工业生产用户能源管理系统中可调电力负荷的预测方法与流程

本发明涉及电力需求管理领域，具体为工业生产用户能源管理系统中可调电力负荷的预测方法。

背景技术：

在智能电网中，以需求侧用户为主体电力能源优化管理成为推进智能电网建设的关键环节。智能电网环境下，智能终端设备的接入、电力通信技术的发展以及高级量测架构的建设，促进了智能用电双向交互技术的发展，形成了新的负荷管理方法。需求侧响应是需求侧电力负荷管理的重要技术手段，用户对价格或者激励信号做出响应，并改变正常电力消费模式，从而实现用电优化和系统资源的综合优化配置。

工业生产用户的生产成本中用电费用占有不小的比重，优化用能实现节能降耗成为工业生产用户的重要关注点。随着需求侧响应的推进，用户在工业生产中建立有效的能源管理体系，搭建能源管理系统并开展优化控制工作，是当前节能减排的核心。

对于需求侧用户来说，通过需求侧响应将工业生产中可以调节的负荷选择性地降低，能够实现节能减排和降低用电成本。早期工业生产用户的节能工作仅依靠制度和经验进行，对于可以实时调节的负荷如车间照明和空调系统等并没有实现智能控制。当前各类智能设备及系统的使用使优化调控成为可能，需求侧负荷控制策略基于有效的负荷预测展开，在预测基础上施加控制能够使控制更具有前瞻性和针对性。因此需要一种用于工业生产用户能源管理系统中可调电力负荷的预测方法。

已有的工业生产用户电力负荷的预测方法靠经验发展而来，一般用历史数据或生产计划估计预测当日工业生产用能。对于其中可调负荷如车间大型空调类负荷主要是基于时间序列数据的预测，针对负荷的相关影响因素没有详细的分析，以至于气象敏感型的负荷预测精度不高，不能在工业生产能源管理系统中起到良好的参考作用。

技术实现要素：

针对现有技术中存在的问题，本发明提供一种工业生产用户能源管理系统中可调电力负荷的预测方法，分析详细全面，节能高效，能够实现工业生产用户能源管理系统中可调电力负荷的预测。

本发明是通过以下技术方案来实现：

工业生产用户能源管理系统中可调电力负荷的预测方法，包括以下步骤：

步骤1)，根据工业生产用户能源管理系统中的可调负荷类型和历史负荷数据分析可调负荷的相关影响因素，进行可调负荷的负荷特性分析；

步骤2)，将历史负荷数据按照可调负荷的影响因素构建输入变量组，并对历史负荷数据进行模糊化处理；

步骤3)，利用神经网络搭建预测模型，并将输入变量组输入预测模型中训练预测模型；

步骤4)，将待预测日的可调负荷的相关影响因素作为输入变量，根据训练完成的预测模型进行预测，得到待预测日的可调负荷预测值，根据可调负荷预测值对可调负荷进行相应控制。

优选的，步骤4)中，待预测日的可调负荷的相关影响因素包括，待预测日的人体舒适度以及待预测日的最高气温、最低气温、相对湿度及天气状况。

优选的，所述历史负荷数据包括各项电力负荷影响因素，即待预测日前一日及前一周同一日的最高气温、最低气温、最大风速、相对湿度和人体舒适度，以及各时刻可调负荷的电力负荷值。

进一步，人体舒适度ssd的表达式为：

其中，tmax及tmin为分别为对应日的最高气温及最低气温，h为对应日的相对湿度，v为对应日的风速。

进一步，可调负荷的相关影响因素的选取，基于对相关历史负荷数据的灰色关联度分析，选取灰色关联度超过阈值的历史负荷数据作为相关影响因素，并得到影响系数，再通过对选取的历史负荷数据进行归一化和模糊化处理得到。

进一步，对选取的历史负荷数据进行如下的归一化处理；

式中：为归一化后的值，xi为变换前的值，ximin＝min(xi)，ximax＝max(xi)，m为输入的特征向量维数。

再进一步，对于历史负荷数据分别进行如下的模糊化处理；

日最高气温tmax和日最低气温tmin通过预测用历史数据集中做[0,1]间的归一化的模糊化处理；

最大风速v做如下的模糊化处理，

相对湿度h做如下的模糊化处理，

人体舒适度ssd做如下的模糊化处理，

天气状况c做如下的模糊化处理，

优选的，所述的可调负荷预测值包括待预测日若干点时刻的负荷预测值。

进一步，所述神经网络采用优化预测算法的径向基函数神经网络模型rbf。

进一步，径向基函数神经网络模型rbf是由输入层、隐含层和输出层组成的三层神经网络，其第一输入层的输入为17个神经元，第二隐含层的隐含神经元由改进粒子群算法优化得到，第三输出层的输出为1个，对应于预测日某时刻负荷的预测值；

其数学模型表示为：

式中：x∈rⁿ为神经网络输入；wi为输出层权重；g()为径向基函数；ci为径向基函数中心；σi为网络宽度；b为输出层阀值；nc为隐含层神经元数目；为x与ci之间的距离。

