[发明专利]一种电供暖负荷预测方法、系统、设备和介质

说明书

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。

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

=（，，…，）

作一次生成

=（，，…，）

式中，( j=1,2,…，m)

对于可以建立如下一阶一个变量的线性微分方程

式中，a，u为参数，u称为控制项。

该微分方程的解为

（连续形式）

或（离散形式）

上述两式中，a、u按最小二乘法求出，为

（6）

式中，，

求出后，其实际预测值用下式得出

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。