志伟;卢闽;何维来;: "利用多项式回归进行火电机组特性分析", 中国电力, no. 09, 5 September 2007 (2007-09-05) *
王家钺: "《基于R的语言学统计方法》", 30 September 2019, 外语教学与研究出版社, pages: 142 *
马成文: "《计量经济学》", 31 August 2021, 机械工业出版社, pages: 35 - 36 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN116432991A (zh) * 2023-06-14 2023-07-14 国网浙江省电力有限公司嘉兴供电公司 考虑时空特性的园区多能供需匹配度量化评估方法

Similar Documents

Publication Publication Date Title
CN110490385A (zh) 一种综合能源系统中电负荷和热负荷的联合预测方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN108805743A (zh) 一种电网企业售电公司运营效益评价方法
CN111191854A (zh) 一种基于线性回归及神经网络的光伏发电预测模型和方法
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN106251027B (zh) 基于模糊支持向量分位数回归的电力负荷概率密度预测方法
CN113887833A (zh) 一种分布式能源用户侧逐时负荷预测方法及系统
Lin et al. A hybrid short-term load forecasting approach for individual residential customer
CN111178621A (zh) 一种电采暖负荷预测支持向量回归机模型的参数优化方法
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN108717585A (zh) 一种远期电力需求预测方法
CN117439101B (zh) 一种用于电网中新能源与柔性负荷互动的智能网络
CN113536694B (zh) 综合能源系统鲁棒优化运行方法、系统、装置及存储介质
CN112465215A (zh) 一种分布式能源用户侧冷热电短期负荷预测方法及系统
CN118171788B (zh) 可调度柔性资源与电网规划布局的协同优化方法
CN116070769A (zh) 一种超短期风电场功率多步区间预测模块化方法及其设备
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
CN115829145A (zh) 一种光伏发电量预测系统及方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
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
CN111815051B (zh) 考虑天气影响因素的grnn光伏发电预测方法
CN116644562B (zh) 一种新能源电站运维费用评估系统
CN109767037A (zh) 一种夏季日最大负荷的预测方法

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