CN114580771A - 能源负荷混合预测方法、装置、计算机设备和存储介质 - Google Patents
能源负荷混合预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114580771A CN114580771A CN202210248408.5A CN202210248408A CN114580771A CN 114580771 A CN114580771 A CN 114580771A CN 202210248408 A CN202210248408 A CN 202210248408A CN 114580771 A CN114580771 A CN 114580771A
- Authority
- CN
- China
- Prior art keywords
- load
- energy
- model
- energy type
- predicted
- 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 64
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008878 coupling Effects 0.000 claims abstract description 78
- 238000010168 coupling process Methods 0.000 claims abstract description 78
- 238000005859 coupling reaction Methods 0.000 claims abstract description 78
- 230000007774 longterm Effects 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004445 quantitative analysis Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 240
- 238000001816 cooling Methods 0.000 description 17
- 238000010438 heat treatment Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 9
- 230000005611 electricity Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000013076 uncertainty analysis 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
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种能源负荷混合预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:构建各能源类型对应的独立负荷预测模型;将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的独立负荷预测模型,得到待预测日的各能源类型对应的预测负荷耦合结果;确定各能源类型对应的模型变量信息;针对每个能源类型,根据模型内生变量和模型外生变量,构建能源类型对应的混合负荷预测模型;将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的混合负荷预测模型,得到待预测日的各能源类型对应的混合预测负荷数据。采用本方法实现了对中长期负荷情况的有效预估,能够有助于供能系统中储能环节的合理配置。
Description
技术领域
本申请涉及能源技术领域,特别是涉及一种能源负荷混合预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
针对能源中长期负荷预测,由于中长期负荷预测所受到的不确定影响因素多,可提供参考的历史数据信息少,各个地区的发展也不完全相同,导致对中长期负荷预测进行准确分析研究十分困难,且中长期的负荷预测已经长期被淡化,该方面的相关研究也相对于短期的负荷预测关注度小。
因此,相关技术中存在中长期负荷预测效果不佳的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决上述问题的能源负荷混合预测方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种能源负荷混合预测方法,所述方法包括:
获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
在其中一个实施例中,在所述将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型的步骤之前,所述方法还包括:
对所述多个能源类型各自对应的历史采集数据进行标准化处理,得到各所述能源类型对应的标准化处理后采集数据;
将各所述能源类型对应的标准化处理后采集数据进行聚类处理,得到所述N个历史日的各所述能源类型对应的实际负荷数据。
在其中一个实施例中,所述将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果,包括:
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到各所述能源类型对应的独立负荷预测模型输出的预测结果,作为所述N个历史日的各所述能源类型对应的独立预测负荷数据;
根据所述N个历史日的各所述能源类型对应的实际负荷数据和所述N个历史日的各所述能源类型对应的独立预测负荷数据,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果。
在其中一个实施例中,所述针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型,包括:
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,确定目标模型系数;所述模型内生变量根据与所述能源类型具有强相关性关系的第一能源类型所确定,所述模型外生变量根据与所述能源类型具有弱相关性关系的第二能源类型所确定;
采用所述目标模型系数,构建所述能源类型对应的混合负荷预测模型。
在其中一个实施例中,所述方法还包括:
根据针对所述多个能源类型的量化分析选取信息,确定所述多个能源类型对应的不确定变量,作为负荷随机参数;所述负荷随机参数对应有多个参数类型;
采用各所述参数类型对应的负荷随机参数,构建各所述参数类型对应的概率分布模型;
