CN114971090A - 一种电供暖负荷预测方法、系统、设备和介质 - Google Patents

一种电供暖负荷预测方法、系统、设备和介质 Download PDF

Info

Publication number
CN114971090A
CN114971090A CN202210888566.7A CN202210888566A CN114971090A CN 114971090 A CN114971090 A CN 114971090A CN 202210888566 A CN202210888566 A CN 202210888566A CN 114971090 A CN114971090 A CN 114971090A
Authority
CN
China
Prior art keywords
electric heating
neural network
heating load
data
prediction
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
CN202210888566.7A
Other languages
English (en)
Inventor
林晶怡
张静
李文
李�昊
张思瑞
卜凡鹏
刘畅
李斌
成岭
屈博
蒋利民
王占博
郭炳庆
覃剑
李德智
郭京超
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202210888566.7A priority Critical patent/CN114971090A/zh
Publication of CN114971090A publication Critical patent/CN114971090A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明提供了一种电供暖负荷预测方法、系统、设备和介质，包括：获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；将电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；其中，灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测；本发明中将电供暖负荷数据和居民用电影响因素数据输入灰色径向基函数神经网络组合预测模型进行负荷预测，将现有模型中所忽略的居民用电影响因素再提取出来，并加上原本的灰色预测结果，使预测更加贴近实际。

Description

一种电供暖负荷预测方法、系统、设备和介质
技术领域
本发明属于负荷预测技术领域，具体涉及一种电供暖负荷预测方法、系统、设备和介质。
背景技术
为应对温室效应所带来的全球气候变暖问题，当前全世界在进一步聚焦于清洁能源，尤其是能源转换效率高、能源运输便捷、使用无污染的电能。然而，不可避免的是，近年来煤改电呈现负荷需求日益增加且具有不确定性的趋势，尤其是受气候变化影响而造成的季节性电供暖设备使用导致的电能使用不确定。因此，对新兴电供暖负荷的预测十分重要。
串联型灰色神经网络将灰色预测方法和人工神经网络相结合，利用它们的互补性能够充分发挥灰色理论和神经网络的优点。电力负荷可以看成是一组随时间变化的时间序列，但是对同一已知数列，取用不同长度的负荷历史数据建立灰色模型（GM），其预测值并不相同。为了得到与新兴电供暖负荷真实值最接近的预测结果，可对多个新兴电供暖负荷灰色预测的结果使用神经网络进行组合。
1 灰色预测
GM模型是用原始数据生成后建立的微分方程。灰色理论是将无规律的原始数据经生成后,使其变为较有规律的生成数列再建模,所以GM模型实际上是生成数列模型,一般用微分方程描述。由于GM模型的解是微分方程的解,是指数曲线,因此要求生成数列是递增的且接近指数曲线。新兴电供暖负荷本身均为正值,经一次累加生成后即变为递增数列。
设有数列
Figure 753842DEST_PATH_IMAGE001
=（
Figure 779304DEST_PATH_IMAGE002
，
Figure 434408DEST_PATH_IMAGE003
，…，
Figure 226956DEST_PATH_IMAGE004
）
作一次生成
Figure 149650DEST_PATH_IMAGE005
=（
Figure 378637DEST_PATH_IMAGE006
，
Figure 521037DEST_PATH_IMAGE007
，…，
Figure 828259DEST_PATH_IMAGE008
）
式中，
Figure 638083DEST_PATH_IMAGE009
( j=1,2,…，m)
对于
Figure 5348DEST_PATH_IMAGE005
可以建立如下一阶一个变量的线性微分方程
Figure 635044DEST_PATH_IMAGE010
式中，a，u为参数，u称为控制项。
该微分方程的解为
Figure 745957DEST_PATH_IMAGE011
（连续形式）
或
Figure 879129DEST_PATH_IMAGE012
（离散形式）
上述两式中，a、u按最小二乘法求出，为
Figure 151717DEST_PATH_IMAGE013
（6）
式中，
Figure 767243DEST_PATH_IMAGE014
，
Figure 652154DEST_PATH_IMAGE015
求出
Figure 138368DEST_PATH_IMAGE016
后，其实际预测值用下式得出
Figure 348900DEST_PATH_IMAGE017
2 灰色神经网络
串联型灰色神经网络模型的结构一般采用3层网，其输入为各种GM的预测结果，输出是组合预测结果。神经网络输入层神经元个数为不同的GM模型数，输出层神经元个数只有一个，隐含层神经元个数可用试验方法确定。对于训练好的神经网络，当输入端为各种GM的预测值时，其输出时用神经网络组合后的预测值。
基于串联型灰色神经网络的新兴电供暖负荷预测过程可以归纳为：对原始负荷数据序列用选定的灰色模型预测后，得到了一系列的预测序列。这些预测值一般都会和原始数据有一定的偏差。因此，使用人工神经网络模型模拟这些预测值与实际值之间的偏差关系，以及序列之间的相互关系，将居用电负荷的预测值作为神经网络的输入样本，实际值作为神经网络的输出样本，采取一定的结构，然后对神经网络训练，就可以得到一系列对应于下相应节点的权值与阈值。将灰色模型最后的预测值输入神经网络，得到相应的输出即为下一时刻或多个时刻最终的预测值。
假如有一组新兴电供暖负荷原始数据列，长度为s，则应用串联神经网络模型进行预测的步骤为：
1)用原始数列分别建立3个等维新息GM（1，1）综合模型，其维数分别为四维、五维、六维。
2)分别用这3个模型预测各数列的第5~s、6~s、7~s个数据，得到3个长度为s-7的数据序列P。
3)取原始数据中每个数列的第7到第s个数据，得到另一个长度为s-7的数据序列T。
4)将P、T序列分别进行归一化处理，使其符合神经网络的输入条件。
5)将数列P作为神经网络的输入向量，T作为神经网络的输出向量，进行网络结构与初始权值、阈值的设定。
6)训练BP网络，得到网络中对应于每个结点与隐含层的阈值。
7)再次用第1步建立的等维新息GM（1，1）综合模型来预测未来时刻（如s+1时刻）的值，将这些预测值作为网络的输入，得到相应的输出，即为灰色神经网络组合预测模型的结果。
串联型灰色神经网络将灰色预测方法和人工神经网络相结合，利用它们的互补性能够充分发挥灰色理论和神经网络的优点，
普通的串联型灰色神经网络只将灰色预测模型的预测结果作为输入，忽略了其它影响因素对预测结果的影响。这样的预测结果只是单一数据的体现而不是真实情况的反映。
发明内容
为克服上述现有技术的不足，本发明提出一种电供暖负荷精准预测方法，包括：
获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；
将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；
