一种基于灰色关联与区间统计的电采暖电量预测方法技术

本发明专利技术属于电网电量分析技术领域，具体为一种基于灰色关联与区间统计的电采暖电量预测方法

【技术实现步骤摘要】
一种基于灰色关联与区间统计的电采暖电量预测方法


[0001]本专利技术涉及电网电量分析
，具体为一种基于灰色关联与区间统计的电采暖电量预测方法
。

技术介绍

[0002]为解决冬季燃煤供暖引起的空气污染问题，提出支持利用清洁能源进行采暖
。“电采暖”作为清洁供暖的有效技术手段之一，利用电能实现采暖，具有无污染
、
可控性强
、
采暖率高等诸多优点
。
当前正处于发展电采暖供热最有利的环境期，电采暖设备的应用越来越广泛，常见的电采暖方式包括蓄热式电锅炉
、
空气源热泵和直热电暖器等设备
。
随着“煤改电”工程的不断推进，城乡居民用电持续增长，尤其是乡村居民用电增幅较大，秋季电量与冬季电量差距不断加大，入冬后“煤改电”负荷接入导致地区电网负荷大幅不均衡增长
。
[0003]近年来，电采暖负荷每年以递增的速度接入电网，大规模的电采暖设备向电网注入谐波分量，并在启动过程中造成电压暂降，直接影响到电网设备的运行和增加线路损耗等，严重影响到电网的安全稳定运行以及电能的质量
。
目前针对电采暖电量的预测研究成果相对较少，且大多数方法主要以人工智能预测算法为主，构建的预测模型相对复杂，而且电采暖电量影响因素的选取过于宽泛
。
[0004]因此，准确快速实现电采暖电量预测不仅能保证配电网的经济稳定运行，还对电网企业进行决策部署
、
合理安排工作具有重要意义
。r/>
技术实现思路

