一种分布式能源用户侧冷热电短期负荷预测方法及系统

摘要

本发明公开了一种分布式能源用户侧冷热电短期负荷预测方法及系统，通过划分用户侧的负荷特性影响因素，并对其进行相关性分析，再根据分析结果，选取与用户侧冷热电负荷相关性较强的影响因素作为特征，构建日特征向量，确定特征误差绝对值向量，计算各特征权重，分析历史日与预测日的相似误差，选取合理负荷相似日，计算各负荷相似日权重，再与相似日负荷相乘，求取加权和，即可实现用户侧短期负荷的快速预测，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。

说明书

技术领域

本发明属于能源系统用户侧负荷预测技术领域，具体涉及一种适用于分布式能源用户侧的冷热电短期负荷预测方法及系统。

背景技术

随着我国城镇化的迅速推进和城市群空间格局的逐步形成，建设资源节约型和环境友好型社会的思想已深入人心。分布式能源因其多样的能源供给形式，清洁高效的能源转换过程，以及分散的系统模块化布置，在国内部分大中型城市受到广泛青睐。考虑到用户侧负荷需求的随机性，为了有效利用分布式能源中风电、太阳能等可再生能源，需要提前制定合理的供能计划，而对分布式能源用户侧冷热电短期负荷进行准确预测正是能源调度机构制定合理供能计划、安排机组运行策略、保证能源供需平衡的重要保障。

现有用户侧短期负荷预测技术主要是基于时间序列、回归分析、相似日等传统数理统计方法，或基于支持向量机、灰色理论分析、人工神经网络、专家系统等现代智能方法分别对冷热电负荷进行预测。上述预测方法均以大量历史负荷数据为基础，预测过程中需对大量参数进行辨识或采用复杂的智能算法训练预测模型，运算速度慢，在工程应用中难以快速预测负荷，让运行人员及时调整调度计划。

发明内容

针对分布式能源用户侧短期冷热电负荷预测现有技术存在运算速度慢的弊端，提出了一种在保证负荷预测精度的同时，能够有效提高运算速度的用户侧短期冷热电负荷预测方法及系统。

本发明采用以下技术方案予以实现：

一种分布式能源用户侧冷热电短期负荷预测方法，包括以下步骤：

步骤1，划分用户侧的负荷特性影响因素，并分别对冷、热电负荷特性影响因素进行相关性分析，确定各影响因素与负荷之间的相关系数；

步骤2，根据各影响因素与负荷之间的相关系数，选取与用户侧冷热电负荷相关性较强的多个影响因素作为特征，构建历史日的日特征向量和预测日的日特征向量，并确定历史日与预测日的特征误差绝对值向量；

步骤3，计算各特征信息熵，确定各特征权重，并结合特征误差绝对值向量确定历史日的日特征向量与预测日的日特征向量的相似误差，根据相似误差的大小，从历史日中选取多个预测日的负荷相似日；

步骤4，计算各负荷相似日信息熵，确定各负荷相似日权重，并结合相似日的逐时负荷，计算得到预测日的逐时负荷。

优选的，步骤1中，对于影响因素可作定量分析，计算各影响因素与负荷的相关系数，计算公式如下所示：

式中，r

优选的，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、风速、降水等；非气象因素包括：经济、政策、日类型、需求侧管理等。

优选的，步骤2中将各历史日的日特征向量分别与预测日的日特征向量对应求差，得到特征误差绝对值向量δ

δ

式中，X

优选的，步骤3中确定特征权重的方法如下：

根据预测日的日特征向量和历史日的日特征向量，组成特征评价矩阵，并经标准化得到特征评价标准矩阵R＝[r

再根据比重P

假定P

进而确定各特征的权重w

式中，

优选的，步骤3中将各特征权重与特征误差绝对值向量相乘并求和，得到各历史日的日特征向量与预测日的日特征向量的相似误差ξ

ξ

从历史日中选取相似误差最小的k天作为预测日的k个负荷相似日，相似日逐时负荷分别为L

优选的，步骤4中根据负荷相似日的日特征向量相似误差，确定各负荷相似日的权重，相似误差越小的负荷相似日权重越大，负荷相似日权重分别与相似日的逐时负荷求取加权和，即可得到预测日的逐时负荷L

L

式中，L

一种分布式能源用户侧冷热电短期负荷预测方法的系统，包括负荷影响因素分析模块、日特征向量构建模块、负荷相似日选取模块和短期负荷预测模块.

负荷影响因素分析模块，用于对冷热电负荷特性影响因素进行相关性分析，确定各影响因素与负荷之间的相关系数；

日特征向量构建模块，用于选取相关系数较强的多个影响因素，构建预测如和历史日的日特征向量，并确定特征误差绝对值向量；

负荷相似日选取模块，用于确定各特征权重，分析历史日与预测日的日特征向量的相似误差，选取负荷相似日；

短期负荷预测模块，用于确定各负荷相似日的权重，并结合相似日的逐时负荷，得到预测日的逐时负荷。

一种终端系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现种分布式能源用户侧冷热电短期负荷预测方法的步骤。

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冷热电短期负荷预测方法，对冷热电负荷特性影响因素进行相关性分析，构建日特征向量，确定特征误差绝对值向量；计算各个特征的熵权，确定各个特征的权重，并利用历史日与预测日的相似误差选取多个负荷相似日；然后根据相似误差再次确定各个负荷相似日的权重，再将相似日的逐时负荷按权重加和得到预测日的逐时负荷。本发明充分挖掘了传统权重算法中评价指标信息熵所包含的信息，得到了更恰当的权重，从而选出相似度高的负荷相似日，预测结果精度高，运算速度快，方法适应性强。