其中，所述灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。
优选的，所述灰色径向基函数神经网络组合预测模型的构建，包括：
获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；
以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；
以所述历史时段内的居民用电影响因素数据为输入，以所述历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；
分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据所述方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；
以所述灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。
优选的，所述分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：
基于所述历史时段内用户的电供暖负荷数据，采用所述灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；
基于所述历史时段内的居民用电影响因素数据，采用所述负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。
优选的，所述灰色预测模型的权系数的计算式如下：
Figure 514040DEST_PATH_IMAGE018
式中，
Figure 202642DEST_PATH_IMAGE019
为灰色预测模型的权系数，
Figure 74521DEST_PATH_IMAGE020
为灰色预测模型的方差，
Figure 987113DEST_PATH_IMAGE021
为负荷径向基 函数神经网络的方差；
所述负荷径向基函数神经网络的权系数的计算式如下：
Figure 311653DEST_PATH_IMAGE022
式中，
Figure 69524DEST_PATH_IMAGE023
为负荷径向基函数神经网络的权系数。
优选的，所述以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：
以所述历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；
求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；
将所述离散响应函数映射到神经网络中，并以所述历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对所述神经网络进行训练，提取完成训练的所述神经网络中的方程系数，得到白化方程；
基于所述历史时段内用户的电供暖负荷数据，采用所述白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算所述白化预测数据与对应未来时刻的电供暖负荷数据间的残差；
根据所述残差判断所述白化方程是否达到预设精度要求：若是，则将所述白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对所述白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；
其中，所述残差径向基函数神经网络是以历史时段内采用所述白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。
优选的，所述采用残差径向基函数神经网络对所述白化方程进行残差修正：
将采用所述白化方程预测得到的白化预测数据输入残差径向基函数神经网络，得到残差预测值；
将所述残差预测值加上白化预测数据得到新的白化预测数据；
将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修正后的白化方程。
优选的，所述将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值，包括：
将所述电供暖负荷数据输入灰色预测模型，得到未来时刻用户的电供暖负荷的灰色预测值，将所述居民用电影响因素数据输入负荷径向基函数神经网络，得到未来时刻用户的电供暖负荷的神经网络预测值；
以灰色预测模型对应的权系数作为灰色预测值的权重，以负荷径向基函数神经网络对应的权系数作为神经网络预测值的权重，对所述灰色预测值和神经网络预测值进行加权求和，得到未来时刻用户的电供暖负荷预测值。
优选的，所述居民用电影响因素数据至少包括下述中的一种或多种：
温湿度要求、认同舒适度指数、用电习惯、节假日、建筑围护结构和室外气象条件。
优选的，所述获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据之后，且将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型之前，还包括：
对所述电供暖负荷数据中的遗漏数据进行填补，对所述电供暖负荷数据中的异常数据进行识别和修正，并将所述电供暖负荷数据进行归一化。
基于同一发明构思，本申请还提供一种电供暖负荷预测系统，包括：数据获取模块和预测模块；
所述数据获取模块，用于获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；
所述预测模块，用于将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；
其中，所述灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。
优选的，所述预测模块中灰色径向基函数神经网络组合预测模型的构建，包括：
获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；
以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；
以所述历史时段内的居民用电影响因素数据为输入，以所述历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；
分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据所述方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；
以所述灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。
优选的，所述预测模块分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：
基于所述历史时段内用户的电供暖负荷数据，采用所述灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；
基于所述历史时段内的居民用电影响因素数据，采用所述负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。
优选的，所述预测模块中，灰色预测模型的权系数的计算式如下：
Figure 795910DEST_PATH_IMAGE024
式中，
Figure 676141DEST_PATH_IMAGE019
为灰色预测模型的权系数，
Figure 989442DEST_PATH_IMAGE020
为灰色预测模型的方差，
Figure 518381DEST_PATH_IMAGE021
为负荷径向基 函数神经网络的方差；
所述负荷径向基函数神经网络的权系数的计算式如下：
Figure 568114DEST_PATH_IMAGE022
式中，
Figure 25771DEST_PATH_IMAGE023
为负荷径向基函数神经网络的权系数。
优选的，所述预测模块以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：