根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数;所述多个负荷影响参数用于分别输入至所述独立负荷预测模型和所述混合负荷预测模型,以得到结合参数不确定条件的中长期负荷预测结果。
在其中一个实施例中,所述根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数,包括:
根据各所述参数类型对应的概率分布模型和各所述参数类型对应的负荷随机参数,生成各所述参数类型对应的随机抽取数据;
将各所述参数类型对应的随机抽取数据进行参数转化,得到所述多个负荷影响参数。
第二方面,本申请还提供了一种能源负荷混合预测装置,所述装置包括:
历史负荷耦合结果获取模块,用于获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
预测负荷耦合结果得到模块,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
模型变量信息确定模块,用于根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
混合预测模型构建模块,用于针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
混合预测负荷数据得到模块,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的能源负荷混合预测方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的能源负荷混合预测方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的能源负荷混合预测方法的步骤。
上述一种能源负荷混合预测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各能源类型对应的独立负荷预测模型,独立负荷预测模型用于对中长期能源负荷进行独立预测,然后将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的独立负荷预测模型,得到待预测日的各能源类型对应的预测负荷耦合结果,根据待预测日的各能源类型对应的预测负荷耦合结果,确定各能源类型对应的模型变量信息,模型变量信息包括模型内生变量和模型外生变量,进而针对每个能源类型,根据模型内生变量和模型外生变量,构建能源类型对应的混合负荷预测模型,混合负荷预测模型用于对中长期能源负荷进行混合预测,将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的混合负荷预测模型,得到待预测日的各能源类型对应的混合预测负荷数据,实现了对中长期负荷情况的有效预估,能够有助于区域终端集成供能系统中储能环节的合理配置。
附图说明
图1为一个实施例中一种能源负荷混合预测方法的流程示意图;
图2a为一个实施例中一种负荷混合预测模型处理流程的示意图;
图2b为一个实施例中一种耦合度预测结果的示意图;
图3为一个实施例中一种不确定参数预测步骤的流程示意图;
图4a为一个实施例中一种不确定参数生成流程的示意图;
图4b为一个实施例中一种逐时参数结果的示意图;
图5为一个实施例中另一种能源负荷混合预测方法的流程示意图;
图6为一个实施例中一种能源负荷混合预测装置的结构框图;
图7为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据;对应的,本申请还提供有相应的用户授权入口,供用户选择授权或者选择拒绝。
在一个实施例中,如图1所示,提供了一种能源负荷混合预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤101,获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
其中,独立负荷预测模型可以为基于ARIMA模型(Autoregressive IntegratedMoving Average model,自回归滑动平均模型)的中长期负荷独立预测模型,该自回归滑动平均模型是通过将时间序列视为一个随机过程,建立数学模型来描述或模拟,可以良好的反应时间序列线性成分的动态特征和持续特性,表征出时间序列中过去与现在、将来与现在的相互关系。
作为一示例,N为正整数,待预测日之前的N个历史日可以是待预测日之前一周内的历史日,也可以预设为其它时段,在本实施例中不作具体限制。
在实际应用中,通过获取多个能源类型的历史数据,可以得到待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,进而可以构建各能源类型对应的独立负荷预测模型,该独立负荷预测模型可以用于对中长期能源负荷进行独立预测。
具体地,如图2a所示,根据多个能源类型的历史数据,其可以包括电负荷历史数据、气负荷历史数据、冷热负荷历史数据,计算得到各负荷耦合度C,进而可以结合待预测日之前一周内的历史日的各负荷耦合度大小,即待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各能源类型对应的独立负荷预测模型,如基于ARIMA模型的电、气、冷、热负荷独立预测模型。
在一示例中,ARIMA模型一般表示为ARIMA(p,q,d),其中,p为自回归模型(AR模型)阶数,q为滑动平均模型(MA模型)阶数,d为差分处理阶数。ARIMA(p,q,d)可以采用如下方式表示:
其中,ai为自回归系数,bj为滑动平均系数,et-j是白噪声序列,为独立误差,Xt'表示平稳时间序列。
在一个可选实施例中,ARIMA(p,q,d)的建模步骤,可以采用如下方式表示:
(1)差分处理:对原始序列[Xt]进行d阶差分处理得到平稳时间序列[Xt'];
(2)模型识别与参数定阶:计算平稳时间序列[Xt']自相关和偏自相关函数,初步确定模型类别(AR,MA,ARMA),利用最小信息准则(如AIC信息准则)确定模型参数p,q的取值;
(3)参数估计:利用相关矩进行ai和bj的参数估计,确定最终ARIMA(p,q,d)模型;
(4)数据预测:通过建立的ARIMA模型实现单步或多步预测。
在又一示例中,区域终端集成供能系统电、气、冷、热负荷独立预测模型(即各能源类型对应的独立负荷预测模型),可以采用如下方式如下:
(1)电负荷独立预测模型:
(2)气负荷独立预测模型:
(3)冷负荷独立预测模型:
(4)热负荷独立预测模型:
步骤102,将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
在得到各能源类型对应的独立负荷预测模型后,可以将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的独立负荷预测模型,以进行预测,进而可以得到待预测日的各能源类型对应的预测负荷耦合结果,例如,如图2a所示,基于ARIMA预测模型(即各能源类型对应的独立负荷预测模型)可以得到待预测日负荷耦合度预测值C’(即预测负荷耦合结果)。
