【技术实现步骤摘要】
一种基于动态数据挖掘的冷热电联供系统负荷预测方法
本专利技术涉及电力系统及其自动化
，更具体地，涉及一种基于动态数据挖掘的冷热电联供系统负荷预测方法。
技术介绍
冷热电联供系统(combinedcoolingheatingandpower，CCHP)是建立在“温度对口、梯级利用”概念基础上的先进高效用能技术，是能够实现制冷、供热及发电过程一体化的能源综合利用，系统冷热电联供系统不仅能实现能源的高效梯级利用进而提高能源的一次利用率，而且能有效减少CO2及有害气体的排放，具有良好的经济、环保和设备效益；因此，冷热电联供系统已是分布式能源发展的主要方向和形式，也是世界第二代能源技术发展的重要方向之一。冷热电负荷准确预测是冷热电联供系统优化设计、运行调度和能量管理的关键因素和基本前提，具有重要的理论意义和使用价值；负荷预测是根据电力负荷、经济、社会、气象等的历史数据，探索电力负荷历史数据变化规律对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，从而对未来的负荷进行科学预测；区域建筑动态冷热电负荷在区域能源规划、分布式能源系统设计及应用分析等方面发挥着重要的...
【技术保护点】
1.一种基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，所述方法包括以下步骤：S1：从历史和实时数据集中获取微居民区冷热电负荷数据信息，以及气象信息：温度、湿度、风速、光照强度等相关数据信息，构建负荷数据矩阵；S2：填补数据缺失值；若负荷数据缺失不严重，则采用滑动窗口平均法填补；若负荷数据集缺失严重，则采用基于马氏距离的k均值填充法填补缺失值；S3：对负荷矩阵异常数据的离群程度进行监测；S4：构建居民区冷热电负荷预测模型；S5：采用Apriori算法分析负荷数据、气象参数、人员活动规律以及建筑物特征之间所存在的内在相关性和连动关系，并对强关联规则进行解读，寻找提高...
【技术特征摘要】
1.一种基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，所述方法包括以下步骤：S1：从历史和实时数据集中获取微居民区冷热电负荷数据信息，以及气象信息：温度、湿度、风速、光照强度等相关数据信息，构建负荷数据矩阵；S2：填补数据缺失值；若负荷数据缺失不严重，则采用滑动窗口平均法填补；若负荷数据集缺失严重，则采用基于马氏距离的k均值填充法填补缺失值；S3：对负荷矩阵异常数据的离群程度进行监测；S4：构建居民区冷热电负荷预测模型；S5：采用Apriori算法分析负荷数据、气象参数、人员活动规律以及建筑物特征之间所存在的内在相关性和连动关系，并对强关联规则进行解读，寻找提高负荷预测精度的关键切入点。2.根据权利要求1所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S1中负荷数据矩阵为：其中，xHi1、xHi2、xHi3、xHi4、xHi5、xHi6、xHi7分别为电负荷、热负荷、冷负荷、温度、湿度、风度、光照强度。3.根据权利要求1所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S2中滑动窗口平均法为：在填补负荷缺失数据时，把一个窗口内的m个数据近似的看成平稳，这样他们的算术平均值等于一个常量，然后用这个常量填补缺失的负荷数据值；滑动窗口平均法表达式为：其中，n为数据个数，k∈n。4.根据权利要求1所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S2中基于马氏距离的k均值填充法填补缺失值包括以下步骤：S2.1：通过相关性分析，找到影响负荷数据缺失属性值的m个显著变量V＝{V1,V2,...,Vm}，降低数据集的维度；S2.2：计算缺失数据Xi和完整数据集Xj之间的马氏距离，并通过信息熵生成邻近域的系数矩阵ei，来量化表示最近领域中的数据与缺失数据的相似程度，相似度越高，对填补数据的影响越大；S2.3：计算缺失数据Xi最近领域的加权平均值，并将该值作为缺失数据的预测值进行填补。5.根据权利要求4所述的基于动态数据挖掘的冷热电联供系统负荷预测方法，其特征在于，S2.1中相关性分析中度量相关系数之间关系性强弱的定量指标为Pearson；...
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。