以所述历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；
求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；
将所述离散响应函数映射到神经网络中，并以所述历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对所述神经网络进行训练，提取完成训练的所述神经网络中的方程系数，得到白化方程；
基于所述历史时段内用户的电供暖负荷数据，采用所述白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算所述白化预测数据与对应未来时刻的电供暖负荷数据间的残差；
根据所述残差判断所述白化方程是否达到预设精度要求：若是，则将所述白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对所述白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；
其中，所述残差径向基函数神经网络是以历史时段内采用所述白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。
优选的，所述预测模块采用残差径向基函数神经网络对所述白化方程进行残差修正，包括：
将采用所述白化方程预测得到的白化预测数据输入残差径向基函数神经网络，得到残差预测值；
将所述残差预测值加上白化预测数据得到新的白化预测数据；
将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修正后的白化方程。
优选的，所述预测模块，具体用于：
将所述电供暖负荷数据输入灰色预测模型，得到未来时刻用户的电供暖负荷的灰色预测值，将所述居民用电影响因素数据输入负荷径向基函数神经网络，得到未来时刻用户的电供暖负荷的神经网络预测值；
以灰色预测模型对应的权系数作为灰色预测值的权重，以负荷径向基函数神经网络对应的权系数作为神经网络预测值的权重，对所述灰色预测值和神经网络预测值进行加权求和，得到未来时刻用户的电供暖负荷预测值。
优选的，所述居民用电影响因素数据至少包括下述中的一种或多种：
温湿度要求、认同舒适度指数、用电习惯、节假日、建筑围护结构和室外气象条件。
优选的，电供暖负荷预测系统还包括预处理模块；
所述预处理模块，用于对所述电供暖负荷数据中的遗漏数据进行填补，对所述电供暖负荷数据中的异常数据进行识别和修正，并将所述电供暖负荷数据进行归一化。
本发明还提供一种计算机设备，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的电供暖负荷预测方法。
本发明还提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的电供暖负荷预测方法。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种电供暖负荷预测方法、系统、设备和介质，包括：获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；将电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；其中，灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测；本发明中将当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据输入灰色径向基函数神经网络组合预测模型进行负荷预测，将现有模型中所忽略的居民用电影响因素再提取出来，并加上原本的灰色预测结果，使预测更加贴近实际。
本发明把灰色预测法与神经网络方法融合起来并进行改良。神经网络方法对灰色预测结果改进和修正，然后再与径向基函数神经网络进行加权组合预测，并融入灰色预测所忽略的原本模型中的主要影响因素。因此本发明既获得了灰色预测法精度高的优点，又获得了神经网络方法原理简单，可以考虑多种影响因素优点。
附图说明
图1为本发明提供的一种电供暖负荷预测方法流程示意图；
图2为本发明提供的一个电网电供暖负荷预测方法实施例的流程示意图；
图3为本发明提供的一个电网电供暖负荷预测方法实施例中数据预处理流程示意图；
图4为本发明提供的一个电网电供暖负荷预测方法实施例中建立灰色神经网络预测模型流程示意图；
图5为本发明提供的一个电网电供暖负荷预测方法算例的流程示意图；
图6为本发明提供的一种电供暖负荷预测系统结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种电供暖负荷预测方法流程示意图如图1所示，包括：
步骤1：获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；
步骤2：将电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；
其中，灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。
本发明中将当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据输入灰色径向基函数神经网络组合预测模型进行负荷预测，将现有模型中所忽略的居民用电影响因素再提取出来，并加上原本的灰色预测结果，使预测更加贴近实际。
其中，步骤1和步骤2之间，还包括：
对电供暖负荷数据中的遗漏数据进行填补，对电供暖负荷数据中的异常数据进行识别和修正，并将电供暖负荷数据进行归一化。
其中，步骤2中，灰色径向基函数神经网络组合预测模型的构建，包括：
获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；
以历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；
以历史时段内的居民用电影响因素数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；
分别计算灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；
以灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。
本发明把灰色预测法与神经网络方法融合起来并进行改良。神经网络方法对灰色预测结果改进和修正，然后再与径向基函数神经网络进行加权组合预测，并融入灰色预测所忽略的原本模型中的主要影响因素。因此本发明既获得了灰色预测法精度高的优点，又获得了神经网络方法原理简单，可以考虑多种影响因素优点。
其中，分别计算灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：
基于历史时段内用户的电供暖负荷数据，采用灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；
基于历史时段内的居民用电影响因素数据，采用负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。
其中，灰色预测模型的权系数的计算式如下：
Figure 59324DEST_PATH_IMAGE025
式中，
Figure 893419DEST_PATH_IMAGE019
为灰色预测模型的权系数，
Figure 391134DEST_PATH_IMAGE020
为灰色预测模型的方差，
Figure 613168DEST_PATH_IMAGE021
为负荷径向基 函数神经网络的方差；
负荷径向基函数神经网络的权系数的计算式如下：
Figure 166641DEST_PATH_IMAGE022
式中，
Figure 326399DEST_PATH_IMAGE023
为负荷径向基函数神经网络的权系数。
其中，以历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：
