一种基于数值天气预报进行热负荷预测的方法技术

本发明专利技术涉及一种基于数值天气预报进行热负荷预测的方法，包括：向神经网络模型中输入训练样本；训练神经网络模型；检验神经网络模型；当所述模型的标准误差小于设定值时，确定所述模型的参数；向所述模型输入数值天气预报预测值；得到热负荷预测结果。本发明专利技术技术方案通过数值天气预报对热负荷进行预测，以提高热负荷的预测精度。

【技术实现步骤摘要】
一种基于数值天气预报进行热负荷预测的方法
本专利技术涉及热负荷预测领域，更具体涉及一种基于数值天气预报进行热负荷预测的方法。
技术介绍
一般来说用户、物业公司和热力公司会根据自己的需求调节温控阀，以满足居民和企业的供热要求。当多个热力站都进行调节自己的热水流量以后，整个热网的热水流量和供热会量也随之发生变化，而这种变化往往是无规律的。对于这种缺少精确数学模型的受控量，在缺乏准确预测的前提下若要实现按需合理地供热是非常困难的。同时，由于热水是供热系统所送的热介质，其热惯性往往较大，温度变化存在较明显的滞后性，这就很难在较短的时间内达到温度的平稳性控制目标。准确可靠的热负荷预测结合风电功率预测可为热-电联合运行调度提供依据，一方面准确的热负荷预测可以提高集中供热管网系统的运行效率、可靠性和经济性，另一方面可根据风电及热负荷预测结果合理确定开机方式，提升电网的调峰能力，进而提高电网接纳风电的能力。在城市热负荷预测方面，国外在的研究起步较早，早在1988年，丹麦技术大学(DTU)已开发了热负荷预测与能源优化系统PRESS(PrognosisandEnergyControlSystem)，该系统的输入数据包括热负荷的在线测量数据，供、回水温度，水流量，户外温度、风速、辐照强度等实测气象参数和温度、风速等预测气象参数，系统可实现对未来1h至120h的热负荷预测，同时，系统还可以实现对区域供热网络温度的优化控制。目前，该系统已应用于丹麦国内多个区域供热系统。澳大利亚开发了饲养场热负荷工具箱，包括数值天气预报程序、风险分析程序，其中数值天气预报以WRF模式为基础，采用GFS作为背景场，预报时常为4天，每日更新2次。该工具可提供澳大利亚全境未来4天的热负荷指数(HeatLoadIndex)，时间分辨率为6小时，同时可提供极端热负荷事件的概率预测。该工具已在澳大利亚得到广泛应用，可为饲养场的热负荷管理提供依据。此外，国外多名学者和研究人员在热负荷预测方面也开展了深入的研究。国内在此方面少有报导。基于数值天气预报作为热负荷预测的基础，预测和管理系统都是基于对全球气象数据的观测和测量，这些信息是得自于气象专家、气象台站、气象卫星等等。所获得的气象参数预测精度较高，可以作为热负荷预测的重要参考。有鉴于此，本专利技术人积极加以研究和创设，以专利技术一种基于数值天气预报的热负荷预测方法，用于城市热负荷预测。
技术实现思路
本专利技术的目的是提供一种基于数值天气预报进行热负荷预测的方法，提高热负荷的预测精度。为实现上述目的，本专利技术采用以下技术方案：一种基于数值天气预报进行热负荷预测的方法，包括：向神经网络模型中输入训练样本；训练神经网络模型；检验神经网络模型；当所述模型的标准误差小于设定值时，确定所述模型的参数；向所述模型输入数值天气预报预测值；得到热负荷预测结果。所述训练样本包括至少1年以上历史数值天气预报数据和历史热负荷数据。所述数值天气预报数据包括气象参数温度、长波辐射、湿度等数据；所述热负荷数据是供热量数据。所述训练神经网络模型的过程包括：步骤2-1：选择一年的历史数值天气预报数据和热负荷数据；步骤2-2：对数据进行完整性检验和归一化处理；步骤2-3：计算数值天气预报各气象参数与热负荷之间的相关性；步骤2-4：根据各气象参数的相关性分析结果确定神经元网络输入节点数；步骤2-5：利用历史数据对模型进行训练，获得模型参数；步骤2-6：利用所获得模型进行预测。所述检验神经网络模型过程为：步骤3-1：确定待预测的时间段未来72小时，获得该时段数值天气预报数据的相应气象参数，并对其进行归一化处理；步骤3-2：将相应气象参数输入训练完成的神经元网络模型；步骤3-3：获得神经元网络未来72小时的热负荷预测结果。步骤2-2中数据的处理过程为：步骤2-2-1：去掉热负荷数据连续为零的点和连续10个以上不变的点；步骤2-2-2：去掉数值天气预报数据对应于热负荷预测缺失的点；步骤2-2-3：将热负荷数据和数值天气预报数据分别进行归一化处理。所述数值天气预报输出的气象参数为温度、动量通量、10米风速、10米风向、30米风速、30米风向、100米风速、100米风向、170米风速、170米风向、海平面气压、云量、热感通量、潜热通量、短波辐射、长波辐射、地表气压和湿度，分别计算各参数与热负荷数据之间的相关性。将相关性超过阈值的气象参数的个数设定为神经元网络的输入节点数。神经网络模型为3层网络结构，输入节点数为气象参数个数，输出节点数为1；神经网络模型训练用均方根误差作为代价函数，用以寻找最优隐藏节点数。和最接近的现有技术比，本专利技术提供技术方案具有以下优异效果1、本专利技术技术方案依赖于数值天气预报模式对于温度等气象参数的准确预测；2、本专利技术技术方案将该预测结果作为神经元网络的输入，通过神经元网络的建模，达到准确预测热负荷的目的；3、本专利技术技术方案数值天气预报所提供的气象参数具有很高的时间分辨率，和传统的天气预报相比具有一定优势；4、本专利技术技术方案为热-电联合运行调度提供依据。附图说明图1为技术方案发方法流程图。具体实施方式下面结合实施例对专利技术作进一步的详细说明。实施例1：本例的专利技术一种基于数值天气预报进行热负荷预测的方法，热负荷预测是从气象监测、预测数据和历史的热负荷数据出发，掌握热负荷变化规律，综合考虑各种影响因素，以一定的精确程度预测将来某一段时间的热负荷值。研究表明，城市热负荷与气象参数之间有一定关系，可将其作为城市热负荷预测的影响参量。但现有天气预报的预测时间分辨率和精度上无法满足城市热负荷预测的实际需求，因此，将数值天气预报引用热负荷预测，用以提高预测精度。所述方法如图1所示，包括：向神经网络模型中输入训练样本；训练神经网络模型；检验神经网络模型；当所述模型的标准误差小于设定值时，确定所述模型的参数；向所述模型输入数值天气预报预测值；得到热负荷预测结果。所述训练样本包括至少1年以上历史数值天气预报数据和历史热负荷数据。所述数值天气预报数据包括气象参数温度、长波辐射、湿度等数据；所述热负荷数据是供热量数据。所述训练神经网络模型的过程包括：步骤2-1：选择一年的历史数值天气预报数据和热负荷数据；步骤2-2：对数据进行完整性检验和归一化处理；步骤2-3：计算数值天气预报各气象参数与热负荷之间的相关性；步骤2-4：根据各气象参数的相关性分析结果确定神经元网络输入节点数；步骤2-5：利用历史数据对模型进行训练，获得模型参数；步骤2-6：利用所获得模型进行预测。所述检验神经网络模型过程为：步骤3-1：确定待预测的时间段未来72小时，获得该时段数值天气预报数据的相应气象参数，并对其进行归一化处理；步骤3-2：将相应气象参数输入训练完成的神经元网络模型；步骤3-3：获得神经元网络未来72小时的热负荷预测结果。步骤2-2中数据的处理过程为：步骤4-1：去掉热负荷数据连续为零的点和连续10个以上不变的点；步骤4-2：去掉数值天气预报数据对应于热负荷预测缺失的点；步骤4-3：将热负荷数据和数值天气预报数据分别进行归一化处理。所述数值天气预报输出的气象参数为温度、动量通量、10米风速、10米风向、30米风速、30米风向、100米风速、100米风向、170米风速、本文档来自技高网...

