本发明属于供热系统热负荷预测,具体涉及一种历史数据驱动的短期采暖热负荷预测方法。
背景技术:
1、集中供热是我国北方地区城镇冬季供暖的主要模式,目前全国供热面积及供热量呈现逐年上升的趋势,带来了巨大的能源消耗和碳排放。在“双碳”目标下,对热负荷预测进行研究以提高热负荷预测的精度、实现按需供热,是降低供热机组能耗的重要手段之一。按照预测周期的不同可将热负荷预测分为超短期热负荷预测、短期热负荷预测、中期热负荷预测以及长期热负荷预测四种,短期热负荷预测具有周期性强、受气象因素影响较大、负荷变化明显等特点。
2、现有技术中有基于长短期记忆网络(lstm)、时间卷积网络(tcn)、多层前馈网络(bp)等神经网络模型的热负荷预测方法,神经网络的训练过程中需要大量的历史供热负荷数据,还需处理数据、训练模型、调试参数等,耗时较久。另外,电厂每年供热区域面积都在变化,当供热面积变化之后,历史供热负荷数据就不再适用于建立面积变化后的供热区域的负荷预测模型。多元线性回归模型是建立影响因素构成的多元函数的回归模型,计算简单,运行速度快,但应用于短期热负荷预测存在气温发生大幅度改变时预测值与实际值偏差较大的问题。
技术实现思路
1、为了克服上述现有技术存在的问题,本发明的目的在于提供一种历史数据驱动的短期采暖热负荷预测方法,利用历史数据进行气温修正,采用最近n天供热数据生成短期采暖热负荷模型,对热负荷进行预测,解决了多元线性回归模型在气温发生大幅度变化时预测值与实际值偏差较大的问题,以及供热面积变化时历史供热数据无法用于建立预测模型而新的供热数据过少也无法建立模型的问题。实现了对供热系统采暖热负荷的短期预测,热负荷预测的精确高。
2、为解决上述技术问题,本发明采用如下技术方案:
3、一种历史数据驱动的短期采暖热负荷预测方法,包括以下步骤:
4、步骤1:获取供暖季历史供热管网数据和历史气温数据,历史供热管网数据包括数据的采集日期和时段、参与供暖的各管网供水流量、供水温度和回水温度;
5、步骤2:根据j条供热管网的数据计算采暖热负荷,建立供暖季历史气温及采暖热负荷数据集;计算采暖热负荷的具体方法为:
6、
7、式中:q为采暖热负荷,mw;gi为第i条供热管网水流量,t/h;cpi为第i条供热管网热网水的比热,kj/(kg·℃);t1i、t2i为第i条供热热网的供水温度、回水温度,℃;
8、供暖季历史气温及采暖热负荷数据集包含日期和时间、每个时段的气温x'1、每个时段气温与前一日同一时段气温的差值x'2、采集日期对应的前两日逐时采暖热负荷数据x'3、采集日期对应的前一日逐时采暖热负荷数据x'4、采集日期当日逐时采暖热负荷数据y';将数据按照属性,以每个属性一列的排列方式存入数据表;
9、步骤3:利用多元线性回归建立供暖季历史采暖热负荷预测模型,根据不同气温变化幅度下模型预测值与实际值的偏差计算得到当采集日期与对应前一日的全天平均气温差值的绝对值大于2℃时供暖季历史采暖热负荷预测模型的修正值;
10、多元线性回归求解供暖季历史采暖热负荷预测模型系数方法如下:
11、b=(xtx)-1xty
12、式中:b为需要求解的模型系数,为5×1矩阵;x为特征,为m×5矩阵;y为模型拟合目标,为m×1矩阵;m为样本数;
13、在建立供暖季历史采暖热负荷预测模型时,求解供暖季历史采暖热负荷预测模型系数的特征x包含元素均为1的一列数据、供暖季每个时段的气温x'1、每个时段气温与前一日同一时段气温的差值x'2、采集日期对应的前两日逐时采暖热负荷数据x'3、采集日期对应的前一日逐时采暖热负荷数据x'4,模型拟合目标为采集日期当日逐时采暖热负荷数据y';根据供暖季历史气温及采暖热负荷数据集导入以上所需数据计算模型系数后,得到供暖季历史采暖热负荷预测模型如下:
14、y′nihe=b′0+b1′x1′+b2′x′2+b3′x3′+b4′x′4
15、式中:y'nihe为采集日期各时段预测采暖热负荷值,b'0、b'1、b'2、b'3、b'4为根据多元线性回归求解的供暖季历史采暖热负荷预测模型系数,根据供暖季历史采暖热负荷预测模型计算得到预测采暖热负荷值后,计算模型预测值与实际值的偏差及相对误差:
16、δ=y′-y′nihe
17、
18、式中:δ为模型预测值与实际值的差值,δ为模型预测值与实际值的相对误差,y'nihe为预测采暖热负荷值;当某个时段模型预测值与实际值相对误差δ大于预设值时,计算该时段当日全天平均气温与前一日全天平均气温的差值δt,获取该时段气温与前一日同一时段气温的差值δt、该时段预测值与实际值的差值δ;按照δt、δt从低到高排列数据,针对处于同一δt、δt变化范围下的δ,剔除δ中的最大值和最小值后剩余值取平均,即为该气温变化幅度下预测模型修正值ε;考虑不同δt、δt变化范围,得到一系列修正值:
19、
20、式中:εk为供暖季历史采暖热负荷预测模型的修正值,pk和qk为δt、δt变化范围界限,k=1,2,3,……;
21、步骤4:获取最近n天供热管网数据及气温数据,计算采暖热负荷并建立短期气温及采暖热负荷数据集,采用多元线性回归建立短期采暖热负荷预测模型,并对模型进行修正;
22、计算采暖热负荷的具体方法同步骤2,短期气温及采暖热负荷数据集包含最近n天数据的日期和时间、最近n天每个时段的气温x1、最近n天每个时段气温与前一日同一时段气温的差值x2、最近n天采集日期对应的前两日逐时采暖热负荷数据x3、最近n天采集日期前一日逐时采暖热负荷数据x4、最近n天采集日期当日逐时采暖热负荷数据y;将数据按照属性,以每个属性一列的排列方式存入数据表;
23、求解预测模型系数的具体方法同步骤3,在求解短期采暖热负荷预测模型的系数时,特征包含最近n天的每个时段的气温x1、最近n天每个时段气温与前一日同一时段气温的差值x2、最近n天采集日期对应的前两日逐时采暖热负荷数据x3、最近n天采集日期对应的前一日逐时采暖热负荷数据x4,模型拟合目标为最近n天当日逐时采暖热负荷数据y;根据短期气温及采暖热负荷数据集导入以上所需数据,计算模型系数,得到模型系数b0、b1、b2、b3、b4,从而建立短期采暖热负荷预测模型,模型如下:
24、ynihe=b0+b1x1+b2x2+b3x3+b4x4+ε
25、式中:ynihe为未来一天各时段的预测采暖热负荷值,b0、b1、b2、b3、b4为根据多元线性回归求解的短期采暖热负荷预测模型系数;
26、步骤5:利用具有气温修正的短期采暖热负荷预测模型进行预测,通过输入前两日采暖热负荷数据、前一日采暖热负荷数据和气温数据、当日气温预报数据及未来一天气温预报数据,根据气温变化幅度得到相应修正值,能预测未来一天采暖热负荷,实现按需供热。
27、进一步的,当获取的历史数据中不包含历史气温数据时,则通过气象网站查询历史气温数据,手动输入并保存,结合历史采暖热负荷建立供暖季历史气温及采暖热负荷数据集。
28、进一步的,数据集每一行数据对应的日期和时间是一致的,在利用多元线性回归求解模型系数时,将数据集数据按照原有的属性排列顺序和方式转为矩阵形式方便模型系数求解。
29、进一步的,在计算模型系数时,模型系数b为5×1矩阵,包含一个常数项系数,因此特征x需要包含元素均为1的一列数据,才能求解出常数项系数;故在将数据集数据转为矩阵形式时需要在原有数据之前加上一列元素均为1的数据。
30、进一步的,在利用多元线性回归计算模型系数时,需要运用矩阵的相关计算,采用matlab或者visual studio软件进行编程运算。
31、进一步的,在计算预测模型的修正值ε时,模型预测值与实际值相对误差δ要根据预测目标精度选取误差范围。
32、进一步的,当获取的最近n天数据中不包含气温数据时,则通过气象网站查询最近n天气温数据,手动输入并保存,结合短期采暖热负荷建立短期供暖季气温及采暖热负荷数据集;若获取的最近n天数据中包含气温数据但无法提供当日及未来一天的气温预报数据时,只能通过气象网站查询最近n天气温数据、当日及未来一天的气温预报数据,即气温数据的来源要统一。
33、进一步的,为预测未来一天的采暖热负荷需要获取最近n天数据,最近n天数据随着时间变化不断被更新、覆盖,短期采暖热负荷预测模型也在不断变化;为了能准确拟合出短期采暖热负荷预测模型,n的取值选取大于7天的数据。
34、进一步的,为预测未来一天各时段采暖热负荷,需要先预测出当天各时段的热负荷数据;通过输入前两日采暖热负荷数据、前一日采暖热负荷数据和气温数据、当日气温预报数据,根据气温变化幅度得到相应修正值,预测出当天各时段的采暖热负荷值,再将预测的数据保存、代入短期采暖热负荷预测模型中,结合未来一天气温预报数据和修正值,预测未来一天各时段采暖热负荷。
35、进一步的,短期采暖热负荷预测模型的评价指标采用平均绝对百分比误差mape衡量短期采暖热负荷预测模型的精确程度,具体计算如下:
36、
37、式中:yi为未来一天i时段实际热负荷,ynihe为未来一天i时段的预测采暖热负荷值,m为样本量。
38、本发明的有益效果是:本发明充分考虑气温有较大变化时给短期热负荷预测带来的影响,引入了气温修正值,利用开始供热后的连续n天数据建立模型。根据多元线性回归建立的负荷预测模型考虑的参数简单,计算快,可及时、准确地计算出热负荷,解决了多元线性回归方法在气温发生大幅度变化时预测值与实际值偏差较大的问题,以及供热面积变化时历史供热数据无法用于建立预测模型而新的供热数据过少也无法建立模型的问题。实现了对供热系统采暖热负荷的短期预测,热负荷预测的精度高。