以历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；
求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；
将离散响应函数映射到神经网络中，并以历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对神经网络进行训练，提取完成训练的神经网络中的方程系数，得到白化方程；
基于历史时段内用户的电供暖负荷数据，采用白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算白化预测数据与对应未来时刻的电供暖负荷数据间的残差；
根据残差判断白化方程是否达到预设精度要求：若是，则将白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；
其中，残差径向基函数神经网络是以历史时段内采用白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。
其中，采用残差径向基函数神经网络对白化方程进行残差修正，包括：
将采用白化方程预测得到的白化预测数据输入残差径向基函数神经网络，得到残差预测值；
将残差预测值加上白化预测数据得到新的白化预测数据；
将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修正后的白化方程。
其中，将电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值，包括：
将电供暖负荷数据输入灰色预测模型，得到未来时刻用户的电供暖负荷的灰色预测值，将居民用电影响因素数据输入负荷径向基函数神经网络，得到未来时刻用户的电供暖负荷的神经网络预测值；
以灰色预测模型对应的权系数作为灰色预测值的权重，以负荷径向基函数神经网络对应的权系数作为神经网络预测值的权重，对灰色预测值和神经网络预测值进行加权求和，得到未来时刻用户的电供暖负荷预测值。
其中，居民用电影响因素数据至少包括下述中的一种或多种：
温湿度要求、认同舒适度指数、用电习惯、节假日、建筑围护结构和室外气象条件。
实施例2:
本发明实现了一种电供暖负荷预测方法，主要内容如图2，包括以下方面：
S1：选择合适的预测算法。
S2：数据预处理，包括采集输入数据与对数据进行预处理。
S3：建立灰色神经网络预测模型，包括数据处理、残差处理与预测方法使用。
S1：选择合适的预测算法包括：
新兴电供暖负荷预测模型算法主要分为三类：基于数理统计的预测方法、基于不确定信息的预测方法、基于人工智能的预测方法。这几种方法各有优劣，本发明对已有方案进行了改进，提出了一种改进的灰色神经网络预测模型。这种新模型基于普通的串联型灰色神经网络，在此基础上对原本模型的缺点进行优化，使得模型预测精度更高。
由于串联型灰色神经网络只将灰色预测模型的预测结果作为输入，忽略了其它影响因素对预测结果的影响。这样的预测结果只是单一数据的体现而不是真实情况的反映。所以为了使预测更加贴近实际，将原本模型中所忽略的主要影响因素再提取出来，并加上原本的灰色预测结果，同时作为影响因素用人工神经网络模型进行输入，经过径向基函数（本文以下简称为RBF）神经网络的预测，再利用灰色模型的预测误差对权值的修正及影响因素对居民生活用电需求的非线性作用得到最终最优的预测结果。
S2：数据预处理
基于采集的居民用户用电数据，构建灰色RBF神经网络预测模型。首先对居民用电数据（为简化计算，本实施了中居民用电数据等同于电供暖负荷数据）进行预处理，查看数据是否有遗漏或异常，对遗漏数据进行补填。其处理过程如图3。
S201：异常数据识别与处理
由于在数据采集过程中存在信号干扰、软件故障、设备性能等情况的影响，负荷数据并未实现完全的采集，存在坏数据或者空数据，如果不进行相应的处理，就会造成错误聚类结果。本项目采取下面措施进行坏数据的识别与修正。
步骤201-（a）横向识别
此处假设在短时间内数据横向相似，即样本日某一时刻负荷数据与附近同类日负荷数据近似，结合统计学原理，利用样本统计指标与设定阈值判断是否有非正常数据。
步骤201-a-1：
Figure 383348DEST_PATH_IMAGE026
（1）
Figure 9239DEST_PATH_IMAGE027
（2）
首先利用横向识别中式(1)、(2)计算序列的均值与方差设置，
Figure 315587DEST_PATH_IMAGE028
为第n天第i点的 负荷数据，N为一天内的数据总数，
Figure 553801DEST_PATH_IMAGE029
为一天内所有数据的均值。
步骤201-a-2：
Figure 963792DEST_PATH_IMAGE030
（3）
再利用式（3）进行3σ原理的非正常数判断，其中ε为阈值，通常取1~1.5。
步骤201-a-3：
Figure 262049DEST_PATH_IMAGE031
（4）
如果式（3）满足，则
Figure 491911DEST_PATH_IMAGE028
为非正常数据，可以利用式(4)重新修正数据，其中
Figure 799395DEST_PATH_IMAGE032
，
Figure 204838DEST_PATH_IMAGE033
为第n天第i点修正后的负荷数据；
Figure 611679DEST_PATH_IMAGE034
为
Figure 266521DEST_PATH_IMAGE028
附近两个横向负荷点，
Figure 813914DEST_PATH_IMAGE035
为距离
Figure 231120DEST_PATH_IMAGE028
最近的两个相似日负荷点。
步骤201-（b）纵向识别
假设在短时间内数据纵向相似，即相隔采样时间的连续3个数据相对稳定，不会发生突变，结合统计学原理，利用样本统计指标与设定阈值判断是否有非正常数据。
步骤201-b-1：
Figure 776240DEST_PATH_IMAGE036
（5）
利用式（5）将某负荷点
Figure 747738DEST_PATH_IMAGE028
附近连续5个数据平均化，形成平滑后负荷序列
Figure 302085DEST_PATH_IMAGE037
。
步骤201-b-2：
Figure 777060DEST_PATH_IMAGE038
（6）
Figure 352136DEST_PATH_IMAGE039
（7）
判断原始数据与平滑后数据的误差是否满足式（7），如满足，则负荷点为非正常数据，d为阈值，通常取0.08~0.15。
步骤201-b-3：
Figure 607668DEST_PATH_IMAGE040
（8）
若负荷点为非正常数据，则可利用式(8)进行修正，
Figure 795066DEST_PATH_IMAGE041
为第n天第i-1和i+1点的 数据，
Figure 685400DEST_PATH_IMAGE042
为第n天第i-2和i+2点的数据，且
Figure 667262DEST_PATH_IMAGE043
=1。
S202：数据归一化处理
设n天N点日负荷曲线数据矩阵X为：
Figure 675669DEST_PATH_IMAGE044
(9)
负荷数据矩阵X，极差归一化变换后的矩阵为：
Figure 102978DEST_PATH_IMAGE045
(10)
其中，
Figure 83703DEST_PATH_IMAGE046
,g=1,2,3……,n；h= g=1,2,3……,N；
Figure 502046DEST_PATH_IMAGE047
为变 量
Figure 168388DEST_PATH_IMAGE048
的观测值的最小值，
Figure 900852DEST_PATH_IMAGE049
为变量
Figure 296936DEST_PATH_IMAGE048
的观测值的极差，经过极差归一化 变换后，矩阵
Figure 151760DEST_PATH_IMAGE050
的每个元素的取值均在0~1之间。
S3：建立灰色神经网络预测模型
灰色神经网络预测模型即灰色径向基函数神经网络组合预测模型。本模型建立过程如图4。
S301：建立一阶灰色预测模型
