一种供能反馈与气象因素的热负荷预测方法技术

本发明专利技术应用于多能源联合网络热力供应领域，用于确定热力供应中对负荷侧对于热力供应的需求的供能反馈与气象因素的热负荷预测方法，该方法包括：步骤1，将风速对室外温度的影响转化为相应的温度变化量，计算无风情况下等效室外温度；步骤2，根据历史数据一级管网回水温度，一级管网回水流速，二次管网回水温度，二次管网进水流速，一次管网进水温度以及等效室外温度作为输入，以一次网的进水温度作为输出，对RBF神经网络进行训练；步骤3，经过训练后的RBF神经网络对一次网进水温度进行预测。解决了热负荷复杂模型难以建立的问题，而且还避免了传热的滞后延时带来难以建立热负荷供需平衡的问题。

A thermal load forecasting method based on energy feedback and meteorological factors

The invention is applied to the thermal supply field of multi energy combined network, which is used to determine the heat load prediction method of energy supply feedback and meteorological factors for the demand of the load side to the thermal supply in the thermal supply side. This method includes step 1, converting the influence of the wind speed on the outdoor temperature to the corresponding temperature change, and calculating the wind free condition. In step 2, according to the back water temperature of the first grade pipe network, the flow velocity of the first grade pipe network, the return temperature of the two pipe network, the flow velocity of the two pipe network, the inlet temperature of the pipe network and the equivalent outdoor temperature as the input, the RBF neural network is trained with the inlet temperature of the primary network as the output. Step 3, after training, the RBF neural network is used to predict the inlet water temperature of primary network. It solves the problem that the complex model of heat load is difficult to establish, and avoids the problem that the delay of heat transfer brings about the difficulty of establishing the balance between supply and demand of heat load.

