[发明专利]一种电采暖负荷预测方法

说明书

技术领域

本发明属于负荷预测技术领域，尤其是涉及一种电采暖负荷预测方法。

背景技术

供热行业密切联系着人们的日常生活，对整个国民经济的发展起着举足轻重的作用。为降低能源消耗和减少城镇环境污染，目前我国大部分城市采用集中供热的方式进行供热。我国北方城镇普遍采用集中供热方式进行采暖，采暖能耗成为了建筑能源消耗的最大组成部分，因此供暖节能是我国建筑节能工作中潜力最大、最有效的途径之一。

集中供热系统中单纯依靠用户和企业的自发行为，以及建筑节能标准的强制推行只能对新建居住建筑和公共建筑的供热节能起到一定的作用，但对已有建筑的节能并没有明显作用。供热计量能够有效地指导用户和企业的用热行为。供热计量不仅只是对用户的末端热计量，更是对整个供热系统的热计量——热源级(包括热力站)计量、热入口级计量和用户级计量三种热计量方式。供热本身就是一个具有时滞性、时变性、非线性、强耦合、不确定等特点的过程。采用供热计量(分户热计量)后，更加增强了供热系统的非线性和不确定性。传统的控制方法难以应对供热过程中的这些特点，进而突出了对其进行先进控制策略研究的重要意义。为了达到节能的效果，供热系统需执行按需供热方针，即实时调度供热系统的运行过程，并且对其进行自动控制，来提高供热系统的能源利用率。要对供热系统进行按需供热，就要准确的知道供热系统的电采暖负荷值。供热过程的特点和传统的控制方法的局限性就要求能够准确地预测供热系统的电采暖负荷。电采暖负荷预测一般是指从原有的、历史的电采暖负荷数据出发，综合考虑各种影响因素，掌握其变化规律，最终实现对将来某一时刻或某一段时间电采暖负荷的准确预测。电采暖负荷预测一方面指导着供热规划，决定着系统中供热设备的类型和新增负荷的大小；同时也指导着供热系统的运行，其能准确的确定供热参数、储备容量、系统的运行状态等情况，使锅炉的运行和换热设备的检修更合理。

因此，对集中供热的电采暖负荷预测的研究具有很强的实际意义。通过对电采暖负荷快速准确的预测，使供热系统实现精细化运行管理，在很大程度上提高集中供热管网系统的经济性、运行效率和可靠性，同时也实现节能和环保的目的。

电采暖负荷预测所涉及的算法主要有：

1、时间序列法

时间序列法是比较有代表性的基于时间序列分析的负荷预测方法。此种方法适用于负荷变化比较均匀的短期预测的情况，且对天气的骤变等实际数据的异常变化反应较慢。

2、回归分析法

回归分析法通过自变量来预测响应变量，当外界负荷发生较大变化时，也可根据相应变化因素修正预测值。但是自变量的准确选取对预测结果至关重要，且适合中长期负荷预测。

3、灰色预测法

灰色预测法抛开了系统结构的分析环节，直接通过数据寻找系统的规律，根据原始数据的不同特点，构建出不同的预测指数模型，并且其在缺少数据的情况下十分有效。该方法是灵活、方便、简单的变参数不变结构的自适应模型，对随机非线性干扰具有较强的自适应能力。模型缺少抗偶然因素的能力，建立函数关系模型需要大量数据并且建模工作量比较大，在供热电采暖负荷预测中缺乏通用性和实用性。

4、遗传算法

遗传算法是具有鲁棒性的搜索算法，它能够很好的优化处理复杂的系统优化计算，其主要特点如下：利用目标函数转变后的适应度函数，对搜索范围和搜索方向做出进一步的搜寻；对设计变量进行编码处理，特别适用于那些无数值概念或很难有数值概念的对象；可以同时使用多个搜索点的搜索信息，具有更强的全局寻优能力；运用自适应概率搜索技术进行选择、交叉、变异，降低参数对搜索效果的影响，同时提高其适应能力。

5、人工神经网络法

人工神经网络法不需要建立具体的规则和数学模型，对难以用模型或规则描述的系统和过程比较适用。神经网络具有自适应性、自学习、自组织的特点，所以能够很好的适应供热系统负荷的时变性、时滞性、非线性等特点。但是神经网络也面临着诸多问题：神经网络的结构设计目前还没有理论指导，难以对前向网络的结构进行优化；神经网络的学习和训练速度较慢，尤其是对规模较大的神经网络进行训练时，所需的时间太长，且初始值对收敛速度有较大影响；传统的梯度下降算法容易陷于局部极小点，无法达到全局最优。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种电采暖负荷预测方法，能够精准预测电采暖负荷、确定供热系统中供热设备的类型和新增负荷的大小。