灰色系统理论认为原始数列x(0)(k)(k=1，2，...，O) 经过累加生成后得到数列x(1)(k)呈现指数增长规律，从而可以用一个连续的函数或微分方程拟合离散的数据。从理论上说，所用到的一些离散数据类似是从某个函数或微分方程中抽取出来的离散点，而不是一些互相独立的散乱的数据。本实施例中，采用用户的日用电负荷数据作为原始数列。
灰色系统建模中最基本最常用的是GM(1，1)，其灰色微分方程为：
Figure 400338DEST_PATH_IMAGE051
（11）
其中a,μ为待定系数，a称为发展灰数；μ称为内生控制灰数。对微分方程(11)求解可以得到其离散响应函数：
Figure 998810DEST_PATH_IMAGE052
（12）
对灰色微分方程(11)的参数进行白化：首先将方程(11)的离散响应函数(12)映射到一个神经网络中，然后对这个神经网络进行训练，当网络收敛时，从训练后的神经网络中提取出相应的方程系数，从而得到一个白化的微分方程，进而可利用此白化的微分方程，对系统进行深层次的研究，或对此微分方程求解，并对未来时刻的用电负荷进行预测。
S302：残差修正
为了判断所建立的灰色模型的优劣，需要进行模型的精度检验。精度检验一般有残差检验、关联度检验和后验差检验等三种方式。若通过检验，则可以利用所建立的模型进行预测，否则需要进行残差修正。本发明利用神经网络技术进行残差修正。
当灰色预测模型的预测精度达不到预计要求的时候，记残差序列为
Figure 750865DEST_PATH_IMAGE053
，其中，
Figure 307749DEST_PATH_IMAGE054
，根据RBF神经网络 预测方法建模步骤对残差序列进行建模，预测结果为
Figure 276579DEST_PATH_IMAGE055
，即以灰色预测模型预测值为 输入，以残差为输出，训练RBF神经网络，训练完成后，将灰色预测模型预测的值输入训练好 的RBF神经网络，得到预测的残差。
加入神经网络修正残差的灰色预测模型的预测输出表达式为：
Figure 147583DEST_PATH_IMAGE056
（13）
将RBF神经网络预测技术应用于灰色预测模型的残差修正中，结合RBF神经网络处理非线性问题的特性，将会对灰色预测模型的精度提高有一定的改善作用。
S303：建立灰色RBF神经网络组合预测模型
由于在实践中，不同的预测方法提供不同的有用信息，精度也有所不同。为了符合本模型的参数要求，本发明选择灰色系统理论和RBF神经网络知识相结合的组合预测方法。
其中，RBF神经网络的构建包括：采用建立灰色预测模型同时刻的居民用电影响因素数据为输入，以对应未来时刻用户的电供暖负荷数据为输出，建立并训练负荷的RBF神经网络。
在此模型中，设
Figure 488566DEST_PATH_IMAGE057
是灰色预测值，
Figure 950771DEST_PATH_IMAGE058
是RBF神经网络预测值，
Figure 406898DEST_PATH_IMAGE059
是优选组合预测值， 预测误差分别为
Figure 550435DEST_PATH_IMAGE060
，
Figure 11503DEST_PATH_IMAGE061
和
Figure 379031DEST_PATH_IMAGE062
；取
Figure 80312DEST_PATH_IMAGE019
和
Figure 824277DEST_PATH_IMAGE023
分别为相应的权系数，且
Figure 405431DEST_PATH_IMAGE019
+
Figure 147122DEST_PATH_IMAGE023
=1，有：
Figure 843420DEST_PATH_IMAGE063
（14）
使用方差-协方差优选组合预测方法，则误差及方差分别为：
Figure 125497DEST_PATH_IMAGE064
Figure 826737DEST_PATH_IMAGE065
（15）
关于
Figure 739329DEST_PATH_IMAGE019
对
Figure 657344DEST_PATH_IMAGE066
求极小值，可得：
Figure 743112DEST_PATH_IMAGE067
（16）
因为灰色预测模型的建模思想是灰色系统理论，然而RBF神经网络预测模型的依 据是人工神经网络的模拟，两者依据的建模思想及方法都截然不同，所以，两者可以看作是 相对独立的两个预测模型，将两者进行组合预测是相当有比较的，可以针对组合预测分类 中第二点思想进行应用。则目的是
Figure 564438DEST_PATH_IMAGE068
，记
Figure 710248DEST_PATH_IMAGE069
，
Figure 617024DEST_PATH_IMAGE070
，并可以 依据上述条件求得组合预测权系数分别为：
Figure 942701DEST_PATH_IMAGE071
（17）
Figure 352954DEST_PATH_IMAGE072
（18）
如果在有新数据加入、并期望在此基础上进一步的提高预测精度的时候，应该考虑重新计算权值，或是采用变权进行组合预测的方法。
S304：分析问题步骤，即对上述步骤进行总结。
（1）根据新的累加生成方法，建立累加生成序列；
（2）求解灰色微分方程，将得到的离散响应函数映射到神经网络中，通过对网络的训练，得到白化方程；
（3）根据白化方程计算改进灰色预测模型预测值；
（4）如果预测值满足预先设定精度，进入步骤(6)，否则进入(5)；
（5）利用标准RBF神经网络预测模型对改进灰色预测模型预测值残差进行预测，从而对改进灰色预测模型进行残差修正处理；
（6）利用标准RBF神经网络预测方法对数据样本进行预测，得到RBF神经网络预测值；
（7）根据方差-协方差优选组合预测方法的思想，对改进灰色预测模型和RBF神经网络进行优选组合预测，得到预测结果。
建立好灰色径向基函数神经网络组合预测模型后，根据获取的用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据，用该模型预测未来时刻用户的电供暖负荷预测值。
本发明中将当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据输入灰色径向基函数神经网络组合预测模型进行负荷预测，将现有模型中所忽略的居民用电影响因素再提取出来，并加上原本的灰色预测结果，使预测更加贴近实际。
本发明把灰色预测法与神经网络方法融合起来并进行改良。神经网络方法对灰色预测结果改进和修正，然后再与径向基函数神经网络进行加权组合预测，并融入灰色预测所忽略的原本模型中的主要影响因素。因此本发明既获得了灰色预测法精度高的优点，又获得了神经网络方法原理简单，可以考虑多种影响因素优点。
实施例3：
下面给出一个具体算例。居民用电预测方法的实施流程图如图5：
首先根据电供暖负荷数据建立累加生成序列，求解该序列的灰色微分方程得到其离散响应函数，将离散响应函数映射到RBF神经网络，对RBF神经网络进行训练，得到白化方程，并利用白化方程计算预测结果（即负荷序列）；判断预测结果是否达到设定等级精度：若否，则利用RBF网络模型对残差进行预测，根据预测的残差对灰色RBF网络模型（即灰色预测模型）进行残差修正；若是则基于居民用电影响因素利用RBF网络对负荷序列进行预测，并将灰色预测模型预测的结果与RBF网络预测结果进行优选组会预测，得到最终的预测结果。
本发明实例利用郑州某小区2018年12月到 2019年12月负荷数据作为预测样本数据，用一阶灰色预测模型、标准RBF神经网络预测模型、灰色RBF神经网络组合分别对此小区2020年1月的新兴电供暖负荷进行预测，结果如表1所示：
表1：2020年1月郑州某小区三种预测方法预测结果对比表
Figure 404086DEST_PATH_IMAGE073
计算各个方法的平均误差，结果如表2：
表2： 2020年1月郑州某小区三种预测方法的平均相对误差对比表
一阶灰色预测平均相对误差(%) RBF预测平均相对误差(%) 改进的灰色RBF预测平均相对误差(%)
0.67 0.27 0.2
通过对比，在新兴电供暖负荷预测上，本发明使用的灰色RBF神经网络模型预测精度最高，而一阶灰色预测最低。
实施例4：