在一示例中,可以利用2017年12月1日至2018年12月11日区域终端集成供能系统各负荷数据进行建模,预测2018年12月12日至2019年1月10日系统各负荷情况。
步骤103,根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
其中,模型变量信息可以为针对VAR模型的变量信息,如VAR模型的内生变量和外生变量,即模型内生变量和模型外生变量。
在具体实现中,可以结合待预测日负荷前一周各负荷耦合度大小,即待预测日的各能源类型对应的预测负荷耦合结果,确定VAR(p)模型的内生变量和外生变量,通过综合考虑各负荷的耦合情况,确定各负荷VAR预测模型的内、外生变量,以进一步建立区域终端集成供能系统负荷混合预测模型。
步骤104,针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
其中,混合负荷预测模型可以为VAR模型(VAR,vector auto regression,向量自回归模型),其可以基于数据的统计性质建立模型,通过将时间序列视为一个随机过程建立数学模型来描述或模拟,可以良好的反应时间序列线性成分的动态特征和持续特性,表征出时间序列过去与现在、将来与现在的相互关系。
在得到各能源类型对应的模型变量信息后,可以针对每个能源类型,根据其对应的模型内生变量和模型外生变量,构建能源类型对应的混合负荷预测模型,该混合负荷预测模型可以用于对中长期能源负荷进行混合预测。
具体地,如图2a所示,根据待预测日负荷耦合度预测值C’(即预测负荷耦合结果),可以确定各负荷协同预测模型的内、外生变量(即模型内生变量和模型外生变量),进而可以构建VAR模型,即混合负荷预测模型。
在一示例中,VAR模型一般表示为VAR(p),其中,p为模型阶数,VAR(p)可以采用如下方式表示:
yt=A1yt-1+···+Apyt-p+Bxt+εt t=1,2,···,N
其中,yt为k维内生变量向量,N为样本个数,k×k维矩阵A1,…,Ap为内生变量系数矩阵,B为外生变量系数矩阵,εt为k维扰动向量。
在一个可选实施例中,VAR(p)建模步骤,可以采用如下方式表示:
(1)模型变量确定:通过对相关变量的特性分析,确定模型的内生变量和外生变量。
(2)模型参数估计:确定平稳时间序列向量[y1t,y2t,···yTt,xt],利用最大似然估计计算内生变量系数矩阵A和外生变量系数矩阵B。
(3)模型定阶:利用赤池信息准则(Akaike’s information criterion,AIC)确定模型阶数p。
(4)数据预测:通过建立的VAR(p)模型实现单步或多步预测。
步骤105,将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
在实际应用中,如图2a所示,基于VAR预测模型(即混合负荷预测模型),如基于VAR模型的电负荷混合预测模型、气负荷混合预测模型、冷负荷混合预测模型、热负荷协同预测模型,通过将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的混合负荷预测模型,可以得到待预测日的各能源类型对应的混合预测负荷数据,如预测结果,其可以包括电负荷预测结果、气负荷预测结果、冷热负荷预测结果。
在一示例中,在区域终端集成供能系统中存在多种形式的能源紧密结合,以更为高效的方式转换与传输,并在用户侧实现共享,储能作为进一步实现多种形式能源之间灵活转换和综合利用的关键,通过储能技术可以使能源在时间和空间上均具有可平移性,以真正实现能源共享,进而达到综合能源储能环节的合理配置,其可以具有如下有益效果:
(1)提高了电网系统对高比例可再生能源发电的消纳能力。针对大规模可再生能源发电的接入,一方面将储能技术与可再生能源发电结合,能够提高调节能力;另一方面,电网本身对可再生能源的适应能力也得以提高。
(2)提高了区域终端集成供能系统的灵活性和可靠性。区域终端集成供能系统中存在多种能源形式,彼此相互耦合,储能环节的引入能够使得系统可以灵活调节产能,弱化能源间的强相关特性,提高了系统灵活性。
(3)有利于用户对区域终端集成供能系统多种能源的优化管理,提高了经济效益。用户侧可以根据价格等相关信息合理安排能源的消费存储情况,降低了系统运行成本,能够保证系统可靠高效运行。
针对配置储能环节的区域终端集成供能系统,用户不仅可以通过削减能源消费量进行用能调节,还可以通过改变能源消费类型以调整用能结构,即系统的综合需求响应能力(integrated demand response,IDR)被挖掘,从而对该系统综合需求响应下的中长期负荷情况进行合理预估,有助于区域终端集成供能系统中储能环节的合理配置。
上述能源负荷混合预测方法中,通过获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各能源类型对应的独立负荷预测模型,然后将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的独立负荷预测模型,得到待预测日的各能源类型对应的预测负荷耦合结果,根据待预测日的各能源类型对应的预测负荷耦合结果,确定各能源类型对应的模型变量信息,进而针对每个能源类型,根据模型内生变量和模型外生变量,构建能源类型对应的混合负荷预测模型,将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的混合负荷预测模型,得到待预测日的各能源类型对应的混合预测负荷数据,实现了对中长期负荷情况的有效预估,能够有助于区域终端集成供能系统中储能环节的合理配置。
在一个实施例中,在所述将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型的步骤之前,还可以包括如下步骤:
对所述多个能源类型各自对应的历史采集数据进行标准化处理,得到各所述能源类型对应的标准化处理后采集数据;将各所述能源类型对应的标准化处理后采集数据进行聚类处理,得到所述N个历史日的各所述能源类型对应的实际负荷数据。
在实际应用中,可以进行数据搜集及预处理,在区域终端集成供能系统中,负荷预测的结果受到多种因素的影响,通过合理量化各类影响因素,以能够更精确地表征其影响程度,进而可以引入预测模型进行建模;由于各类影响因素量纲不同,为避免部分影响因素因值域范围差异导致其真实作用在整体映射效果中被歪曲甚至湮没,可以对各类影响因素进行标准化处理,使各类影响因素的阈值在0~1范围内波动,如可以对各影响因素的时间序列按照式如下方式进行归一化处理:
其中,X表示归一化处理前的电价或历史负荷数据(即历史采集数据);X’表示标准化处理后得到的对应数据(即标准化处理后采集数据);Xmin和Xmax分别表示同类影响因素中的最小数值和最大数值.
