一种分布式能源用户侧逐时负荷预测方法及系统与流程

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.本发明是通过以下技术方案来实现：
6.一种分布式能源用户侧逐时负荷预测方法，包括以下步骤：
7.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；
8.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；
9.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；
10.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；
11.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。
12.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：
[0013][0014]
式中，r
fx
为负荷f和影响因素x的pearson相关系数；f
j
、x
j
分别为负荷f和影响因素x的第j个样本点；分别为负荷f和影响因素x的平均值；m为样本个数。
[0015]
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；
[0016]
所述气象因素包括：温度、湿度、太阳辐射、风速、降水、天气；
[0017]
非气象因素包括：经济、政策、日类型、需求侧管理。
[0018]
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：
[0019]
δ
t
＝(x
1j
，x
2j
，
…
，x
nj
；f(x
1j
，x
2j
，
…
，x
nj
))，j＝1，2，
…
，m
[0020]
式中，δ
t
为某时刻用户侧冷热电负荷逐日特征向量，t＝0，1，
…
，23，x
1j
，x
2j
，
…
，x
nj
为用户侧冷热电负荷的各特征变量，f(x
1j
，x
2j
，
…
，x
nj
)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。
[0021]
优选的，步骤3中所述多元非线性回归模型的表达式如下：
[0022][0023]
式中，s为拟合函数，为多项式函数，α
i
为多项式系数，k为多项式阶次。
[0024]
优选的，所述各特征变量采用多项式函数关系表达：
[0025][0026]
式中：a0为常数项，b
w
，c
u
，
…
d
v
分别为特征变量x
1j
，x
2j
，
…
，x
nj
的拟合系数，w，u，
…
v为特征变量x
1j
，x
2j
，
…
，x
nj
的阶次。
[0027]
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。
[0028]
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。
[0029]
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；
[0030]
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。
[0031][0032]
式中，f
j
是实际值，是实际值的平均值，是回归估计值，即带入方程计算得到的估计值。
[0033]
一种分布式能源用户侧逐时负荷预测方法的系统，包括，
[0034]
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；
[0035]
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；
[0036]
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；
[0037]
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；
[0038]
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；
[0039]
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。
[0040]
与现有技术相比，本发明具有以下有益的技术效果：
[0041]
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
[0042]
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。
[0043]
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。
[0044]
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。
[0045]
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
[0046]
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。
[0047]
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：
[0048]
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。
[0049]
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。
[0050]
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：
[0051][0052]
式中，r
fx
为负荷f和影响因素x的pearson相关系数；f
j
、x
j
分别为负荷f和影响因素x的第j个样本点；分别为负荷f和影响因素x的平均值；m为样本个数。
[0053]
相关系数r
fx
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。
[0054]
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。
[0055]
具体计算公式如下所示：
[0056]
δ
t
＝(x
1j
，x
2j
，
…
，x
nj
；f(x
1j
，x
2j
，
…
，x
nj
))，j＝1，2，
…
，m
[0057]
式中，δ
t
为某时刻用户侧冷热电负荷逐日特征向量，t＝0，1，
…
，23，x
1j
，x
2j
，
…
，x
nj
为用户侧冷热电负荷的各特征变量，f(x
1j
，x
2j
，
…
，x
nj
)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。
[0058]
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。
[0059]
具体如下：
[0060]
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：
[0061][0062]
使得
[0063][0064]
式中，s为拟合函数，为多项式函数，α
i
为多项式系数，k为多项式阶次。
[0065]
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：
[0066][0067]
式中：a0为常数项，b
w
，c
u
，
…
d
v
分别为特征变量x
1j
，x
2j
，
…
，x
nj
的拟合系数，w，u，
…
v为特征变量x
1j
，x
2j
，
…
，x
nj
的阶次。
[0068]
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。
[0069]
具体如下：
[0070]
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：
[0071]
δ1＝0.8δ
t
＝(x
1j
，x
2j
，
…
，x
nj
；f(x
1j
，x
2j
，
…
，x
nj
))，j＝1，2，
…
，0.8m
[0072]
式中，δ1为训练日样本向量。
[0073]
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。
[0074][0075]
式中，f
j
是实际值，是实际值的平均值，是回归估计值，即带入方程计算得到的估计值。
[0076]
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。
[0077]
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。
[0078]
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。
[0079]
实施例1
[0080]
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。
[0081]
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。
[0082]
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
[0083][0084][0085]
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。
[0086]
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。
[0087]
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。
[0088][0089]
式中：s为拟合函数，a0为常数项，b
w
，c
u
，d
v
分别为特征变量干球温度x
1j
、含湿量x
2j
、太阳辐射x
3j
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。
[0090]
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。
[0091]
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：
[0092][0093]
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。
[0094]
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。
[0095]
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。
[0096]
表2逐日热负荷预测值与实际值的误差分布
[0097][0098][0099]
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。
[0100]
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。
[0101]
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。