附图说明

图1为本发明一种分布式能源用户侧冷热电短期负荷预测方法的流程图。

图2为本发明一种分布式能源用户侧冷热电短期负荷预测系统的结构框图。

图3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4为本发明获得的北京地区某分布式能源用户侧预测日短期热负荷曲线。

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冷热电短期负荷预测方法，包括以下步骤：

步骤1，划分用户侧的负荷特性影响因素，并依据积差法计算各因素与负荷之间的相关系数，分析各因素与负荷之间的相关性。

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、风速、降水等；非气象因素包括：经济、政策、日类型、需求侧管理等。

对于参数类影响因素可作定量分析，计算各影响因素与负荷之间的相关系数，相关系数的计算公式如下所示：

式中，r

步骤2，根据用户侧负荷特性影响因素分析结果，选取与用户侧冷热电负荷相关性较强的多个影响因素作为特征，构建历史日的日特征向量和预测日的日特征向量，并求取特征误差绝对值向量。

所构建的预测日与m个历史日的日特征向量分别为X

δ

步骤3，确定各特征的权重，分析历史日的日特征向量与预测日的日特征向量相似误差，选取负荷相似日。

根据预测日与历史日的日特征向量，构建特征评价矩阵，经标准化得到特征评价标准矩阵R＝[r

计算第j个特征的信息熵H

假定P

计算第j个特征的权重w

式中，

将各特征权重与特征误差绝对值向量相乘，求和，计算各历史日与预测日的相似误差ξ

ξ

选取相似误差最小的k天作为预测日的k个负荷相似日，相似日的逐时负荷分别为L

步骤4，计算各负荷相似日的权重，分别与相似日的逐时负荷相乘，求取加权和，即可获得预测日的逐时负荷，进而根据预测日的逐时负荷调整调度计划。

相似日与预测日的负荷具有很大的相似性，相似误差表征了两者之间的差异程度，相似误差越小表示相似日与预测日的负荷越相像，预测时应被赋予更大权重。根据相似误差，可利用步骤3所述类似方法确定各负荷相似日权重W

L

本发明还提供了一种分布式能源用户侧冷热电短期负荷预测系统，如图1所示，包括：负荷影响因素分析模块1、日特征向量构建模块2、负荷相似日选取模块3和短期负荷预测模块4。

负荷影响因素分析模块，用于对冷热电负荷特性影响因素进行相关性分析，确定各影响因素与负荷之间的相关系数；

日特征向量构建模块，用于根据相关系数较强的多个影响因素，构建预测如和历史日的日特征向量，并确定特征误差绝对值向量；

负荷相似日选取模块，用于确定各个日特征向量的权重，分析历史日与预测日的日特征向量的相似误差，选取负荷相似日；

短期负荷预测模块，用于确定各负荷相似日的权重，并结合相似日的逐时负荷，得到预测日的逐时负荷。

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3为上述能源用户侧全年逐时冷热电负荷曲线。

步骤1，划分用户侧的负荷特性影响因素，并依据积差法计算各因素与负荷之间的相关系数，分析各因素与负荷之间的相关系数。本例针对北京地区某分布式能源用户侧干球温度、含湿量等常见气象因素作定量分析，如表1所示。

表1日最大最小冷热负荷与日最高最低温度、日最高含湿量的相关系数

由相关系数知，用户侧最大最小冷负荷均与日最低温度、日最高含湿量的相关性较强，最大最小热负荷与日最高温度和日最低温度的相关性都比较强。

步骤2，本实施例根据上述分析结果，以热负荷预测为例，选取日平均温度、日最高温度、日最低温度、日平均含湿量、日最大含湿量、日最小含湿量、前一日最高温度、前一日最低温度、以及前一日8点至20点每隔4小时的热负荷数据共12个因素作为特征，构建日特征向量。假设供暖季为11月15日至3月15日，则所构建的日特征向量，如表2所示，现对2月21日热负荷进行预测，求取特征误差绝对值向量，如表3所示。

表2热负荷预测日特征向量

表3热负荷预测特征误差绝对值向量

步骤3，根据日特征向量，构建特征评价矩阵，经标准化后，计算得各特征信息熵和熵权，如表4所示。将各特征熵权与特征误差绝对值向量相乘，求和，计算各历史日与预测日的相似误差，如表5所示。选取相似误差最小的3天作为预测日2月21日的3个负荷相似日：2月20日、12月12日、1月3日。

表4各特征信息熵及熵权

表5历史日与预测日的相似误差

步骤4，根据相似误差，可利用步骤3所述类似方法，计算确定各负荷相似日权重，如表6所示，再分别与负荷相似日2月20日、12月12日、1月3日的逐时负荷相乘，求取加权和，即可得到预测日2月21日的逐时负荷如图4所示，负荷预测值与实际值相比，数值很接近，曲线走势也大致相同，经计算，平均绝对百分误差MAPE为3.89％，满足短期负荷预测精度要求。

表6各负荷相似日信息熵及熵权

上述具体实施例表明：依据本发明提供的分布式能源用户侧冷热电短期负荷预测方法能够在保证短期负荷预测精度的同时，有效提高运算速度，从而实现用户侧短期负荷的快速预测，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。

在示例性实施例中，还提供了一种终端系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述分布式能源用户侧冷热电短期负荷预测方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，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。

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。