在一示例中,由于模型学习能力和计算速度与数据的复杂程度相关,复杂数据与大样本数据会严重影响模型的学习能力、泛化能力以及收敛性,进而可以通过聚类分析将复杂问题及大量数据进行分解分类为简单问题,以有效避免对模型的影响。
例如,可以采用k-means聚类算法,其是先随机选取k个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,将每个对象分配给距离其最近的聚类中心,进而聚类中心以及分配给该聚类中心的对象可以为一个聚类,若全部对象均被分配,每个聚类的聚类中心可以根据其所对应的对象重新计算,进而可以不断重复该过程直至满足某个终止条件。
在一示例中,k-means聚类算法作为一种简单的迭代型聚类算法,可以采用距离作为相似性指标,针对指定的一个包含n个d维数据点的数据集X,以及待分配的类别K,可以选取欧式距离作为相似度指标,聚类目标为使得各类的聚类平方和最小,即最小化:
其中,xi表示样本点,uk表示所选的聚类中心。
在又一示例中,k-means聚类算法的处理流程可以采用如下表示:
1、选取数据空间中的k个对象作为初始中心,每个对象代表一个聚类中心;
2、针对样本中的数据对象,可以根据各数据对象与聚类中心的欧氏距离,按照距离最近规则,将各数据对象分配至距离各数据对象最近的聚类中心所对应的类(如最相似类别);
3、可以更新聚类中心,通过将每个类别中所有对象所对应的均值作为该类别的聚类中心,可以计算目标函数的值;
4、通过判断聚类中心和目标函数的值是否发生改变,若不变,则输出结果,若改变,则返回步骤2。
本实施例中,通过对多个能源类型各自对应的历史采集数据进行标准化处理,得到各能源类型对应的标准化处理后采集数据,进而将各能源类型对应的标准化处理后采集数据进行聚类处理,得到N个历史日的各能源类型对应的实际负荷数据,能够避免因数据量纲不同造成的影响,为后续模型处理提供了数据支持,提升了模型处理能力。
在一个实施例中,所述将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果,可以包括如下步骤:
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到各所述能源类型对应的独立负荷预测模型输出的预测结果,作为所述N个历史日的各所述能源类型对应的独立预测负荷数据;根据所述N个历史日的各所述能源类型对应的实际负荷数据和所述N个历史日的各所述能源类型对应的独立预测负荷数据,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果。
在实际应用中,如图2b所示为耦合度预测结果(即各能源类型对应的预测负荷耦合结果)曲线,从图中可以看出,其预测精度较高,可以作为待预测日负荷前一周各负荷耦合度结果,以进一步确定VAR(p)的内生变量和外生变量。
在一示例中,如下表1所示,其可以表征2018年12月12日至2019年1月10日,区域终端集成供能系统日负荷前一周负荷耦合度预测结果,从表中可以看出,第22天至第29天,气-冷负荷耦合度小于0.5,第21天至第29天,冷热负荷耦合度小于0.5,其余情况负荷耦合度均在0.5以上,通过综合考虑各负荷的耦合情况,确定各负荷VAR预测模型的内、外生变量,以进一步建立区域终端集成供能系统负荷混合预测模型。
表1区域终端集成供能系统负荷耦合度预测结果
本实施例中,通过将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的独立负荷预测模型,得到各能源类型对应的独立负荷预测模型输出的预测结果,作为N个历史日的各能源类型对应的独立预测负荷数据,进而根据N个历史日的各能源类型对应的实际负荷数据和N个历史日的各能源类型对应的独立预测负荷数据,得到待预测日的各能源类型对应的预测负荷耦合结果,能够基于综合考虑各负荷耦合情况,为后续负荷混合预测模型构建提供数据支持。
在一个实施例中,所述针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型,可以包括如下步骤:
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,确定目标模型系数;所述模型内生变量根据与所述能源类型具有强相关性关系的第一能源类型所确定,所述模型外生变量根据与所述能源类型具有弱相关性关系的第二能源类型所确定;采用所述目标模型系数,构建所述能源类型对应的混合负荷预测模型。
在一示例中,通过综合考虑各负荷的耦合情况,以对各负荷VAR预测模型的内、外生变量进行确定,可以建立区域终端集成供能系统负荷混合预测模型,其中,各负荷VAR预测模型内、外生变量(即各能源类型对应的模型内生变量和模型外生变量)的确定情况可以如下表2所示。
表2区域终端集成供能系统负荷预测VAR模型内、外生变量确定表
在又一示例中,可以分别将区域终端集成供能系统电、气、冷、热负荷时间序列记为:{le(t)},{lg(t)},{lc(t)},{lh(t)},其中,N=406为样本空间个数,即2017年12月1日至2019年1月10日总天数,可以采用样本的前376组数据建模,预测最后30天(一个月)的负荷情况。
(1)电负荷混合预测模型
如表2所示,电负荷混合预测VAR模型的内生变量为电负荷和冷负荷(即模型内生变量),与电负荷相关性较弱的气负荷和热负荷为外生变量(即模型外生变量),并可以利用AIC规则确定模型阶数p=3(即目标模型系数):
其中:Le=[le(t-1),le(t-2),le(t-3)]T,Lc=[lc(t-1),lc(t-2),lc(t-3)]T。
(2)气负荷混合预测模型
如表2所示,气负荷混合预测VAR模型的第1天至第21天、第30天内生变量为气负荷和热负荷,外生变量为电负荷和冷负荷,模型阶数p=2;第22天至第29天,内生变量为气负荷和热负荷,外生变量为电负荷,模型阶数为p=3:
其中,Lg=[lg(t-1),lg(t-2)]T,Lh=[lh(t-1),lh(t-2)]T,Lh=[lh(t-1),lh(t-2)]T,L'h=[lh(t-1),lh(t-2),lh(t-3)]T。
(3)冷负荷混合预测模型
如表2所示,冷负荷混合预测VAR模型的第1天至第21天、第30天内生变量为冷负荷和电负荷,外生变量为气负荷和热负荷,阶数p=3;第22天至第29天,内生变量为冷负荷和电负荷,模型阶数为p=2:
其中,Le=[le(t-1),le(t-2),le(t-3)]T,Lc=[lc(t-1),lc(t-2),lc(t-3)]T,L'e=[l′e(t-1),l′e(t-2)]T,L'c=[l′c(t-1),l′c(t-2)]T。
(4)热负荷协同预测模型
如表2所示,区域终端集成供能系统的热负荷混合预测VAR模型的第1天至第20天、第30天内生变量为气负荷和热负荷,外生变量为电负荷和冷负荷,模型阶数p=2;第21天至第29天,内生变量为气负荷和热负荷,外生变量为电负荷,模型阶数为p=3。