基于同一发明构思，本发明还提供了一种电供暖负荷预测系统，该系统结构如图6所示，包括：数据获取模块和预测模块；
数据获取模块，用于获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；
预测模块，用于将电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；
其中，灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。
其中，预测模块中灰色径向基函数神经网络组合预测模型的构建，包括：
获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；
以历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；
以历史时段内的居民用电影响因素数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；
分别计算灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；
以灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。
其中，预测模块分别计算灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：
基于历史时段内用户的电供暖负荷数据，采用灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；
基于历史时段内的居民用电影响因素数据，采用负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。
其中，预测模块中，灰色预测模型的权系数的计算式如下：
Figure 532579DEST_PATH_IMAGE024
式中，
Figure 960150DEST_PATH_IMAGE019
为灰色预测模型的权系数，
Figure 989023DEST_PATH_IMAGE020
为灰色预测模型的方差，
Figure 476637DEST_PATH_IMAGE021
为负荷径向基 函数神经网络的方差；
负荷径向基函数神经网络的权系数的计算式如下：
Figure 92426DEST_PATH_IMAGE074
式中，
Figure 58108DEST_PATH_IMAGE023
为负荷径向基函数神经网络的权系数。
其中，预测模块以历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：
以历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；
求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；
将离散响应函数映射到神经网络中，并以历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对神经网络进行训练，提取完成训练的神经网络中的方程系数，得到白化方程；
基于历史时段内用户的电供暖负荷数据，采用白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算白化预测数据与对应未来时刻的电供暖负荷数据间的残差；
根据残差判断白化方程是否达到预设精度要求：若是，则将白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；
其中，残差径向基函数神经网络是以历史时段内采用白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。
其中，预测模块采用残差径向基函数神经网络对白化方程进行残差修正，包括：
将采用白化方程预测得到的白化预测数据输入残差径向基函数神经网络，得到残差预测值；
将残差预测值加上白化预测数据得到新的白化预测数据；
将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修正后的白化方程。
其中，预测模块，具体用于：
将电供暖负荷数据输入灰色预测模型，得到未来时刻用户的电供暖负荷的灰色预测值，将居民用电影响因素数据输入负荷径向基函数神经网络，得到未来时刻用户的电供暖负荷的神经网络预测值；
以灰色预测模型对应的权系数作为灰色预测值的权重，以负荷径向基函数神经网络对应的权系数作为神经网络预测值的权重，对灰色预测值和神经网络预测值进行加权求和，得到未来时刻用户的电供暖负荷预测值。
其中，居民用电影响因素数据至少包括下述中的一种或多种：
温湿度要求、认同舒适度指数、用电习惯、节假日、建筑围护结构和室外气象条件。
其中，电供暖负荷预测系统还包括预处理模块；
预处理模块，用于对电供暖负荷数据中的遗漏数据进行填补，对电供暖负荷数据中的异常数据进行识别和修正，并将电供暖负荷数据进行归一化。
实施例5：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种电供暖负荷预测方法的步骤。
实施例6：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM 存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种电供暖负荷预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (16)

1.一种电供暖负荷预测方法，其特征在于，包括：
获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；
将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；
其中，所述灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。
2.如权利要求1所述的方法，其特征在于，所述灰色径向基函数神经网络组合预测模型的构建，包括：
获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；
以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；
以所述历史时段内的居民用电影响因素数据为输入，以所述历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；
分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据所述方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；
以所述灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。
3.如权利要求2所述的方法，其特征在于，所述分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：
基于所述历史时段内用户的电供暖负荷数据，采用所述灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；
基于所述历史时段内的居民用电影响因素数据，采用所述负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。
4.如权利要求2所述的方法，其特征在于，所述灰色预测模型的权系数的计算式如下：
Figure 388997DEST_PATH_IMAGE001
式中，
Figure 483730DEST_PATH_IMAGE002
为灰色预测模型的权系数，
Figure 462182DEST_PATH_IMAGE003
为灰色预测模型的方差，
Figure 136614DEST_PATH_IMAGE004
为负荷径向基函数 神经网络的方差；
所述负荷径向基函数神经网络的权系数的计算式如下：