【技术保护点】
一种基于数值天气预报进行热负荷预测的方法，其特征在于：包括：向神经网络模型中输入训练样本；训练神经网络模型；检验神经网络模型；当所述模型的标准误差小于设定值时，确定所述模型的参数；向所述模型输入数值天气预报预测值；得到热负荷预测结果。

【技术特征摘要】
1.一种基于数值天气预报进行热负荷预测的方法，其特征在于：包括：向神经网络模型中输入训练样本；训练神经网络模型；检验神经网络模型；当所述模型的标准误差小于设定值时，确定所述模型的参数；向所述模型输入数值天气预报预测值；得到热负荷预测结果。2.如权利要求1所述的一种基于数值天气预报进行热负荷预测的方法，其特征在于：所述训练样本包括至少1年以上历史数值天气预报数据和历史热负荷数据。3.如权利要求2所述的一种基于数值天气预报进行热负荷预测的方法，其特征在于：所述数值天气预报数据包括气象参数温度、长波辐射和湿度的数据；所述热负荷数据是供热量数据。4.如权利要求1-3任意一项所述的一种基于数值天气预报进行热负荷预测的方法，其特征在于：所述训练神经网络模型包括以下步骤：步骤2-1：选择一年的历史数值天气预报数据和热负荷数据；步骤2-2：对数据进行完整性检验和归一化处理；步骤2-3：计算数值天气预报各气象参数与热负荷之间的相关性；步骤2-4：根据各气象参数的相关性分析结果确定神经元网络输入节点数；步骤2-5：利用历史数据对模型进行训练，获得模型参数；步骤2-6：利用所获得模型进行预测。5.如权利要求4所述的一种基于数值天气预报进行热负荷预测的方法，其特征在于：所述检验神经网络模型的步骤为：步骤3-1：确定待预测的时间段未来72小时，获得该时段数...

【专利技术属性】
技术研发人员：杨红英，冯双磊，王勃，王伟胜，刘纯，郑太一，靳双龙，姜文玲，张菲，车建峰，赵艳青，卢静，王铮，胡菊，马振强，宋宗鹏，杨国新，孙勇，
申请(专利权)人：中国电力科学研究院，国家电网公司，国网吉林省电力有限公司，
类型：发明
国别省市：北京,11