其中,Lg=[lg(t-1),lg(t-2)]T,Lh=[lh(t-1),lh(t-2)]T,L'g=[lg(t-1),lg(t-2),lg(t-3)]T,L'h=[lh(t-1),lh(t-2),lh(t-3)]T。
本实施例中,通过针对每个能源类型,根据模型内生变量和模型外生变量,确定目标模型系数,进而采用目标模型系数,构建能源类型对应的混合负荷预测模型,能够达到针对中长期负荷情况的合理预估效果。
在一个实施例中,如图3所示,还可以包括如下步骤:
步骤301,根据针对所述多个能源类型的量化分析选取信息,确定所述多个能源类型对应的不确定变量,作为负荷随机参数;所述负荷随机参数对应有多个参数类型;
在具体实现中,由于负荷预测的精度影响区域多能源综合系统的规划、运行及生产,而影响负荷预测精度的主要原因是预测模型的参数选取及冷热电负荷自身的非线性和时变性,则可以对影响冷热电负荷预测的不确定性因素进行分析,进而可以根据针对多个能源类型的量化分析选取信息,确定多个能源类型对应的不确定变量,作为负荷随机参数,该负荷随机参数可以对应有多个参数类型。
例如,可以对冷热负荷预测不确定性因素进行分析,影响建筑冷热负荷的因素可分为外扰和内扰两部分,其中,外扰主要是指气象因素,主要包括室外干球温度、湿度、太阳辐射强度等参数;内扰主要是指房间内人员、设备及照明的变化。外扰主要通过两种形式影响建筑负荷:(1)围护结构向房间进行的热交换和太阳辐射射入的辐射热;(2)通过空气交换形式的新风负荷;而内扰则主要以对流和辐射向房间进行散热和散湿。
又如,可以对电负荷预测不确定性因素进行分析,在电力系统负荷预测中,有多因素不同程度地直接或间接影响着负荷的预测值,影响负荷预测的主要因素如下:
(1)经济发展水平的高低与经济结构调整的影响;
(2)收入增加、生活水平的提高与消费观念变动的影响;
(3)电价浮动的影响;
(4)自然因素包括气温以及气候的影响;
(5)电力供应侧包括电网建设、配电网改造与电力短缺状况的影响;
(6)多种政策因素包括高耗电能行业的优惠电价、环保要求的影响;
针对所研究区域的冷热电气联供系统,在影响电负荷特性的很多因素中,经济发展水平的高低、电价、生活水平的提高,以及需求侧管理占较大影响程度,而拉闸限电、城农网改造的影响相对较小。
在一示例中,可以通过量化分析指标选取,得到多个能源类型的量化分析选取信息,通过对预测不确定因素进行汇总,如下表3所示,可以采用面积指标法进行冷热电负荷预测,该指标的选取已考虑了环境因素,对全年选择四个典型日来反映干球温度、湿球温度、室外干球温度、换气量、室内人员在室率对冷/热负荷的影响。
表3冷热电负荷预测不确定因素
在区域冷热电气联供系统规划研究中,可以采用面积指标法对冷热电负荷进行长期预测,则区域入住率可以反映建筑面积对于冷热电负荷的影响,进而可以选择入住率对该区域冷热电负荷预测结果的影响进行重点考虑。对于发展成熟、入住率较高的园区,其负荷增长缓慢,甚至出现停止,则入住率不再是最大负荷的主要影响因素;相反的,待开发、入住率较小的园区,其负荷增长较快,其最大负荷主要受到园区入住率的影响。通过基于入住率与园区电、热、冷负荷之间的关系,对入住率进行预测以对园区的电、热、冷负荷进行预测。
在又一示例中,针对不确定分析方法,可以采用蒙特卡洛模拟对不确定因素的影响进行分析,采用蒙特卡洛方法模拟某一过程时,可以通过产生各种概率分布的随机变量,然后采用统计方法将模型的数字特征估计出来,从而可以得到实际问题的数值解。
例如,针对蒙特卡洛模拟法,由概率定义可知,某事件的概率可以用大量试验中该事件发生的频率来估算,当样本容量足够大时,可以认为该事件的发生频率即为其概率,则可以先对影响其可靠度的随机变量进行大量的随机抽样,然后可以将各组抽样值代入功能函数式,计算所需的结果。
又如,采用蒙特卡罗法模拟不确定条件下的中长期负荷预测,可以采用如下步骤表示:
1、通过经验分析或者敏感性分析,确定影响负荷的不确定变量;
2、将得到的不确定变量作为随机变量(即负荷随机参数),构造随机变量的概率分布模型;
3、采用蒙特卡洛模拟方法,为各输入随机变量抽取随机数;
4、抽得的随机数转化为各输入随机变量的抽样值,以输入中长期负荷预测模型;
5、通过计算中长期负荷预测模型,可以获得考虑参数不确定条件下的负荷预测结果。
步骤302,采用各所述参数类型对应的负荷随机参数,构建各所述参数类型对应的概率分布模型;
在一示例中,通过选取冷热电负荷预测中可量化的不确定指标(即负荷随机参数),可以对该指标建立相应的概率分布模型,可以将参数划分为气象参数和室内环境参数。
(1)气象参数
针对某个特定地区,其每个月的月平均温度和月平均辐射基本维持在相对稳定的水平上,但对于负荷预测中需要用到的逐时气象参数,则有可能随着极寒或极暖季节的出现而产生变化,在针对气象参数的不确定性建立概率分布模型时,可以基于月平均数据,生成逐时气象参数的随机取值,其中,环境温度与辐射的概率分布模型可以如下表4所示,N[a,b]表示正态分布,以a为平均数,b为方差。
表4环境温度与辐射的概率分布模型
可以选取某城市月平均气象参数为例(如下表5),如图4a所示的逐时不确定气象参数产生流程,按照图4a中的流程由月平均数据产生逐时气象参数,可以先以月平均气象参数为基础,根据表4中的概率分布模型产生月平均参数的随机数据,然后以该城市的逐时气象参数为基础,建筑负荷模拟软件DeST和TRNSYS等软件中都内置有逐时气象参数,再将月平均参数的随机数据分配给各逐时数据,进而可以生成随机逐时气象参数,结果如图4b所示,可以看出,考虑气象参数的变化时,用于模拟建筑冷热负荷的气象参数不再是一组确定的值,而是一个范围,可能的气象参数取值均在该范围内。
表5某城市月平均气象参数
(2)室内环境参数
针对室内设定温度,在负荷模拟中可以设置供冷季室内温度为26℃,供热季室内温度为20℃,但在实际运行过程中,由于室内人员喜好,室内温度可能偏离设计温度,造成冷热负荷升高或降低。通过考虑室内温度以三角概率分布,T[a,b,c]表示三角分布,以b为最大值,a为取值下限,c为取值上限,概率分布模型如表6所示。
表6室内环境参数概率分布模型
针对人员在室率,考虑满员状态下人员在室率为1,通常情况不会所有人同时在室内,在室率可以设置为0.8,此时在室人员数量为总人数乘以在室率,当考虑人员在室的概率分布时,采用三角分布。
通风换气量显著影响了室内冷热负荷,在冷热负荷计算时可以设置为定值,但在实际中由于室内人员的喜好,会调整通风时长从而影响换气量,其为不确定的参数,可以设置换气量的换气率为1,其它情况的换气量按照该换气率乘以换气量得到。
与换气量相同,设备产热负荷通常情况下可以设置为定值,如设置设备使用率为1,其它情况下按照N[0,0.5]产生一个随机数以产生一个新的设备使用率,采用总设备产热负荷乘以设备使用率可以得到设备散热量。
