【技术实现步骤摘要】
本申请涉及智能电网，尤其涉及基于实际气象条件的智能低碳园区负荷预测方法和装置。
技术介绍
1、园区的用电负荷预测是电力系统规划中的重要环节，而电力负荷预测需要解决的是由电能无法大规模存储带来的电能供求平衡问题，进而保证供电质量。随着电力能量管理系统(ems)的发展，短期负荷预测已经成为ems的必要环节之一，为保障电力系统的安全经济运行提供支持，其主要用于优化机组启停、水电计划、水火电协调和交换功率计划。通过对短期电力负荷的精确预测，可以为电网调度制定发、供电计划提供参考依据，并保障电网中的电能供需平衡，对估计电能的生产、输送、分配和销售都能提供数据支持，使电力系统能制定更经济、合理的发、用电方案，实现能源管控，节能减排的目标。如何对园区需求侧短期负荷预测进行精确预测是目前迫切需要解决的问题。
2、而现有技术仅初步考虑园区的用电负荷问题，时间半径仅为一天24小时，未能覆盖冷、热负荷，且无法有效利用气象数据，进而难以有效辅助设备选型及容量设计，更不具备后续综合园区系统规划及园区各可行性分析的功能。技术手段上，现有技术采用时间序列这一相对传统的统计模型，无法充分发挥大数据技术优势，虽然能够拟合宏观用电负荷趋势，但是缺乏对小周期、高频次的短期波动敏感捕捉能力。
技术实现思路
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提出一种基于实际气象条件的智能低碳园区负荷预测方法，解决了现有方法无法充分发挥大数据技术优势，缺乏对
3、本申请的第二个目的在于提出一种基于实际气象条件的智能低碳园区负荷预测装置。
4、为达上述目的，本申请第一方面实施例提出了一种基于实际气象条件的智能低碳园区负荷预测方法，包括：建立气象数据库，其中，气象数据库包括历史负荷数据和历史气象数据，并根据历史负荷数据和历史气象数据生成负荷数据参数集合；基于负荷数据参数集合和历史气象数据，确定预先建立的初始逐时各建筑多元非线性回归模型的系数；根据用户选择的数据类型确定建筑类型，并根据初始逐时各建筑多元非线性回归模型的系数和建筑类型确定待测园区的逐时非线性函数模型；将待测园区所在地区的气象数据输入到逐时非线性函数模型中，得到基础负荷，并根据用于定义的环境修正变量对基础负荷进行修正，得到负荷预测结果。
5、本申请实施例的基于实际气象条件的智能低碳园区负荷预测方法，通过建立气象参数库及设备数据库的方式，在满足园区碳排放需求及冷热电能源使用负荷的基础上，能够精准发挥气象数据作用，集成主成分分析、负荷数据合成、典型场景生成等技术手段，实现针对园区冷热电负荷预测的高效大数据分析，有助于统筹各设备配置及选型、多目标优化、设备容量优化等园区范围内建设项目，是实现多类型目标园区的多能互补综合能源多目标规划设计的基础。
6、可选地，在本申请的一个实施例中，根据历史负荷数据和历史气象数据生成负荷数据参数集合，包括：
7、计算初始输入特征数据集的协方差矩阵，其中，初始输入特征数据集包括历史气象数据和历史负荷数据；
8、根据协方差矩阵确定主成分个数和主成分集合；
9、计算各影响因素在主成分集合上的得分，根据得分确定负荷数据参数集合。
10、可选地，在本申请的一个实施例中，协方差矩阵表示为：
11、∑(sij)p×p
12、其中，n为自然数，sij表示，p为示影响因素个数，xki表示，表示，
13、根据方差贡献率和累计方差贡献率确定主成分个数，其中，方差贡献率、累计方差贡献率分别表示为：
14、
15、
16、其中，ni表示方差贡献率，λi为协方差矩阵协方差矩阵的特征值，m为主成分个数；
17、各影响因素在主成分集合上的得分表示为：
18、fi＝a1ix1+a2ix2+…+apixp
19、其中，ai为协方差矩阵的特征值λi对应的正交化单位特征向量，xi表示第i个影响因素。
20、可选地，在本申请的一个实施例中，初始逐时各建筑多元非线性回归模型表示为：
21、
22、其中，y为真实值，i表示第i组数据，为多元非线性函数，表示确定性部分，x1,x2…,xj为自变量，θ1,θ1,…,θp为初始逐时各建筑多元非线性回归模型的未知模型参数，σiε为随机性部分，ε为服从n(0,1)分布的随机变量，σi为第i组数据随机分布标准差。
