一種智能電網園區終端用戶能源需求狀況動態預測系統及方法
【技術領域】
[0001] 本發明屬于電力系統技術領域，尤其涉及一種智能電網園區終端用戶能源需求狀 況動態預測系統及方法。
【背景技術】
[0002] 負荷預測作為智能電網園區能量管理的重要組成部分，為智能電網園區的規劃建 設、運行優化管理等各個環節提供重要的決策支持。但是智能電網園區用戶終端數量眾多， 類型復雜，工業用戶、數據中心以及公共機構等用戶的用能曲線存在差異，對冷熱電負荷的 需求狀況有較大差別，負荷預測存在一定難度。
[0003]傳統的負荷預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 對負荷的影響，而回歸分析法難以解決負荷與天氣等變量之間的動態的、非線性的關系，針 對園區用戶類型較多，帶負荷需求存在差異的情況，傳統方法的預測精度不能令人滿意，在 面對海量數據的處理與挖掘上也存在不足。如何將海量數據挖掘技術應用在能源需求動態 預測技術上，發揮數據挖掘和智能算法的優勢，提高預測的精度和效率，是擺在智能電網園 區管理者面前的一個突出問題。

【發明內容】

[0004]本發明的目的在于提供一種智能電網園區終端用戶能源需求狀況動態預測系統 及方法，旨在解決傳統負荷預測方法存在的預測精度不能令人滿意，在面對海量數據處理 與挖掘上也存在不足的問題。
[0005]本發明是這樣實現的，一種智能電網園區終端用戶能源需求狀況動態預測方法， 所述智能電網園區終端用戶能源需求狀況動態預測方法包括：
[0006]首先對影響智能電網園區終端用戶冷熱電負荷需求的最高溫度、最低溫度、平均 溫度、降雨量、風速、太陽輻射強度氣象因素進行主成分分析；
[0007]其次將相關變量轉換成少數線性無關的隨機變量；將天氣因素和日類型進行量 化，與歷史負荷數據采用模糊聚類方法進行分析形成樣本；
[0008]然后將智能電網園區中多種類型的負荷、多種類型的分布式供能系統的負荷特性 均體現在負荷曲線中；
[0009] 最后按照BP神經網絡算法流程對模型進行求解，得到冷熱電負荷預測結果。
[0010] 進一步，所述智能電網園區終端用戶能源需求狀況動態預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荷的多種因素進行分析；基于模糊聚類分析 法對用戶類型進行分類；對BP神經網絡進行學習和訓練，網絡收斂后，對智能電網園區的 冷熱電負荷進行動態預測；
[0012] 第二步，以歐氏距離最短的類別作為預測日的類別，建立BP神經網絡進行預測， 得到智能電網園區終端用戶冷熱電負荷數據。
[0013] 進一步，所述運用主成分分析法對影響負荷多種因素進行分析的步驟包括：
[0014] 步驟一、對樣本數據進行標準化處理：
[0015] 原始數據矩陣：
[0016]
[0017] 式中，n是樣本個數；p是每個樣本維數；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)表示數據矩陣中第i列與第j列之間的協方差；
[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] 進一步，所述模糊聚類分析對歷史負荷數據聚類步驟包括：
[0027] 步驟一、對樣本數據進行規格化處理：
[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為規格化后的數據；
[0030] 步驟二、建立模糊相似關系矩陣R=Ir1):
[0034] 式中i為A從高到低的聚合序次數，叫和nii分別為第i次和第i-1次聚類的元 素個數；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,)，則認為 第i次聚類的置信水平Ai為最佳閾值；
