本发明专利技术公开一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，建立了电锅炉的使用模式算子，能够在蓄热式电锅使用较为频繁的采暖季，有效的、分时段描述出用户对于电锅炉的使用模式，并进一步进行较为精确的预测。通过本发明专利技术专利，可以在高寒地区的供暖季针对固体蓄热式电锅炉使用的时段和特点，对固体蓄热式电锅炉短期功率消耗预测，通过该预测可以让电网管理单位事先做好调峰和风电消纳的工作，对于电网安全运行和科学管理具有较大意义。
【技术实现步骤摘要】
一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法
本专利技术涉及电网中设备功率消耗预测，具体涉及一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法。
技术介绍
：蓄热式电锅炉可以事先加热储能并在较长的时段内持续供热，在分时电价政策的鼓励下可以在电价低谷时段用电储能并在电价较高阶段供热，通过蓄热式电锅炉可以有效的降低供热电价成本，并有利于调节整个电网的峰谷差。蓄热式电锅在加热阶段电能消耗较大，对其功率消耗进行预测可以让电网管理单位事先做好调峰和风电消纳的工作，对于电网安全运行和科学管理具有较大意义。固体蓄热式电锅炉主要用于高寒地区的供暖，当前的固体蓄热式电锅炉的功率消耗预测方法主要有两种：一、用户对自己将要进行的电锅炉加热储能方式、时段、以及消耗功率汇报给电网，电网直接将这些数据作为预测的结果；二、使用神经网、SVM等人工智能算法对历史数据进行回归分析，获得温度与功率的预测模型，进而依靠该模型进行预测。对于方法一，通常要求用户对于电能的使用量和锅炉运行模式十分熟悉，并能够与电网管理单位共享数据，然而多数用户对于电能和锅炉不够了解，同时电网企业也难以有足够的约束力要求用户汇报准确的使用量，所以方法一描述的方式通常难于实现；对于方法二，用户在不同时段用户对于电价的承受能力、温度的需求是不一样的，用电模式也不相同（如：学校在上学期间与假期期间，对于温度的要求不一样，在上学期间可能需要严格达到供热要求，而在假期需要尽可能的省电运行，其使用模式不同）。采用单一的预测模型会使得不同时段、不同需求之间的数据互相影响进而降低预测精度。因此，需要提出一种高寒地区固体蓄热式电锅炉短期功率预测方法，能够在蓄热式电锅使用较为频繁的采暖季，有效的、分时段描述出用户对于电锅炉的使用模式并有针对性的进行预测，来获得较高精度的预测结果。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，通过该方法建立的电锅炉的使用模式算子，能够在蓄热式电锅使用较为频繁的采暖季，有效的、分时段描述出用户对于电锅炉的使用模式，并进一步进行较为精确的预测。本专利技术所说的一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，技术解决方案如下：S1,对于一台固体蓄热式电锅炉，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature，获得蓄热时段数组NArray和水循环阈值Circle：供热历史数据起始时间点StartTime：StartTime是一个时间点数据；功率消耗历史数据History：该数据为一个列表，该列表存储着以StartTime为起始的180天数据，列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据；History列表中每一个表项为一个96个元素的数组（一天每间隔15分钟采样一次功率值）；输入历史气温数据Temperature：该数据为一个数组共计180个元素，存储着以StartTime为起始的180天的每日最低气温数据；S101，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature；S102,取出History中的每一个表项，合并为一个一维数组TempArray；S103，删除TempArray中值为零的元素；S104，使用K-Means算法并指定聚类个数为2个对TempArray进行聚类，获取2个聚类中心C1和C2；S105，水循环阈值Circle=(C1+C2)/2；S106,建立蓄热时段数组NArray，其个数为180，所有元素的初始值为0；S107，表项查看计数器ItemCounter=1；S108，取出History的第ItemCounter个表项存入数组TempArray2；S109，tc1=计算TempArray2中大于Circle的元素个数；S110，tc2=计算TempArray2中不为0的元素个数；S111，如果tc2等于0那么NArray[ItemCounter]=-1,否则NArray[ItemCounter]=tc1；S112，ItemCounter=ItemCounter+1；S113,如果ItemCounter<=180则转到S108,否则转到S114；S114，该步骤处理结束；S2,建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray，输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray：S201，建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray；S202，建立关联性数组CorrelationArray，CorrelationArray包含36个元素，每个元素的初始值为0；建立预测模型数组ModelArray，ModelArray包含36个元素，每个元素的初始值为NULL；S203，关联性计数器CorrelationCounter=1；S204，在NArray中取出位置为（CorrelationCounter-1）*5+1至（CorrelationCounter）*5的5个元素存入数组NTemp中，获得NTemp中数值最小元素的值NTempMin；S205，在Temperature中取出位置为（CorrelationCounter-1）*5+1至（CorrelationCounter）*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax；S206，如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214，否则转向S207；S207，计算NTemp和TTemp的相关系数矩阵，获得矩阵的第1行第2列元素存储到变量CorrelationParam中；S208，如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214，否则转到S209；S209，CorrelationArray[CorrelationCounter]=1/(1+exp((-CorrelationParam)*20-10))；S210，如果CorrelationArray[CorrelationCounter]<0.5则转到214，否则转到S211；S211，获得模型输出数组TOutputArray=NTemp-NTempMin，获得模型输入数组TInputArray=TTempMax-TTemp；S212,建立基于神经网的回归分析模型，模型输入为TInputArray，输出为TOutputArray，训练该模型获得训练的结果Model；S213，ModelArray[CorrelationCounter]=Model；S214，CorrelationCounter=CorrelationCounter+1；S215，如果Correl本文档来自技高网...