[0005]本专利技术为了提高预测电采暖电量准确性，提供一种基于灰色关联与区间统计的电采暖电量预测方法，方法包括以下步骤：
[0006]S101、
收集采暖季内电采暖电量
、
天气信息和用户档案的历史数据；
[0007]S102、
对历史数据进行预处理，分析出特征指标；
[0008]S103、
利用灰色关联分析特征指标与电采暖电量的关联程度；
[0009]S104、
多维度统计电量情况，根据电量贡献度划分关键温度区间；
[0010]S105、
构建基于关键区间统计的预测模型；
[0011]S106、
利用双向
LSTM
网络预测模型对预测模型预测的电采暖电量进行校验
。
[0012]优选地，步骤
S103
还包括：构建双向
LSTM
网络预测模型，基于整个时间序列对输出电采暖电量进行双向
LSTM
网络预测
。
[0013]优选地，构建双向
LSTM
网络预测模型包括：将隐藏层神经元分成正时间方向和负时间方向2个部分，具有2个独立的隐藏层，然后前馈到相同的输出层，同时包括过去和未来的序列信息；
[0014]第1层
LSTM
计算当前时间点顺序信息，第2层
LSTM
反向读取相同的序列，添加逆序信息，每层的
LSTM
具有不同参数
。
[0015]优选地，构建双向
LSTM
网络预测模型还包括：利用皮尔逊相关系数计算两个随机
变量之间的线形相关程度；
[0016]皮尔逊相关系数的计算公式为：
[0017][0018]E
为数据期望或均值，
D
为方差，为标准差，
Cov(X,Y)
为协方差；
[0019]皮尔逊相关系数的取值范围是
[
‑1，
1]；
[0020]当
X
与
Y
线性相关时，皮尔逊相关系数取值为1或
‑
1。
[0021]优选地，构建双向
LSTM
网络预测模型还包括：
[0022]按照皮尔逊相关系数分析的特征指标的相关性顺序，依次选择不同数目的特征指标；
[0023]利用双向
LSTM
网络对其进行电量预测，以均方误差来衡量预测结果；
[0024]选取均方误差最小的特征指标作为模型输入，建立基于双向
LSTM
网络的电采暖电量预测模型
。
[0025]优选地，构建双向
LSTM
网络预测模型还包括：
[0026]搜索单层模型的最佳隐藏单元数量并将其固定；
[0027]然后增加一层隐藏层，继续搜索该层的最佳隐藏神经元数量；
[0028]反复迭代，设置均方误差最小时所对应的层数及神经元数量，作为双向
LSTM
网络预测模型的最终参数；
[0029]选择待预测的数据输入到双向
LSTM
网络预测模型，输出电采暖电量预测结果
。
[0030]优选地，步骤
103
还包括：将电采暖电量设为参考数列，将比较序列设为特征指标；
[0031]基于参考数列和比较序列计算关联系数，公式包括：
[0032]Δ
i
(k)
＝
|y(k)
‑
x
i
(k)|
；
[0033][0034]式中：
Δ
i
(k)
是比较序列与参考序列差的绝对值，
ξ
i
(k)
为比较数列对参考数列在第
k
个指标上的关联系数，
ρ
为分辨系数；
[0035]将各个时刻的关联系数求平均值，设置该平均值为关联度，根据关联度大小将特征指标排序
。
[0036]优选地，步骤
104
还包括：统计采暖季每日电采暖电量
、
用户数和最低温度，计算每个月的最低温度对应的累计电量，求其占月电量的比重，定义为电量占比；
[0037]将每个月内的最低温度排序，从低到高累计每个最低温度下的电量占比，定义为电量贡献度；
[0038]电量贡献度计算公式为：
[0039][0040]式中：
C
为电量贡献度，
T
为单月内最低温度的个数，
Q
i
为第
i
个最低温度对应的累计电量，
Q
y
为月度电量
。
[0041]基于贡献度为
50
％
、80
％和
100
％对应的最低温度，划分三个关键温度区间
。
[0042]优选地，步骤
105
还包括：
[0043]统计每个关键温度区间内的天数和每日用户，计算采暖设备使用率；
[0044]计算公式为：
[0045][0046]Z
i
为关键温度区间内的第
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，方法包括以下步骤：
S101、
收集采暖季内电采暖电量
、
天气信息和用户档案的历史数据；
S102、
对历史数据进行预处理，分析出特征指标；
S103、
利用灰色关联分析特征指标与电采暖电量的关联程度；
S104、
多维度统计电量情况，根据电量贡献度划分关键温度区间；
S105、
构建基于关键区间统计的预测模型；
S106、
利用双向
LSTM
网络预测模型对预测模型预测的电采暖电量进行校验
。2.
根据权利要求1所述的基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，步骤
S103
还包括：构建双向
LSTM
网络预测模型，基于整个时间序列对输出电采暖电量进行双向
LSTM
网络预测
。3.
根据权利要求2所述的基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，构建双向
LSTM
网络预测模型包括：将隐藏层神经元分成正时间方向和负时间方向2个部分，具有2个独立的隐藏层，然后前馈到相同的输出层，同时包括过去和未来的序列信息；第1层
LSTM
计算当前时间点顺序信息，第2层
LSTM
反向读取相同的序列，添加逆序信息，每层的
LSTM
具有不同参数
。4.
根据权利要求3所述的基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，构建双向
LSTM
网络预测模型还包括：利用皮尔逊相关系数计算两个随机变量之间的线形相关程度；皮尔逊相关系数的计算公式为：
E
为数据期望或均值，
D
为方差，为标准差，
Cov(X,Y)
为协方差；皮尔逊相关系数的取值范围是
[
‑1，
1]
；当
X
与
Y
线性相关时，皮尔逊相关系数取值为1或
‑
1。5.
根据权利要求4所述的基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，构建双向
LSTM
网络预测模型还包括：按照皮尔逊相关系数分析的特征指标的相关性顺序，依次选择不同数目的特征指标；利用双向
LSTM
网络对其进行电量预测，以均方误差来衡量预测结果；选取均方误差最小的特征指标作为模型输入，建立基于双向
LSTM
网络的电采暖电量预测模型
。6.
根据权利要求5所述的基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，构建双向
LSTM
网络预测模型还包括：搜索单层模型的最佳隐藏单元数量并将其固定；然后增加一层隐藏层，继续搜索该层的最佳隐藏神经元数量；反复迭代，设置均方误差最小时所对应的层数及神经元数量，作为双向
LSTM
网络预测模型的最终参数；选择待预测的数据输入到双向
LSTM
网络预测模型，输出电采暖电量预测结果
。
7.
根据权利要求1所述的基于灰色关联与区间统计的电采暖电量预测方法，其特征在于，步骤

【专利技术属性】
技术研发人员：陈广宇，袁绍军，夏革非，王宏亮，张华东，李文龙，于宝鑫，李佳骥，陈东洋，
申请(专利权)人：国网冀北电力有限公司承德供电公司，
类型：发明
国别省市：