一種智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測系統(tǒng)及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于電力系統(tǒng)技術(shù)領(lǐng)域，尤其涉及一種智能電網(wǎng)園區(qū)終端用戶能源需求狀 況動態(tài)預(yù)測系統(tǒng)及方法。
【背景技術(shù)】
[0002] 負(fù)荷預(yù)測作為智能電網(wǎng)園區(qū)能量管理的重要組成部分，為智能電網(wǎng)園區(qū)的規(guī)劃建 設(shè)、運行優(yōu)化管理等各個環(huán)節(jié)提供重要的決策支持。但是智能電網(wǎng)園區(qū)用戶終端數(shù)量眾多， 類型復(fù)雜，工業(yè)用戶、數(shù)據(jù)中心以及公共機(jī)構(gòu)等用戶的用能曲線存在差異，對冷熱電負(fù)荷的 需求狀況有較大差別，負(fù)荷預(yù)測存在一定難度。
[0003]傳統(tǒng)的負(fù)荷預(yù)測方法主要有時間序列法和回歸分析法，時間序列法沒有考慮天氣 對負(fù)荷的影響，而回歸分析法難以解決負(fù)荷與天氣等變量之間的動態(tài)的、非線性的關(guān)系，針 對園區(qū)用戶類型較多，帶負(fù)荷需求存在差異的情況，傳統(tǒng)方法的預(yù)測精度不能令人滿意，在 面對海量數(shù)據(jù)的處理與挖掘上也存在不足。如何將海量數(shù)據(jù)挖掘技術(shù)應(yīng)用在能源需求動態(tài) 預(yù)測技術(shù)上，發(fā)揮數(shù)據(jù)挖掘和智能算法的優(yōu)勢，提高預(yù)測的精度和效率，是擺在智能電網(wǎng)園 區(qū)管理者面前的一個突出問題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測系統(tǒng) 及方法，旨在解決傳統(tǒng)負(fù)荷預(yù)測方法存在的預(yù)測精度不能令人滿意，在面對海量數(shù)據(jù)處理 與挖掘上也存在不足的問題。
[0005]本發(fā)明是這樣實現(xiàn)的，一種智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測方法， 所述智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測方法包括：
[0006]首先對影響智能電網(wǎng)園區(qū)終端用戶冷熱電負(fù)荷需求的最高溫度、最低溫度、平均 溫度、降雨量、風(fēng)速、太陽輻射強(qiáng)度氣象因素進(jìn)行主成分分析；
[0007]其次將相關(guān)變量轉(zhuǎn)換成少數(shù)線性無關(guān)的隨機(jī)變量；將天氣因素和日類型進(jìn)行量 化，與歷史負(fù)荷數(shù)據(jù)采用模糊聚類方法進(jìn)行分析形成樣本；
[0008]然后將智能電網(wǎng)園區(qū)中多種類型的負(fù)荷、多種類型的分布式供能系統(tǒng)的負(fù)荷特性 均體現(xiàn)在負(fù)荷曲線中；
[0009] 最后按照BP神經(jīng)網(wǎng)絡(luò)算法流程對模型進(jìn)行求解，得到冷熱電負(fù)荷預(yù)測結(jié)果。
[0010] 進(jìn)一步，所述智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測方法具體包括以下步 驟：
[0011] 第一步，運用主成分分析法對影響負(fù)荷的多種因素進(jìn)行分析；基于模糊聚類分析 法對用戶類型進(jìn)行分類；對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，網(wǎng)絡(luò)收斂后，對智能電網(wǎng)園區(qū)的 冷熱電負(fù)荷進(jìn)行動態(tài)預(yù)測；
[0012] 第二步，以歐氏距離最短的類別作為預(yù)測日的類別，建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測， 得到智能電網(wǎng)園區(qū)終端用戶冷熱電負(fù)荷數(shù)據(jù)。
[0013] 進(jìn)一步，所述運用主成分分析法對影響負(fù)荷多種因素進(jìn)行分析的步驟包括：
[0014] 步驟一、對樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：
[0015] 原始數(shù)據(jù)矩陣：
[0016]
[0017] 式中，n是樣本個數(shù)；p是每個樣本維數(shù)；X1,為第i個樣本的第j維取值，用 X1,X2,…，Xp分別表不矩陣X的各列矢量，有：
[0022] 式中CovdXj)表示數(shù)據(jù)矩陣中第i列與第j列之間的協(xié)方差；
[0023] 步驟三、求正交矩陣及其特征值：
[0024] PtRP=diag(入！，入 2,…，入 p);
[0025] 式中人 > 人 >…彡人#R的P個特征值，diag表示對角矩陣。
[0026] 進(jìn)一步，所述模糊聚類分析對歷史負(fù)荷數(shù)據(jù)聚類步驟包括：
[0027] 步驟一、對樣本數(shù)據(jù)進(jìn)行規(guī)格化處理：
[0028] X'Jk=(XJk-xkmin)/(Xkmax-Xkmin);
[0029] 式中，Xkmax、xkmir^v別為Xlk,x2k,…，Xnk的最大值和最小值；x' _jk為規(guī)格化后的數(shù)據(jù)；
[0030] 步驟二、建立模糊相似關(guān)系矩陣R=Ir1):
[0034] 式中i為A從高到低的聚合序次數(shù)，叫和nii分別為第i次和第i-1次聚類的元 素個數(shù)；Ai和Aii分別為第i次和第i-1次聚類時的置信水平，若C1=max(C,)，則認(rèn)為 第i次聚類的置信水平Ai為最佳閾值；
[0035] 步驟四、計算預(yù)測日與上述各類的歐氏距離：
[0037] 式中x'lk為預(yù)測日的特性指標(biāo)矢量，x']k為各分類的特性指標(biāo)矢量。