Figure 313649DEST_PATH_IMAGE005
式中，
Figure 313704DEST_PATH_IMAGE006
为负荷径向基函数神经网络的权系数。
5.如权利要求2所述的方法，其特征在于，所述以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：
以所述历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；
求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；
将所述离散响应函数映射到神经网络中，并以所述历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对所述神经网络进行训练，提取完成训练的所述神经网络中的方程系数，得到白化方程；
基于所述历史时段内用户的电供暖负荷数据，采用所述白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算所述白化预测数据与对应未来时刻的电供暖负荷数据间的残差；
根据所述残差判断所述白化方程是否达到预设精度要求：若是，则将所述白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对所述白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；
其中，所述残差径向基函数神经网络是以历史时段内采用所述白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。
6.如权利要求5所述的方法，其特征在于，所述采用残差径向基函数神经网络对所述白化方程进行残差修正，包括：
将采用所述白化方程预测得到的白化预测数据输入残差径向基函数神经网络，得到残差预测值；
将所述残差预测值加上白化预测数据得到新的白化预测数据；
将新的白化预测数据与历史时段内用户的电供暖负荷数据间的对应关系作为残差修正后的白化方程。
7.如权利要求2所述的方法，其特征在于，所述将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值，包括：
将所述电供暖负荷数据输入灰色预测模型，得到未来时刻用户的电供暖负荷的灰色预测值，将所述居民用电影响因素数据输入负荷径向基函数神经网络，得到未来时刻用户的电供暖负荷的神经网络预测值；
以灰色预测模型对应的权系数作为灰色预测值的权重，以负荷径向基函数神经网络对应的权系数作为神经网络预测值的权重，对所述灰色预测值和神经网络预测值进行加权求和，得到未来时刻用户的电供暖负荷预测值。
8.如权利要求1所述的方法，其特征在于，所述居民用电影响因素数据至少包括下述中的一种或多种：
温湿度要求、认同舒适度指数、用电习惯、节假日、建筑围护结构和室外气象条件。
9.如权利要求1所述的方法，其特征在于，所述获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据之后，且将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型之前，还包括：
对所述电供暖负荷数据中的遗漏数据进行填补，对所述电供暖负荷数据中的异常数据进行识别和修正，并将所述电供暖负荷数据进行归一化。
10.一种电供暖负荷预测系统，其特征在于，包括：数据获取模块和预测模块；
所述数据获取模块，用于获取用户当前时刻前一段时间内的电供暖负荷数据和居民用电影响因素数据；
所述预测模块，用于将所述电供暖负荷数据和居民用电影响因素数据输入预先构建的灰色径向基函数神经网络组合预测模型，得到未来时刻用户的电供暖负荷预测值；
其中，所述灰色径向基函数神经网络组合预测模型采用灰色预测模型和基于居民用电影响因素的负荷径向基函数神经网络对电供暖负荷预测值对电供暖负荷进行预测。
11.如权利要求10所述的系统，其特征在于，所述预测模块中灰色径向基函数神经网络组合预测模型的构建，包括：
获取历史时段内用户的电供暖负荷数据以及居民用电影响因素数据，以及历史时段对应未来时刻的电供暖负荷数据；
以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型；
以所述历史时段内的居民用电影响因素数据为输入，以所述历史时段对应未来时刻的电供暖负荷数据为输出构建并训练负荷径向基函数神经网络；
分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，并根据所述方差，分别计算灰色预测模型和负荷径向基函数神经网络的权系数；
以所述灰色预测模型及对应的权系数和负荷径向基函数神经网络及对应的权系数构成灰色径向基函数神经网络组合预测模型。
12.如权利要求11所述的系统，其特征在于，所述预测模块分别计算所述灰色预测模型和负荷径向基函数神经网络对电供暖负荷进行预测时的方差，包括：
基于所述历史时段内用户的电供暖负荷数据，采用所述灰色预测模型进行预测，得到历史时段对应未来时刻的电供暖负荷的灰色预测值，并根据历史时段对应未来时刻的电供暖负荷的灰色预测值和电供暖负荷数据，计算灰色预测模型的进行预测时的方差；
基于所述历史时段内的居民用电影响因素数据，采用所述负荷径向基函数神经网络进行预测，得到历史时段对应未来时刻的电供暖负荷的神经网络预测值，并根据历史时段对应未来时刻的电供暖负荷的神经网络预测值和电供暖负荷数据，计算负荷径向基函数神经网络进行预测时的方差。
13.如权利要求11所述的系统，其特征在于，所述预测模块以所述历史时段内用户的电供暖负荷数据为原始数列，构建灰色预测模型，包括：
以所述历史时段内用户的电供暖负荷数据为原始数列进行累加，得到累加生成序列；
求解累加生成序列对应的灰色微分方程，得到对应的离散响应函数；
将所述离散响应函数映射到神经网络中，并以所述历史时段内用户的电供暖负荷数据为输入，以历史时段对应未来时刻的电供暖负荷数据为输出，对所述神经网络进行训练，提取完成训练的所述神经网络中的方程系数，得到白化方程；
基于所述历史时段内用户的电供暖负荷数据，采用所述白化方程进行预测，得到历史时段对应未来时刻的电供暖负荷的白化预测数据，并计算所述白化预测数据与对应未来时刻的电供暖负荷数据间的残差；
根据所述残差判断所述白化方程是否达到预设精度要求：若是，则将所述白化方程作为灰色预测模型；否则采用残差径向基函数神经网络对所述白化方程进行残差修正，直到残差修正后的白化方程达到预设精度要求；
其中，所述残差径向基函数神经网络是以历史时段内采用所述白化方程进行预测得到的白化预测数据为输入，以白化预测数据与对应未来时刻的电供暖负荷数据间的残差为输出，构建并训练得到的。
14.如权利要求11所述的系统，其特征在于，所述预测模块，具体用于：
将所述电供暖负荷数据输入灰色预测模型，得到未来时刻用户的电供暖负荷的灰色预测值，将所述居民用电影响因素数据输入负荷径向基函数神经网络，得到未来时刻用户的电供暖负荷的神经网络预测值；
以灰色预测模型对应的权系数作为灰色预测值的权重，以负荷径向基函数神经网络对应的权系数作为神经网络预测值的权重，对所述灰色预测值和神经网络预测值进行加权求和，得到未来时刻用户的电供暖负荷预测值。
15.一种计算机设备，其特征在于，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至9中任一项所述的电供暖负荷预测方法。
16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至9中任一项所述的电供暖负荷预测方法。
CN202210888566.7A 2022-07-27 2022-07-27 一种电供暖负荷预测方法、系统、设备和介质 Pending CN114971090A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888566.7A CN114971090A (zh) 2022-07-27 2022-07-27 一种电供暖负荷预测方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888566.7A CN114971090A (zh) 2022-07-27 2022-07-27 一种电供暖负荷预测方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN114971090A true CN114971090A (zh) 2022-08-30