步骤303,根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数;所述多个负荷影响参数用于分别输入至所述独立负荷预测模型和所述混合负荷预测模型,以得到结合参数不确定条件的中长期负荷预测结果。
在具体实现中,根据随机变量的概率分布模型(即各参数类型对应的概率分布模型),可以确定多个负荷影响参数,如针对冷热电负荷预测可以确定气象参数和室内环境参数,进而可以将其输入中长期负荷预测模型,以得到考虑参数不确定条件下的负荷预测结果。
本实施例中,通过根据针对多个能源类型的量化分析选取信息,确定多个能源类型对应的不确定变量,作为负荷随机参数,然后采用各参数类型对应的负荷随机参数,构建各参数类型对应的概率分布模型,进而根据各参数类型对应的概率分布模型,确定多个负荷影响参数,可以基于该多个负荷影响参数,得到结合参数不确定条件的中长期负荷预测结果,提升了中长期负荷预测精确度。
在一个实施例中,根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数,可以包括如下步骤:
根据各所述参数类型对应的概率分布模型和各所述参数类型对应的负荷随机参数,生成各所述参数类型对应的随机抽取数据;将各所述参数类型对应的随机抽取数据进行参数转化,得到所述多个负荷影响参数。
在实际应用中,可以根据各参数类型对应的概率分布模型和各参数类型对应的负荷随机参数,生成各参数类型对应的随机抽取数据,如为各输入随机变量抽取随机数,进而可以将各参数类型对应的随机抽取数据进行参数转化,得到多个负荷影响参数,如将抽得的随机数转化为各输入随机变量的抽样值,以输入中长期负荷预测模型,从而通过计算中长期负荷预测模型可以获得考虑参数不确定条件下的负荷预测结果。
本实施例中,通过根据各参数类型对应的概率分布模型和各参数类型对应的负荷随机参数,生成各参数类型对应的随机抽取数据,进而将各参数类型对应的随机抽取数据进行参数转化,得到多个负荷影响参数,能够考虑参数不确定条件以进行中长期负荷预测,有助于提升预测精确度。
在一个实施例中,如图5所示,提供了另一种能源负荷混合预测方法的流程示意图。本实施例中,该方法包括以下步骤:
在步骤501中,获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各能源类型对应的独立负荷预测模型。在步骤502中,将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的独立负荷预测模型,得到待预测日的各能源类型对应的预测负荷耦合结果。在步骤503中,根据待预测日的各能源类型对应的预测负荷耦合结果,确定各能源类型对应的模型变量信息。在步骤504中,针对每个能源类型,根据模型内生变量和模型外生变量,构建能源类型对应的混合负荷预测模型。在步骤505中,将N个历史日的各能源类型对应的实际负荷数据输入至各能源类型对应的混合负荷预测模型,得到待预测日的各能源类型对应的混合预测负荷数据。在步骤506中,根据针对多个能源类型的量化分析选取信息,确定多个能源类型对应的不确定变量,作为负荷随机参数。在步骤507中,采用各参数类型对应的负荷随机参数,构建各参数类型对应的概率分布模型。在步骤508中,根据各参数类型对应的概率分布模型,确定多个负荷影响参数;多个负荷影响参数用于分别输入至独立负荷预测模型和混合负荷预测模型,以得到结合参数不确定条件的中长期负荷预测结果。需要说明的是,上述步骤的具体限定可以参见上文对一种能源负荷混合预测方法的具体限定,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的能源负荷混合预测方法的能源负荷混合预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个能源负荷混合预测装置实施例中的具体限定可以参见上文中对于能源负荷混合预测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种能源负荷混合预测装置,包括:
历史负荷耦合结果获取模块601,用于获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
预测负荷耦合结果得到模块602,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
模型变量信息确定模块603,用于根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
混合预测模型构建模块604,用于针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
混合预测负荷数据得到模块605,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
在一个实施例中,所述装置还包括:
标准化处理模块,用于对所述多个能源类型各自对应的历史采集数据进行标准化处理,得到各所述能源类型对应的标准化处理后采集数据;
聚类处理模块,用于将各所述能源类型对应的标准化处理后采集数据进行聚类处理,得到所述N个历史日的各所述能源类型对应的实际负荷数据。
在一个实施例中,所述预测负荷耦合结果得到模块602包括:
独立负荷预测子模块,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到各所述能源类型对应的独立负荷预测模型输出的预测结果,作为所述N个历史日的各所述能源类型对应的独立预测负荷数据;
预测耦合结果得到子模块,用于根据所述N个历史日的各所述能源类型对应的实际负荷数据和所述N个历史日的各所述能源类型对应的独立预测负荷数据,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果。
在一个实施例中,所述模型变量信息确定模块603包括:
模型系数确定子模块,用于针对每个能源类型,根据所述模型内生变量和所述模型外生变量,确定目标模型系数;所述模型内生变量根据与所述能源类型具有强相关性关系的第一能源类型所确定,所述模型外生变量根据与所述能源类型具有弱相关性关系的第二能源类型所确定;
混合预测模型构建子模块,用于采用所述目标模型系数,构建所述能源类型对应的混合负荷预测模型。
在一个实施例中,所述装置还包括:
不确定变量得到模块,用于根据针对所述多个能源类型的量化分析选取信息,确定所述多个能源类型对应的不确定变量,作为负荷随机参数;所述负荷随机参数对应有多个参数类型;
概率分布模型构建模块,用于采用各所述参数类型对应的负荷随机参数,构建各所述参数类型对应的概率分布模型;
不确定参数预测模块,用于根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数;所述多个负荷影响参数用于分别输入至所述独立负荷预测模型和所述混合负荷预测模型,以得到结合参数不确定条件的中长期负荷预测结果。
在一个实施例中,所述参数不确定预测模块包括:
随机抽取子模块,用于根据各所述参数类型对应的概率分布模型和各所述参数类型对应的负荷随机参数,生成各所述参数类型对应的随机抽取数据;
参数转化子模块,用于将各所述参数类型对应的随机抽取数据进行参数转化,得到所述多个负荷影响参数。
上述能源负荷混合预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储能源负荷混合预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种能源负荷混合预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的能源负荷混合预测方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的能源负荷混合预测方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的能源负荷混合预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种能源负荷混合预测方法,其特征在于,所述方法包括:
获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
2.根据权利要求1所述的方法,其特征在于,在所述将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型的步骤之前,所述方法还包括:
对所述多个能源类型各自对应的历史采集数据进行标准化处理,得到各所述能源类型对应的标准化处理后采集数据;
将各所述能源类型对应的标准化处理后采集数据进行聚类处理,得到所述N个历史日的各所述能源类型对应的实际负荷数据。
3.根据权利要求1所述的方法,其特征在于,所述将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果,包括:
将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到各所述能源类型对应的独立负荷预测模型输出的预测结果,作为所述N个历史日的各所述能源类型对应的独立预测负荷数据;
根据所述N个历史日的各所述能源类型对应的实际负荷数据和所述N个历史日的各所述能源类型对应的独立预测负荷数据,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型,包括:
针对每个能源类型,根据所述模型内生变量和所述模型外生变量,确定目标模型系数;所述模型内生变量根据与所述能源类型具有强相关性关系的第一能源类型所确定,所述模型外生变量根据与所述能源类型具有弱相关性关系的第二能源类型所确定;
采用所述目标模型系数,构建所述能源类型对应的混合负荷预测模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据针对所述多个能源类型的量化分析选取信息,确定所述多个能源类型对应的不确定变量,作为负荷随机参数;所述负荷随机参数对应有多个参数类型;
采用各所述参数类型对应的负荷随机参数,构建各所述参数类型对应的概率分布模型;
根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数;所述多个负荷影响参数用于分别输入至所述独立负荷预测模型和所述混合负荷预测模型,以得到结合参数不确定条件的中长期负荷预测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述参数类型对应的概率分布模型,确定多个负荷影响参数,包括:
根据各所述参数类型对应的概率分布模型和各所述参数类型对应的负荷随机参数,生成各所述参数类型对应的随机抽取数据;
将各所述参数类型对应的随机抽取数据进行参数转化,得到所述多个负荷影响参数。
7.一种能源负荷混合预测装置,其特征在于,所述装置包括:
历史负荷耦合结果获取模块,用于获取待预测日之前的N个历史日的多个能源类型各自对应的历史负荷耦合结果,构建各所述能源类型对应的独立负荷预测模型;所述独立负荷预测模型用于对中长期能源负荷进行独立预测;
预测负荷耦合结果得到模块,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的独立负荷预测模型,得到所述待预测日的各所述能源类型对应的预测负荷耦合结果;
模型变量信息确定模块,用于根据所述待预测日的各所述能源类型对应的预测负荷耦合结果,确定各所述能源类型对应的模型变量信息;所述模型变量信息包括模型内生变量和模型外生变量;
混合预测模型构建模块,用于针对每个能源类型,根据所述模型内生变量和所述模型外生变量,构建所述能源类型对应的混合负荷预测模型;所述混合负荷预测模型用于对中长期能源负荷进行混合预测;
混合预测负荷数据得到模块,用于将所述N个历史日的各所述能源类型对应的实际负荷数据输入至各所述能源类型对应的混合负荷预测模型,得到所述待预测日的各所述能源类型对应的混合预测负荷数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248408.5A CN114580771A (zh) | 2022-03-14 | 2022-03-14 | 能源负荷混合预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210248408.5A CN114580771A (zh) | 2022-03-14 | 2022-03-14 | 能源负荷混合预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580771A true CN114580771A (zh) | 2022-06-03 |
Family
ID=81780552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210248408.5A Pending CN114580771A (zh) | 2022-03-14 | 2022-03-14 | 能源负荷混合预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580771A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
CN111652422A (zh) * | 2020-05-27 | 2020-09-11 | 常州信息职业技术学院 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN114169577A (zh) * | 2021-11-15 | 2022-03-11 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑负荷与系统性能随机性的地表水源热泵系统能耗预测方法 |