[0035] 步驟四、計算預測日與上述各類的歐氏距離：
[0037] 式中x'lk為預測日的特性指標矢量，x']k為各分類的特性指標矢量。
[0038] 本發明的另一目的在于提供一種智能電網園區終端用戶能源需求狀況動態預測 系統，所述智能電網園區終端用戶能源需求狀況動態預測系統包括：
[0039] 主成分分析模塊，對影響智能電網園區終端用戶冷熱電負荷需求的最高溫度、最 低溫度、平均溫度、降雨量、風速、太陽輻射強度氣象因素進行主成分分析；
[0040] 分析樣本形成模塊，將相關變量轉換成少數線性無關的隨機變量；將天氣因素和 日類型進行量化，與歷史負荷數據采用模糊聚類方法進行分析形成樣本；
[0041]負荷特性曲線模塊，將智能電網園區中多種類型的負荷、多種類型的分布式供能 系統的負荷特性均體現在負荷曲線中；
[0042] 負荷預測模塊，按照BP神經網絡算法流程對模型進行求解，得到冷熱電負荷預測 結果。
[0043] 本發明提供的智能電網園區終端用戶能源需求狀況動態預測系統及方法，結合智 能電網園區內冷熱電負荷需求的特點，基于數據挖掘技術，綜合考慮影響負荷需求的歷史 負荷因素和氣象因素，將時間序列法和回歸分析法相結合，通過組合預測方法取得了令人 滿意的預測精度。本發明還充分考慮了智能電網園區冷熱電負荷的差異和特點，利用數據 挖掘技術降低網絡規模并提高預測精度，同時還充分發揮BP神經網絡在大規模并行處理 和自適應學習能力方面的優勢，提高了智能電網園區冷熱電負荷預測的精度。
[0044] 本發明結合智能電網園區內冷熱電負荷需求的特點，基于數據挖掘技術，綜合考 慮影響負荷需求的歷史負荷因素和氣象因素，將時間序列法和回歸分析法相結合，通過組 合預測方法取得了令人滿意的預測精度；本發明運用主成分分析法，將影響冷熱電負荷需 求的眾多相關變量轉換成少數幾個主成分，降低網絡的規模；運用模糊聚類分析方法，對歷 史負荷數據進行聚類，取歐氏距離最短的一類作為預測日的類別，該類包含的樣本即為BP 網絡的訓練樣本；合理調整BP網絡的權值和閥值，網絡收斂后，對智能電網園區終端用戶 的冷熱電負荷進行預測。
【附圖說明】
[0045] 圖1是本發明實施例提供的智能電網園區終端用戶能源需求狀況動態預測方法 流程圖；
[0046]圖2是本發明實施例提供的智能電網園區電負荷曲線不意圖；
[0047] 圖3是本發明實施例提供的智能電網園區熱負荷曲線示意圖；
[0048] 圖4是本發明實施例提供的智能電網園區冷熱荷曲線示意圖；
[0049] 圖5是本發明實施例提供的運用BP神經網絡技術進行負荷預測的流程圖；
[0050] 圖6是本發明實施例提供的按照BP神經網絡技術進行電負荷預測得到的預測負 荷與實際負荷對比圖；
[0051] 圖7是本發明實施例提供的按照BP神經網絡技術進行熱負荷預測得到的預測負 荷與實際負荷對比圖；
[0052] 圖8是本發明實施例提供的按照BP神經網絡技術進行冷負荷預測得到的預測負 荷與實際負荷對比圖。
【具體實施方式】
[0053] 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合實施例，對本發明 進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于 限定本發明。
[0054] 本發明的基于數據挖掘技術和BP神經網絡的智能電網園區終端用戶能源需求狀 況動態預測方法，用于解決現有的智能電網園區冷熱電負荷預測過程中考慮因素不足、數 據挖掘深度不足和預測精度較低等技術問題；將數據挖掘技術與智能算法結合，通過組合 預測方法提高冷熱電負荷預測的精度。
[0055] 下面結合附圖對本發明的應用原理作詳細的描述。
[0056] 如圖1所示，本發明實施例的智能電網園區終端用戶能源需求狀況動態預測方法 包括以下步驟：
[0057] SlOl :對影響智能電網園區終端用戶冷熱電負荷需求的最高溫