一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法技术

本发明专利技术公开了一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，包括步骤S1，采用皮尔森相关系数公式计算温度、湿度、风速和降雨量与空调负荷量的相关性，选取强线性相关的参数作为公共楼宇空调短期负荷基线预测时考虑的实时气象因素；步骤S2，分别计算预测日及其前两个月内每日的温湿度指数THI和加权温湿度指数WTHI，依此选取预测日的典型相似日；步骤S3，采用BP神经网络方法计算预测日24小时的空调负荷值。本发明专利技术可运用到全国范围内各公共楼宇空调短时基线负荷预测，可以为典型公共楼宇空调负荷参与电网负荷调控提供理论支持和数据支撑。

【技术实现步骤摘要】

本专利技术涉及一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，适用于进行全国范围内大规模公共楼宇空调短时基线负荷预测，属于电力负荷预测

技术介绍
我国电网夏季空调负荷已占尖峰负荷的30％左右。空调负荷主要集中于夏季用电高峰时段，且年均持续时间仅数百小时，但它对电网的安全、经济运行影响极大。冬季负荷高峰中，空调也扮演了重要角色。在商业用户用电负荷中，空调负荷占有较大比重，调整空调负荷对于改变商业用户负荷曲线、实现电网削峰填谷具有重要意义。同时商业用户负荷可控性较大，具有实现智能用电的巨大潜力。合理控制空调温度和削峰填谷紧密连接在一起。为了对空调负荷特性作进一步的实质性的分析研究，探讨应对空调负荷过快增长的有效措施，综合考虑各地电网与电力供应的实际情况，决定开展基于需求响应的中央空调负荷调控技术研究。但是，由于经济和技术因素的影响，中国的一些地区的空调负荷没有办法精确得到，而空调的基线负荷数据也是空调参与电网调度的重要参数。目前，国内外还没有关于如何进行设计及实时气象因素的公共楼宇空调短时基线负荷预测方法方面的专利和文献。
技术实现思路
针对现有技术存在的不足，本专利技术目的是提供一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，该方法可以在全国范围内，利用当地的实时气象值方便地计算出公共楼宇空调短时基线负荷预测值。为了实现上述目的，本专利技术是通过如下的技术方案来实现：本专利技术的一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，包括以下几个步骤：(S1)采用皮尔森相关系数公式计算气象影响因素中平均温度、平均湿度、平均风速和平均降雨量与平均空调负荷的相关性；然后选取强线性相关的参数，即平均温度和平均湿度，并将平均温度和平均湿度作为公共楼宇空调短时基线负荷预测时考虑的实时气象因素；(S2)计算当地两个月的每日的温湿度指数THI；并将当天、昨天、前天的温湿度指数THI进行加权，得到考虑温度和湿度累积效应的每日的加权温湿度指数WTHI；计算预测日前两个月内每日的加权温湿度指数WTHI与预测日的加权温湿度指数WTHI的误差绝对值，选取误差绝对值最小的N天作为预测日的典型相似日，并按日期排序为1至N天，作为BP神经网络的输入预测的典型相似日；其中，N为正整数且为4的倍数；(S3)基于确定的N个典型相似日，采用BP神经网络算法，将第1天至第3天的加权温湿度指数WTHI和1至24小时的空调负荷量以及第4天的加权温湿度指数WTHI作为BP神经网络的76个输入量，将第4天的1至24小时的空调负荷量作为BP神经网络的24个输出量，依此循环，形成N-3组训练样本集，训练该BP神经网络；然后，采用训练好的神经网络，输入第N-2天至第N天的加权温湿度指数WTHI和1至24小时的空调负荷值以及预测日的加权温湿度指数WTHI，则24个输出即为预测日的1至24小时的每小时的平均空调负荷值；最后将平均空调负荷值与实际空调负荷值进行对比，计算误差。步骤(S1)中，所述皮尔森相关系数公式如下： r = Σ i = 1 n ( x i - x ‾ ) ( y i - y ‾ ) Σ i = 1 n ( x i - x ‾ ) 2 Σ i = 1 n ( y i - y ‾ ) 2 ]]>其中，xi分别表示当天某小时的温度、湿度、风速或降雨量的平均值，yi分别表示该公共楼宇当天某小时总空调负荷值，n表示当天的小时数，表示当天温度、湿度、风速或降雨量的平均值，表示该公共楼宇当天总空调负荷的平均值；根据上述公式对气象影响因素进行排序，得到和空调负荷强相关的气象影响因素，即平均温度、平均湿度。步骤(S2)中，当地两个月的每日的温湿度指数THI计算方法如下：首先计算当地两个月的每日的平均温度、平均湿度，然后再计算当地两个月的每日的温湿度指数THI，所述温湿度指数THI的算法公式如下： THI = T d + 1450.8 ( T d + 235 ) 本文档来自技高网...