-
2022
- 2022-03-14 CN CN202210248408.5A patent/CN114580771A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
CN107681691A (zh) * | 2017-09-30 | 2018-02-09 | 太原理工大学 | 计及不确定性因素的风电并网系统运行可靠性评估方法 |
CN111652422A (zh) * | 2020-05-27 | 2020-09-11 | 常州信息职业技术学院 | 基于建筑物分类的供热系统负荷预测方法、装置及系统 |
CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
CN114169577A (zh) * | 2021-11-15 | 2022-03-11 | 国网湖北省电力有限公司电力科学研究院 | 一种考虑负荷与系统性能随机性的地表水源热泵系统能耗预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Physical energy and data-driven models in building energy prediction: A review | |
Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
Parhizkar et al. | Evaluation and improvement of energy consumption prediction models using principal component analysis based feature reduction | |
Yan et al. | A simplified prediction model for energy use of air conditioner in residential buildings based on monitoring data from the cloud platform | |
Fan et al. | Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques | |
Xie et al. | A hybrid short-term load forecasting model and its application in ground source heat pump with cooling storage system | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
Cheng-wen et al. | Application of ANN for the prediction of building energy consumption at different climate zones with HDD and CDD | |
Kim et al. | Sequence-to-sequence deep learning model for building energy consumption prediction with dynamic simulation modeling | |
CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN112183826A (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
Wang et al. | An XGBoost-Based predictive control strategy for HVAC systems in providing day-ahead demand response | |
Lu et al. | An improved attention-based deep learning approach for robust cooling load prediction: Public building cases under diverse occupancy schedules | |
CN116205425A (zh) | 一种基于典型数据库的低碳园区冷热电气负荷预测方法 | |
Zhang et al. | Similarity-based grouping method for evaluation and optimization of dataset structure in machine-learning based short-term building cooling load prediction without measurable occupancy information | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
Zhang et al. | Ensemble learning-based approach for residential building heating energy prediction and optimization | |
Song et al. | Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings | |
Karimtabar et al. | Analysis and predicting electricity energy consumption using data mining techniques—A case study IR Iran—Mazandaran province | |
Sayegh et al. | Computational time reduction using detailed building models with Typical Short Sequences | |
Hu et al. | Adaptive corrected parameters algorithm applied in cooling load prediction based on black-box model: A case study for subway station | |
Sun et al. | Load-forecasting method for IES based on LSTM and dynamic similar days with multi-features |
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: 20220603 |