23、可选地，在本申请的一个实施例中，还包括：
24、获取所有园区的负荷预测结果作为初始样本数据集，并对初始样本数据集进行降维，得到样本数据集；
25、使用k-means结合样本数据集进行场景的消减聚合，得到优化数据，并将优化数据存在系统优化数据库中。
26、可选地，在本申请的一个实施例中，使用k-means结合样本数据集进行场景的消减聚合，得到优化数据，包括：
27、步骤s1：选择样本数据集中的若干个样本作为初始聚类中心；
28、步骤s2：计算样本数据集中每个样本到初始聚类中心的距离，并将其分到距离最小的聚类中心所对应的类中；
29、步骤s3：在将样本分类后重新计算每个类别的聚类中心；
30、步骤s4：重复执行步骤s2、s3，直到达到预设终止条件，将经过处理后的样本数据集作为优化数据。
31、为达上述目的，本专利技术第二方面实施例提出了一种基于实际气象条件的智能低碳园区负荷预测装置，包括数据集合生成模块、模型系数确定模块、模型生成模块、预测模块，其中，
32、数据集合生成模块，用于建立气象数据库，其中，气象数据库包括历史负荷数据和历史气象数据，并根据历史负荷数据和历史气象数据生成负荷数据参数集合；
33、模型系数确定模块，用于基于负荷数据参数集合和历史气象数据，确定预先建立的初始逐时各建筑多元非线性回归模型的系数；
34、模型生成模块，用于根据用户选择的数据类型确定建筑类型，并根据初始逐时各建筑多元非线性回归模型的系数和建筑类型确定待测园区的逐时非线性函数模型；
35、预测模块，用于将待测园区所在地区的气象数据输入到逐时非线性函数模型中，得到基础负荷，并根据用于定义的环境修正变量对基础负荷进行修正，得到负荷预测结果。
36、可选地，在本申请的一个实施例中，根据历史负荷数据和历史气象数据生成负荷数据参数集合，包括：
37、计算初始输入特征数据集的协方差矩阵，其中，初始输入特征数据集包括历史气象数据和历史负荷数据；
38、根据协方差矩阵确定主成分个数和主成分集合；
39、计算各影响因素在主成分集合上的得分，根据得分确定负荷数据参数集合。
40、可选地，本文档来自技高网...
【技术保护点】
1.一种基于实际气象条件的智能低碳园区负荷预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述根据所述历史负荷数据和历史气象数据生成负荷数据参数集合，包括：
3.如权利要求2所述的方法，其特征在于，所述协方差矩阵表示为：
4.如权利要求1所述的方法，其特征在于，所述初始逐时各建筑多元非线性回归模型表示为：
5.如权利要求1所述的方法，其特征在于，还包括：
6.如权利要求5所述的方法，其特征在于，所述使用K-means结合所述样本数据集进行场景的消减聚合，得到优化数据，包括：
7.一种基于实际气象条件的智能低碳园区负荷预测装置，其特征在于，包括数据集合生成模块、模型系数确定模块、模型生成模块、预测模块，其中，
8.如权利要求7所述的装置，其特征在于，所述根据所述历史负荷数据和历史气象数据生成负荷数据参数集合，包括：
9.如权利要求7所述的装置，其特征在于，还包括，数据更新模块，具体用于：
10.如权利要求9所述的装置，其特征在于，所述使用K-me
...【技术特征摘要】
1.一种基于实际气象条件的智能低碳园区负荷预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述根据所述历史负荷数据和历史气象数据生成负荷数据参数集合，包括：
3.如权利要求2所述的方法，其特征在于，所述协方差矩阵表示为：
4.如权利要求1所述的方法，其特征在于，所述初始逐时各建筑多元非线性回归模型表示为：
5.如权利要求1所述的方法，其特征在于，还包括：
6.如权利要求5所述的方法，其特征在于，所述使用k-means结合所述样本数据集进...
【专利技术属性】
技术研发人员：刘夕初，李硕，罗霁，刘立婷，任党培，陈纲，肖一尧，梁雪莹，张尔弩，
申请(专利权)人：国家电投集团科学技术研究院有限公司，
类型：发明
国别省市：
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。