【技术实现步骤摘要】
一种供能反馈与气象因素的热负荷预测方法
本专利技术应用于多能源联合网络热力供应领域，用于确定热力供应中对负荷侧对于热力供应的需求的供能反馈与气象因素的热负荷预测方法。
技术介绍
由于能源紧缺、环境污染的问题的日益严峻，如何能够清洁高效的利用自然资源已成为当今科学研究的重点问题。因此，能源互联网、多能源联合已成为各能源行业发展的必然趋势，作为多能源调度的基础工作，负荷预测的准确性在很大程度上会影响调度工作能否顺利进行。热力网络其内部热能传递过程极为复杂，呈非线性关系难以通过明确的数学表达式说明传热过程中各物理量之间的关系，因此多数的预测是结合历史数据建立各参数之间的关系。热负荷预测的方法可分为通过环境气象参数预测与通过回水温度预测。通过环境气象参数(如温度、湿度、日照强度、风速风向等)预测采用人工智能和数据挖掘、非线性自回归模型、自适应卡尔曼滤波、自适应线性时间序列模型，并取得较好的预测精度。此类方法能够取得较好的预测效果，但对考虑因素的全面性及气象预测数据的准确性均有较高要求，在数据有限或气象预测精度不高的情况下难以给出较好的预测结果；通过回水温度预测事实上，集中供热系统运行管理的运行调节策略受到多种因素的制约，在不同的时段由于环境参数的不同，调节策略是不同的，对热负荷造成了很大影响，热负荷的供暖参数之间的关系是不断变化的，因此，这种方法的应用是有限的。此外，不同能量形式传输特性不同，相较于电力传输，热力传输具有明显的滞后性，难以采用相同的时间尺度对两种能源形式统一调度。
技术实现思路
本专利技术所要解决的技术问题在于提供一种供能反馈与气象因素的热负荷预测方法，解决了热负荷复杂模型难以建立的问题，而且还避免了传热的滞后延时带来难以建立热负荷供需平衡的问题。本专利技术是这样实现的，一种供能反馈与气象因素的热负荷预测方法，该方法包括：步骤1，将风速对室外温度的影响转化为相应的温度变化量，计算无风情况下等效室外温度；步骤2，以供热回水温度作为供能反馈数据，根据历史数据一级管网回水温度，一级管网回水流速，二次管网回水温度，二次管网进水流速，一次管网进水温度以及等效室外温度作为输入，以一次网的进水温度作为输出，对RBF神经网络进行训练；步骤3，经过训练后的RBF神经网络对一次网进水温度进行预测。进一步地，RBF神经网络输入层到隐含层的权值固定为1。进一步地，等效室外温度的计算方法为：当v<2m/s时，TF＝T；当2m/s≤v<5m/s时，TF＝T-(v-2)；当5m/s≤v<10m/s时，TF＝T-(v-5)×[3+0.2×(v-5)]-3；当v≥10m/s时，TF＝T-23；其中，v为风速，TF为等效室外温度，T为室外实际温度。进一步地，步骤2中RBF神经网络进行训练包括：输入层将输入的原始数据进行归一化处理；隐含层采用随机选取网络中心的方法确定隐含层神经元的数目、中心和宽度，以及隐含层到输入层之间的连接权值，并输出输出矩阵；输入层对输出矩阵进做线性变换，通过线性加权和对输入变量进行输出。本专利技术与现有技术相比，有益效果在于：本专利技术采用将回水温度与环境气象参数综合考虑对负荷进行将会取得准确实时的预测结果。为解决不同能源调度时间尺度不同的问题，本专利技术所提方法的数据采集与预测均处于同一时刻可以对热力需求进行实时预测而不用考虑热力传输的衰减与延时，进而将热力网络的调度与电力网络的调度置于相同时间尺度下，实现了多能源联合统一调度。为解决不同气象参数难以进行统一计算以及单独考虑气象因素或回水温度所带来的预测误差，提出了综合考虑风速、室外温度的等效室外温度，综合考虑热网的回水温度、等效环境温度、热网进水流速对进水温度进行预测(控制)以达到热负荷预测的目的。通过回水的温度来确定进水温度。解决了热负荷复杂模型难以建立的问题，而且还避免了传热的滞后延时带来难以建立热负荷供需平衡的问题。附图说明图1为本专利技术实施例提供的方法流程图；图2为本专利技术实施例提供的RBF神经网络计算原理图；图3为本专利技术实施例提供的REF神经网络训练流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术分为两个阶段，第一阶段为计算等效室外温度阶段，将风速对室外温度的影响转化为相应的温度变化量，进而计算其无风情况下等效室外温度；第二阶段为结合进水流速、回水温度及等效室外温度对进水温度进行预测，结合各类数据的历史数据随对REF神经网络进行训练，最后根据现有数据对进水温度进行预测。参见图1首先综合考虑室外环境的室外等效温度实验证明风速、室外温度为对热负荷的需求量产生影响的主要因素，为了将多种因素进行统一计算，本专利技术提出一种将实际有风的室外环境通过将风速转换为温度的变化，进而转换成无风的等效室外温度。首先，风速换算相当于室外温度降低了实际温度的等效温度值。等效温度值由建筑物风速对建筑温度的影响量化为建筑物的室外温度变化量。这是一个等效的室外温度，而不是实际的室外空气温度。综合室外温度的表达式为：当v<2m/s时，TF＝T当2m/s≤v<5m/s时，TF＝T-(v-2)当5m/s≤v<10m/s时，TF＝T-(v-5)×[3+0.2×(v-5)]-3当v≥10m/s时，TF＝T-23按照上面的公式计算出的综合室外温度考虑了风速对于建筑负荷的影响。由于风向对于建筑负荷的影响不大，而且在动态负荷变化的时间尺度上，风向的变化不会特别明显，认为风向的影响可以近似忽略。根据上述公式计算出的室外综合温度，考虑风速对建筑荷载的影响。由于风向对供暖负荷影响不大，而且在热负荷动态变化时间尺度上变化不大，因此风向的影响可以忽略。回水参数与等效温度的神经网络预测热力系统与电力系统传输特性差异较大，即使建立精确的热力系统模型也难以将热电两种有差异的系统调度问题置于同一时间尺度下。此外，热电负荷之间本身存在着一定得相互作用关系，温度、湿度、风速等天气因素更是影响负荷的重要因素进一步加大了建立精确模型的难度。在“以热定电”的约束中，热出力的确定对于热电联产系统的能量分配有着重要意义，但是热负荷的模型受到诸多因素的影响其中的相互作用十分复杂，本专利技术采用结合REF神经网络，对进水温度进行预测。RBF神经网络分为输入层，输出层和隐含层，信息的传递是从输入层到隐含层，再从隐含层到输出层。其中，输入层与隐含层之间为直接映射关系，隐含层到输出层则是线性加权再求和。这种直接映射和加权线性和的信息传递方式大大加快了RBF网络的运算速度，并且避免了陷入局部极小值。RBF神经网络中隐含层单元数可以根据需要自动调节，解决了隐含层单元数难以确定的问题；输入层到隐含层的权值固定为1，消除了权值初值确定和权值调节的麻烦。参见图2和图3，所采用的RBF神经网络计算流程为：1确定训练样本集；2初始化权值、学习率及平滑银子；3计算输出误差，调整权值；4取下一个训练样本；5神经网络正向运算；6误差叠加；7反馈计算；8判断所有样本计算结束，若否则返回步骤4；若是则进行下一步；9修正连接权值；10学习速率，平滑因子调整；1本文档来自技高网...

【技术保护点】
1.一种供能反馈与气象因素的热负荷预测方法，其特征在于，该方法包括：步骤1，将风速对室外温度的影响转化为相应的温度变化量，计算无风情况下等效室外温度；步骤2，以供热回水温度作为供能反馈数据，根据历史数据一级管网回水温度，一级管网回水流速，二次管网回水温度，二次管网进水流速，一次管网进水温度以及等效室外温度作为输入，以一次网的进水温度作为输出，对RBF神经网络进行训练；步骤3，经过训练后的RBF神经网络对一次网进水温度进行预测。

【技术特征摘要】
1.一种供能反馈与气象因素的热负荷预测方法，其特征在于，该方法包括：步骤1，将风速对室外温度的影响转化为相应的温度变化量，计算无风情况下等效室外温度；步骤2，以供热回水温度作为供能反馈数据，根据历史数据一级管网回水温度，一级管网回水流速，二次管网回水温度，二次管网进水流速，一次管网进水温度以及等效室外温度作为输入，以一次网的进水温度作为输出，对RBF神经网络进行训练；步骤3，经过训练后的RBF神经网络对一次网进水温度进行预测。2.按照权利要求1所述的方法，其特征在于，RBF神经网络输入层到隐含层的连接权值固定为1。3.按照权利要求1所述的方法，其特征在于，等效室外温度的计算方法为：当...

【专利技术属性】
技术研发人员：葛维春，李家珏，
申请(专利权)人：国网辽宁省电力有限公司，国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：辽宁,21