Family

ID=82969770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888566.7A Pending CN114971090A (zh) 2022-07-27 2022-07-27 一种电供暖负荷预测方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN114971090A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511197A (zh) * 2022-10-11 2022-12-23 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种高寒地区换热站供热负荷预测方法
CN115907131A (zh) * 2022-11-16 2023-04-04 国网宁夏电力有限公司经济技术研究院 一种北方地区电采暖负荷预测模型搭建方法和系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976841A (zh) * 2010-10-21 2011-02-16 河北省电力研究院 电力系统各级负荷预测指标的均衡匹配方法
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷系统优化控制方法
CN104573854A (zh) * 2014-12-23 2015-04-29 国家电网公司 钢铁用电量的预测方法及装置
CN108197773A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力负荷预测方法、电力负荷预测装置及终端设备
JP2018181268A (ja) * 2017-04-21 2018-11-15 富士電機株式会社 需給計画計算支援装置、方法、及びプログラム
JP2020202739A (ja) * 2019-06-06 2020-12-17 国立大学法人九州大学 電力需要量予測装置及び電力需要量予測方法
CN112488399A (zh) * 2020-12-04 2021-03-12 国网冀北电力有限公司计量中心 电力负荷预测方法及装置
CN112598181A (zh) * 2020-12-23 2021-04-02 国网河北省电力有限公司经济技术研究院 负荷预测方法、装置、设备和存储介质
CN112686449A (zh) * 2020-12-31 2021-04-20 国网河南省电力公司经济技术研究院 基于人体气象舒适度指数的居民用电预测方法
CN112734128A (zh) * 2021-01-19 2021-04-30 重庆大学 一种基于优化rbf的7日电力负荷峰值预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976841A (zh) * 2010-10-21 2011-02-16 河北省电力研究院 电力系统各级负荷预测指标的均衡匹配方法
CN103912966A (zh) * 2014-03-31 2014-07-09 武汉科技大学 一种地源热泵制冷系统优化控制方法
CN104573854A (zh) * 2014-12-23 2015-04-29 国家电网公司 钢铁用电量的预测方法及装置
JP2018181268A (ja) * 2017-04-21 2018-11-15 富士電機株式会社 需給計画計算支援装置、方法、及びプログラム
CN108197773A (zh) * 2017-12-08 2018-06-22 囯网河北省电力有限公司电力科学研究院 电力负荷预测方法、电力负荷预测装置及终端设备
JP2020202739A (ja) * 2019-06-06 2020-12-17 国立大学法人九州大学 電力需要量予測装置及び電力需要量予測方法
CN112488399A (zh) * 2020-12-04 2021-03-12 国网冀北电力有限公司计量中心 电力负荷预测方法及装置
CN112598181A (zh) * 2020-12-23 2021-04-02 国网河北省电力有限公司经济技术研究院 负荷预测方法、装置、设备和存储介质
CN112686449A (zh) * 2020-12-31 2021-04-20 国网河南省电力公司经济技术研究院 基于人体气象舒适度指数的居民用电预测方法
CN112734128A (zh) * 2021-01-19 2021-04-30 重庆大学 一种基于优化rbf的7日电力负荷峰值预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李双等: "电供暖系统负荷平衡控制", 《长春工业大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115511197A (zh) * 2022-10-11 2022-12-23 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种高寒地区换热站供热负荷预测方法
CN115511197B (zh) * 2022-10-11 2023-09-08 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种高寒地区换热站供热负荷预测方法
CN115907131A (zh) * 2022-11-16 2023-04-04 国网宁夏电力有限公司经济技术研究院 一种北方地区电采暖负荷预测模型搭建方法和系统

Similar Documents

Publication Publication Date Title
CN108280552B (zh) 基于深度学习的电力负荷预测方法和系统、存储介质
CN108197744B (zh) 一种光伏发电功率的确定方法及系统
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN112990500B (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN107909221A (zh) 基于组合神经网络的电力系统短期负荷预测方法
CN109948920B (zh) 一种基于证据理论的电力市场结算数据风险处理方法
CN116316599A (zh) 一种智能用电负荷预测方法
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114169434A (zh) 一种负荷预测方法
CN116596044A (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN110766190A (zh) 一种配电网负荷预测方法
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN115115127A (zh) 一种基于深度学习的低压台区智能调控方法及系统
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN106295877B (zh) 一种智能电网电能使用量预测方法
CN114692981A (zh) 基于Seq2Seq模型的中长期径流预报方法和系统
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116316617B (zh) 多场站智能融合的新能源发电功率区域预测方法和系统

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: 20220830