【技术保护点】
一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法，其特征在于，包括以下几个步骤：(S1)采用皮尔森相关系数公式计算气象影响因素中平均温度、平均湿度、平均风速和平均降雨量与平均空调负荷的相关性；然后选取强线性相关的参数，即平均温度和平均湿度，并将平均温度和平均湿度作为公共楼宇空调短时基线负荷预测时考虑的实时气象因素；(S2)计算当地两个月的每日的温湿度指数THI；并将当天、昨天、前天的温湿度指数THI进行加权，得到考虑温度和湿度累积效应的每日的加权温湿度指数WTHI；计算预测日前两个月内每日的加权温湿度指数WTHI与预测日的加权温湿度指数WTHI的误差绝对值，选取误差绝对值最小的N天作为预测日的典型相似日，并按日期排序为1至N天，作为BP神经网络的输入预测的典型相似日；(S3)基于确定的N个典型相似日，采用BP神经网络算法，将第1天至第3天的加权温湿度指数WTHI和1至24小时的空调负荷量以及第4天的加权温湿度指数WTHI作为BP神经网络的76个输入量，将第4天的1至24小时的空调负荷量作为BP神经网络的24个输出量，依此循环，形成N‑3组训练样本集，训练该BP神经网络；然后，采用训练好的神经网络，输入第N‑2天至第N天的加权温湿度指数WTHI和1至24小时的空调负荷值以及预测日的加权温湿度指数WTHI，则24个输出即为预测日的1至24小时的每小时的平均空调负荷值；最后将平均空调负荷值与实际空调负荷值进行对比，计算误差。...

【技术特征摘要】
1.一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方
法，其特征在于，包括以下几个步骤：
(S1)采用皮尔森相关系数公式计算气象影响因素中平均温度、
平均湿度、平均风速和平均降雨量与平均空调负荷的相关性；然后选
取强线性相关的参数，即平均温度和平均湿度，并将平均温度和平均
湿度作为公共楼宇空调短时基线负荷预测时考虑的实时气象因素；
(S2)计算当地两个月的每日的温湿度指数THI；并将当天、昨
天、前天的温湿度指数THI进行加权，得到考虑温度和湿度累积效
应的每日的加权温湿度指数WTHI；计算预测日前两个月内每日的加
权温湿度指数WTHI与预测日的加权温湿度指数WTHI的误差绝对
值，选取误差绝对值最小的N天作为预测日的典型相似日，并按日
期排序为1至N天，作为BP神经网络的输入预测的典型相似日；
(S3)基于确定的N个典型相似日，采用BP神经网络算法，将
第1天至第3天的加权温湿度指数WTHI和1至24小时的空调负荷
量以及第4天的加权温湿度指数WTHI作为BP神经网络的76个输
入量，将第4天的1至24小时的空调负荷量作为BP神经网络的24
个输出量，依此循环，形成N-3组训练样本集，训练该BP神经网络；
然后，采用训练好的神经网络，输入第N-2天至第N天的加权温湿
度指数WTHI和1至24小时的空调负荷值以及预测日的加权温湿度
指数WTHI，则24个输出即为预测日的1至24小时的每小时的平均

\t空调负荷值；最后将平均空调负荷值与实际空调负荷值进行对比，计
算误差。
2.根据权利要求1所述的考虑实时气象因素的公共楼宇空调短
时基线负荷预测方法，其特征在于，步骤(S1)中，所述皮尔森相关
系数公式如下：
其中，xi分别表示当天某小时的温度、湿度、风速或降雨量的平均值，
yi分别表示该公共楼宇当天某小时总空调负荷值，n表示当天的小时<...

【专利技术属性】
技术研发人员：杨永标，颜庆国，徐青山，杨辰星，王续芳，薛溟枫，陈璐，
申请(专利权)人：国家电网公司，南京南瑞集团公司，国电南瑞科技股份有限公司，江苏省电力公司，东南大学，
类型：发明
国别省市：江苏;32