[0038] 本發(fā)明的另一目的在于提供一種智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測 系統(tǒng)，所述智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測系統(tǒng)包括：
[0039] 主成分分析模塊，對影響智能電網(wǎng)園區(qū)終端用戶冷熱電負(fù)荷需求的最高溫度、最 低溫度、平均溫度、降雨量、風(fēng)速、太陽輻射強(qiáng)度氣象因素進(jìn)行主成分分析；
[0040] 分析樣本形成模塊，將相關(guān)變量轉(zhuǎn)換成少數(shù)線性無關(guān)的隨機(jī)變量；將天氣因素和 日類型進(jìn)行量化，與歷史負(fù)荷數(shù)據(jù)采用模糊聚類方法進(jìn)行分析形成樣本；
[0041]負(fù)荷特性曲線模塊，將智能電網(wǎng)園區(qū)中多種類型的負(fù)荷、多種類型的分布式供能 系統(tǒng)的負(fù)荷特性均體現(xiàn)在負(fù)荷曲線中；
[0042] 負(fù)荷預(yù)測模塊，按照BP神經(jīng)網(wǎng)絡(luò)算法流程對模型進(jìn)行求解，得到冷熱電負(fù)荷預(yù)測 結(jié)果。
[0043] 本發(fā)明提供的智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測系統(tǒng)及方法，結(jié)合智 能電網(wǎng)園區(qū)內(nèi)冷熱電負(fù)荷需求的特點，基于數(shù)據(jù)挖掘技術(shù)，綜合考慮影響負(fù)荷需求的歷史 負(fù)荷因素和氣象因素，將時間序列法和回歸分析法相結(jié)合，通過組合預(yù)測方法取得了令人 滿意的預(yù)測精度。本發(fā)明還充分考慮了智能電網(wǎng)園區(qū)冷熱電負(fù)荷的差異和特點，利用數(shù)據(jù) 挖掘技術(shù)降低網(wǎng)絡(luò)規(guī)模并提高預(yù)測精度，同時還充分發(fā)揮BP神經(jīng)網(wǎng)絡(luò)在大規(guī)模并行處理 和自適應(yīng)學(xué)習(xí)能力方面的優(yōu)勢，提高了智能電網(wǎng)園區(qū)冷熱電負(fù)荷預(yù)測的精度。
[0044] 本發(fā)明結(jié)合智能電網(wǎng)園區(qū)內(nèi)冷熱電負(fù)荷需求的特點，基于數(shù)據(jù)挖掘技術(shù)，綜合考 慮影響負(fù)荷需求的歷史負(fù)荷因素和氣象因素，將時間序列法和回歸分析法相結(jié)合，通過組 合預(yù)測方法取得了令人滿意的預(yù)測精度；本發(fā)明運用主成分分析法，將影響冷熱電負(fù)荷需 求的眾多相關(guān)變量轉(zhuǎn)換成少數(shù)幾個主成分，降低網(wǎng)絡(luò)的規(guī)模；運用模糊聚類分析方法，對歷 史負(fù)荷數(shù)據(jù)進(jìn)行聚類，取歐氏距離最短的一類作為預(yù)測日的類別，該類包含的樣本即為BP 網(wǎng)絡(luò)的訓(xùn)練樣本；合理調(diào)整BP網(wǎng)絡(luò)的權(quán)值和閥值，網(wǎng)絡(luò)收斂后，對智能電網(wǎng)園區(qū)終端用戶 的冷熱電負(fù)荷進(jìn)行預(yù)測。
【附圖說明】
[0045] 圖1是本發(fā)明實施例提供的智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測方法 流程圖；
[0046]圖2是本發(fā)明實施例提供的智能電網(wǎng)園區(qū)電負(fù)荷曲線不意圖；
[0047] 圖3是本發(fā)明實施例提供的智能電網(wǎng)園區(qū)熱負(fù)荷曲線示意圖；
[0048] 圖4是本發(fā)明實施例提供的智能電網(wǎng)園區(qū)冷熱荷曲線示意圖；
[0049] 圖5是本發(fā)明實施例提供的運用BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行負(fù)荷預(yù)測的流程圖；
[0050] 圖6是本發(fā)明實施例提供的按照BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電負(fù)荷預(yù)測得到的預(yù)測負(fù) 荷與實際負(fù)荷對比圖；
[0051] 圖7是本發(fā)明實施例提供的按照BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行熱負(fù)荷預(yù)測得到的預(yù)測負(fù) 荷與實際負(fù)荷對比圖；
[0052] 圖8是本發(fā)明實施例提供的按照BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行冷負(fù)荷預(yù)測得到的預(yù)測負(fù) 荷與實際負(fù)荷對比圖。
【具體實施方式】
[0053] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明 進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于 限定本發(fā)明。
[0054] 本發(fā)明的基于數(shù)據(jù)挖掘技術(shù)和BP神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)園區(qū)終端用戶能源需求狀 況動態(tài)預(yù)測方法，用于解決現(xiàn)有的智能電網(wǎng)園區(qū)冷熱電負(fù)荷預(yù)測過程中考慮因素不足、數(shù) 據(jù)挖掘深度不足和預(yù)測精度較低等技術(shù)問題；將數(shù)據(jù)挖掘技術(shù)與智能算法結(jié)合，通過組合 預(yù)測方法提高冷熱電負(fù)荷預(yù)測的精度。
[0055] 下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細(xì)的描述。
[0056] 如圖1所示，本發(fā)明實施例的智能電網(wǎng)園區(qū)終端用戶能源需求狀況動態(tài)預(yù)測方法 包括以下步驟：
[0057] SlOl :對影響智能電網(wǎng)園區(qū)終端用戶冷熱電負(fù)荷需求的最高溫