与现有技术相比，本发明具有以下有益的技术效果：

本发明工业生产用户能源管理系统中可调电力负荷的预测方法，在具体操作时，以历史负荷数据和相关影响因素数据作为输入变量基于神经网络模型，进而构建待预测日的负荷预测模型，然后通过该负荷预测模型得到各个时刻的负荷预测数据。有效提高了负荷预测的准确度，并能作为能源管理系统负荷调控的重要参考，有效避免超负荷运行甚至跳闸等事件发生，保证安全，节能生产。

附图说明

图1为本发明中负荷预测与能源管理系统关系示意图；

图2为本发明的负荷预测步骤示意图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本发明能够提供可调电力负荷预测值给工业生产用户的能源管理系统作为负荷调控的参考，其中使用的负荷特性分析也可作为参考数据，使工业生产用户的能源管理系统能够更加准确的完成可调电力负荷调控工作。

本发明工业生产用户能源管理系统中可调电力负荷的预测方法，如图1和图2所示，包括以下步骤：

1)根据工业生产用户能源管理系统中的可调负荷类型和历史负荷数据分析可调负荷的相关影响因素，进行可调负荷的负荷特性分析；

2)将历史负荷数据按照可调负荷的影响因素构建输入变量组，并对历史负荷数据进行模糊化处理；

3)利用神经网络搭建预测模型，并将输入变量组输入预测模型中训练预测模型；将待预测日的可调负荷的相关影响因素作为输入变量，根据训练完成的预测模型进行预测，得到待预测日的可调负荷预测值，根据可调负荷预测值对可调负荷进行相应控制。

其中，待预测日的可调负荷的相关影响因素包括，待预测日的人体舒适度以及通过天气预报获取得到的待预测日的最高气温、最低气温、相对湿度及天气状况；

历史负荷数据包括各项电力负荷影响因素，即待预测日前一日及前一周同一日的最高气温、最低气温、最大风速、相对湿度和人体舒适度，以及各时刻的空调电力负荷值。

第i日的人体舒适度ssd的表达式为：

其中，tmax及tmin为分别为第i日的最高气温及最低气温，h为第i日的相对湿度，v为第i日的风速。

各项电力可调负荷的相关影响因素的选取基于对相关历史负荷数据的灰色关联度分析，选取灰色关联度超过阈值的历史负荷数据作为相关影响因素，并得到影响系数，再对历史负荷数据进行归一化和模糊化处理。然后将包括气象影响因素数据的历史负荷数据作为输入变量，通过构建的神经网络模型进行训练和负荷预测。

具体的，在本优选实例中，以车间空调系统等气象敏感系统作为可调电力负荷。在工业生产中空调系统作为车间中主要可调负荷，具有气象敏感性，即其主要影响因素以气象因素为主。在实际中，空调负荷会受到多种气象因素综合影响，而每一种单独的气象因素对负荷产生的影响不尽相同，每一种气象因素都不能独立存在并直接决定负荷变化。通过使用历史负荷数据及相关气象因素，利用灰色关联法分析各类气象因素与负荷数据的关联度，参考表1。

表1

选择人体舒适度、气温、相对湿度和风速作为预测模型所用影响因素并得到影响系数。

对于历史负荷数据及气象数据需要进行处理后构建输入变量组，由于各种影响因素数据和历史负荷数据的原始数据单位和数值范围不同，为了避免数值范围小的数据被大数据淹没，又为了使计算尽可能简单快速，对输入样本数据进行归一化处理。

式中：——归一化后的值，xi——变换前的值，ximin＝min(xi)，ximax＝max(xi)，m——输入的特征向量维数。

对于历史负荷数据进行归一化处理，对于相关气象因素进行归一化和模糊化处理，具体参考表2。

表2

负荷预测方法中按照预测日负荷影响因素、历史负荷影响因素和各数据采样间隔的历史负荷数据进行模型构建并训练，然后针对待预测日若干点时刻分别进行负荷预测，预测空调系统负荷的输入变量组如表3所示。

表3

其中，tmax为日最高气温，tmin为日最低气温，v为日最大风速，h为日相对湿度，c为日天气状况，ssd为日人体舒适度，ni为第i日该时刻的空调负荷值。输出变量为预测日该时刻的负荷值。

最后搭建神经网络预测模型，并将输入变量组输入模型中训练模型并预测，得到待预测值。神经网络选用优化预测算法的径向基函数神经网络模型(rbf)预测当日负荷。

径向基函数神经网络是由输入层、隐含层和输出层组成的3层神经网络，建立其数学模型可表示为：

式中：x∈rⁿ为神经网络输入；wi为输出层权重；g()为径向基函数；ci为径向基函数中心；σi为网络宽度；b为输出层阀值；nc为隐含层神经元数目；为x与ci之间的距离。

rbf神经网络系统预测模型采用三层结构，其第一层输入为17个神经元，第二层隐含神经元由改进粒子群算法优化得到，第三层输出层为1个，对应于预测日某时刻负荷的预测值。