【技术保护点】
1.一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，包括以下步骤：S1,对于一台固体蓄热式电锅炉，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature，获得蓄热时段数组NArray和水循环阈值Circle：供热历史数据起始时间点StartTime：StartTime是一个时间点数据；功率消耗历史数据History：该数据为一个列表，该列表存储着以StartTime为起始的180天数据，列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据；History列表中每一个表项为一个96个元素的数组（一天每间隔15分钟采样一次功率值）；输入历史气温数据Temperature：该数据为一个数组共计180个元素，存储着以StartTime为起始的180天的每日最低气温数据；S101，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature；S102,取出History中的每一个表项，合并为一个一维数组TempArray；S103，删除TempArray中值为零的元素；S104，使用K‑Means算法并指定聚类个数为2个对TempArray进行聚类，获取2个聚类中心C1和C2；S105，水循环阈值Circle=(C1+C2)/2；S106,建立蓄热时段数组NArray，其个数为180，所有元素的初始值为0；S107，表项查看计数器ItemCounter=1；S108，取出History的第ItemCounter个表项存入数组TempArray2；S109，tc1=计算TempArray2中大于Circle的元素个数；S110，tc2=计算TempArray2中不为0的元素个数；S111，如果tc2等于0那么NArray[ItemCounter]=‑1, 否则NArray[ItemCounter]=tc1；S112，ItemCounter=ItemCounter+1；S113, 如果ItemCounter<=180则转到S108, 否则转到S114；S114，该步骤处理结束；S2, 建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray，输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray：S201，建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray；S202，建立关联性数组CorrelationArray，CorrelationArray包含36个元素，每个元素的初始值为0；建立预测模型数组ModelArray，ModelArray包含36个元素，每个元素的初始值为NULL；S203，关联性计数器CorrelationCounter=1；S204，在NArray中取出位置为（CorrelationCounter‑1）*5+1 至（CorrelationCounter）*5的5个元素存入数组NTemp中，获得NTemp中数值最小元素的值NTempMin；S205，在Temperature中取出位置为（CorrelationCounter‑1）*5+1 至（CorrelationCounter）*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax；S206，如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214，否则转向S207；S207，计算NTemp和TTemp的相关系数矩阵，获得矩阵的第1行第2列元素存储到变量CorrelationParam中；S208，如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214，否则转到S209；S209，CorrelationArray[CorrelationCounter]=1/(1+exp( (‑CorrelationParam)*20‑10))；S210，如果CorrelationArray[CorrelationCounter]<0.5则转到214，否则转到S211；S211，获得模型输出数组TOutputArray=NTemp‑NTempMin，获得模型输入数组TInputArray=TTempMax‑TTemp；S212,建立基于神经网的回归分析模型，模型输入为TInputArray，输出为TOutputArray，训...
【技术特征摘要】
1.一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，包括以下步骤：S1,对于一台固体蓄热式电锅炉，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature，获得蓄热时段数组NArray和水循环阈值Circle：供热历史数据起始时间点StartTime：StartTime是一个时间点数据；功率消耗历史数据History：该数据为一个列表，该列表存储着以StartTime为起始的180天数据，列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据；History列表中每一个表项为一个96个元素的数组（一天每间隔15分钟采样一次功率值）；输入历史气温数据Temperature：该数据为一个数组共计180个元素，存储着以StartTime为起始的180天的每日最低气温数据；S101，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature；S102,取出History中的每一个表项，合并为一个一维数组TempArray；S103，删除TempArray中值为零的元素；S104，使用K-Means算法并指定聚类个数为2个对TempArray进行聚类，获取2个聚类中心C1和C2；S105，水循环阈值Circle=(C1+C2)/2；S106,建立蓄热时段数组NArray，其个数为180，所有元素的初始值为0；S107，表项查看计数器ItemCounter=1；S108，取出History的第ItemCounter个表项存入数组TempArray2；S109，tc1=计算TempArray2中大于Circle的元素个数；S110，tc2=计算TempArray2中不为0的元素个数；S111，如果tc2等于0那么NArray[ItemCounter]=-1,否则NArray[ItemCounter]=tc1；S112，ItemCounter=ItemCounter+1；S113,如果ItemCounter<=180则转到S108,否则转到S114；S114，该步骤处理结束；S2,建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray，输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray：S201，建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray；S202，建立关联性数组CorrelationArray，CorrelationArray包含36个元素，每个元素的初始值为0；建立预测模型数组ModelArray，ModelArray包含36个元素，每个元素的初始值为NULL；S203，关联性计数器CorrelationCounter=1；S204，在NArray中取出位置为（CorrelationCounter-1）*5+1至（CorrelationCounter）*5的5个元素存入数组NTemp中，获得NTemp中数值最小元素的值NTempMin；S205，在Temperature中取出位置为（CorrelationCounter-1）*5+1至（CorrelationCounter）*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax；S206，如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214，否则转向S207；S207，计算NTemp和TTemp的相关系数矩阵，获得矩阵的第1行第2列元素存储到变量CorrelationParam中；S208，如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214，否则转到S209；S209，CorrelationArray[CorrelationCounter]=...
【专利技术属性】
技术研发人员：孙宏彬，潘欣，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：吉林,22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。