一种基于灰色关联与区间统计的电采暖电量预测方法与流程

本发明涉及电网电量分析，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。

背景技术：

1、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。

2、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。

3、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。

技术实现思路

1、本发明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：

2、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；

3、s102、对历史数据进行预处理，分析出特征指标；

4、s103、利用灰色关联分析特征指标与电采暖电量的关联程度；

5、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；

6、s105、构建基于关键区间统计的预测模型；

7、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。

8、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。

9、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；

10、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。

11、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；

12、皮尔逊相关系数的计算公式为：

13、

14、e为数据期望或均值，d为方差，为标准差，cov(x,y)为协方差；

15、皮尔逊相关系数的取值范围是[-1，1]；

16、当x与y线性相关时，皮尔逊相关系数取值为1或-1。

17、优选地，构建双向lstm网络预测模型还包括：

18、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；

19、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；

20、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。

21、优选地，构建双向lstm网络预测模型还包括：

22、搜索单层模型的最佳隐藏单元数量并将其固定；

23、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；

24、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；

25、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。

26、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；

27、基于参考数列和比较序列计算关联系数，公式包括：

28、δi(k)＝|y(k)-xi(k)|；

29、

30、式中：δi(k)是比较序列与参考序列差的绝对值，ξi(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；

31、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。

32、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；

33、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；

34、电量贡献度计算公式为：

35、

36、式中：c为电量贡献度，t为单月内最低温度的个数，qi为第i个最低温度对应的累计电量，qy为月度电量。

37、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。

38、优选地，步骤105还包括：

39、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；

40、计算公式为：

41、

42、zi为关键温度区间内的第i日使用采暖设备用户数，d为区间内的天数，z为采暖用户总数，f为采暖设备使用率；

43、叠加关键温度区间内的累计电量，计算区间内的日均电量；

44、计算公式为：

45、

46、式中：qi为关键温度区间内的每日电量，d为区间内的天数，q为区间日均电量。

47、优选地，步骤105还包括根据历史年采暖季内每日最低温度情况或者依据气象网站未来气温数据，确定待预测采暖季内每日最低温度；

48、依据所构建的关键温度区间统计最低温度出现天数，参考采暖用户变化趋势调整采暖设备使用率，预测采暖电量值；

49、计算公式包括：

50、

51、qi为区间内日均电量，za为历史采暖用户总数，zb为现有采暖用户总数，fi为历史用户采暖设备使用率，fbi为现有用户采暖设备使用率，di为最低温度区间对应的天数，n为关键温度区间的个数，qi为总预测电量。

52、从以上技术方案可以看出，本发明具有以下优点：

53、本发明利用灰色关联分析电量与不同因素之间的相关性，获取关键影响因子。本发明通过构建简便的电量预测模型，提出区间统计的方法将最低温度对电量的贡献度量化分析，建立关键温度区间，引入采暖设备使用率，实现基于区间统计的电采暖电量预测模型，使本发明具有更为准确的预测效果。本发明通过构建双向lstm网络预测模型，验证本发明预测方法的有效性，使得预测模型的可调性强、计算时间短，可以简便实现电采暖电量预测。

技术特征：

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：

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；

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；

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：

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：

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；

8.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；

9.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105还包括：

10.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105还包括根据历史年采暖季内每日最低温度情况或者依据气象网站未来气温数据，确定待预测采暖季内每日最低温度；

技术总结
本发明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。本发明涉及基于电采暖历史电量数据、天气温度数据及相关统计方法。本发明基于采暖季的历史数据分析出特征指标，利用灰色关联分析电量及其影响因素的相关性，提出区间统计的方法将最低温度对电量的贡献度量化分析，建立关键温度区间，引入采暖设备使用率，实现基于区间统计的电采暖电量预测模型，并构建双向LSTM网络预测模型，验证预测模型有效性，提高电采暖电量预测结果的准确性。

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
受保护的技术使用者：国网冀北电力有限公司承德供电公司
技术研发日：
技术公布日：2024/1/15