一種基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法技術(shù)

本發(fā)明專利技術(shù)屬于電網(wǎng)電量分析技術(shù)領(lǐng)域，具體為一種基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法

【技術(shù)實現(xiàn)步驟摘要】
一種基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法


[0001]本專利技術(shù)涉及電網(wǎng)電量分析
，具體為一種基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法
。

技術(shù)介紹

[0002]為解決冬季燃煤供暖引起的空氣污染問題，提出支持利用清潔能源進(jìn)行采暖
?！半姴膳弊鳛榍鍧嵐┡挠行Ъ夹g(shù)手段之一，利用電能實現(xiàn)采暖，具有無污染
、
可控性強(qiáng)
、
采暖率高等諸多優(yōu)點(diǎn)
。
當(dāng)前正處于發(fā)展電采暖供熱最有利的環(huán)境期，電采暖設(shè)備的應(yīng)用越來越廣泛，常見的電采暖方式包括蓄熱式電鍋爐
、
空氣源熱泵和直熱電暖器等設(shè)備
。
隨著“煤改電”工程的不斷推進(jìn)，城鄉(xiāng)居民用電持續(xù)增長，尤其是鄉(xiāng)村居民用電增幅較大，秋季電量與冬季電量差距不斷加大，入冬后“煤改電”負(fù)荷接入導(dǎo)致地區(qū)電網(wǎng)負(fù)荷大幅不均衡增長
。
[0003]近年來，電采暖負(fù)荷每年以遞增的速度接入電網(wǎng)，大規(guī)模的電采暖設(shè)備向電網(wǎng)注入諧波分量，并在啟動過程中造成電壓暫降，直接影響到電網(wǎng)設(shè)備的運(yùn)行和增加線路損耗等，嚴(yán)重影響到電網(wǎng)的安全穩(wěn)定運(yùn)行以及電能的質(zhì)量
。
目前針對電采暖電量的預(yù)測研究成果相對較少，且大多數(shù)方法主要以人工智能預(yù)測算法為主，構(gòu)建的預(yù)測模型相對復(fù)雜，而且電采暖電量影響因素的選取過于寬泛
。
[0004]因此，準(zhǔn)確快速實現(xiàn)電采暖電量預(yù)測不僅能保證配電網(wǎng)的經(jīng)濟(jì)穩(wěn)定運(yùn)行，還對電網(wǎng)企業(yè)進(jìn)行決策部署
、
合理安排工作具有重要意義
。r/>
技術(shù)實現(xiàn)思路

[0005]本專利技術(shù)為了提高預(yù)測電采暖電量準(zhǔn)確性，提供一種基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，方法包括以下步驟：
[0006]S101、
收集采暖季內(nèi)電采暖電量
、
天氣信息和用戶檔案的歷史數(shù)據(jù)；
[0007]S102、
對歷史數(shù)據(jù)進(jìn)行預(yù)處理，分析出特征指標(biāo)；
[0008]S103、
利用灰色關(guān)聯(lián)分析特征指標(biāo)與電采暖電量的關(guān)聯(lián)程度；
[0009]S104、
多維度統(tǒng)計電量情況，根據(jù)電量貢獻(xiàn)度劃分關(guān)鍵溫度區(qū)間；
[0010]S105、
構(gòu)建基于關(guān)鍵區(qū)間統(tǒng)計的預(yù)測模型；
[0011]S106、
利用雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型對預(yù)測模型預(yù)測的電采暖電量進(jìn)行校驗
。
[0012]優(yōu)選地，步驟
S103
還包括：構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型，基于整個時間序列對輸出電采暖電量進(jìn)行雙向
LSTM
網(wǎng)絡(luò)預(yù)測
。
[0013]優(yōu)選地，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型包括：將隱藏層神經(jīng)元分成正時間方向和負(fù)時間方向2個部分，具有2個獨(dú)立的隱藏層，然后前饋到相同的輸出層，同時包括過去和未來的序列信息；
[0014]第1層
LSTM
計算當(dāng)前時間點(diǎn)順序信息，第2層
LSTM
反向讀取相同的序列，添加逆序信息，每層的
LSTM
具有不同參數(shù)
。
[0015]優(yōu)選地，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型還包括：利用皮爾遜相關(guān)系數(shù)計算兩個隨機(jī)
變量之間的線形相關(guān)程度；
[0016]皮爾遜相關(guān)系數(shù)的計算公式為：
[0017][0018]E
為數(shù)據(jù)期望或均值，
D
為方差，為標(biāo)準(zhǔn)差，
Cov(X,Y)
為協(xié)方差；
[0019]皮爾遜相關(guān)系數(shù)的取值范圍是
[
?1，
1]；
[0020]當(dāng)
X
與
Y
線性相關(guān)時，皮爾遜相關(guān)系數(shù)取值為1或
?
1。
[0021]優(yōu)選地，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型還包括：
[0022]按照皮爾遜相關(guān)系數(shù)分析的特征指標(biāo)的相關(guān)性順序，依次選擇不同數(shù)目的特征指標(biāo)；
[0023]利用雙向
LSTM
網(wǎng)絡(luò)對其進(jìn)行電量預(yù)測，以均方誤差來衡量預(yù)測結(jié)果；
[0024]選取均方誤差最小的特征指標(biāo)作為模型輸入，建立基于雙向
LSTM
網(wǎng)絡(luò)的電采暖電量預(yù)測模型
。
[0025]優(yōu)選地，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型還包括：
[0026]搜索單層模型的最佳隱藏單元數(shù)量并將其固定；
[0027]然后增加一層隱藏層，繼續(xù)搜索該層的最佳隱藏神經(jīng)元數(shù)量；
[0028]反復(fù)迭代，設(shè)置均方誤差最小時所對應(yīng)的層數(shù)及神經(jīng)元數(shù)量，作為雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型的最終參數(shù)；
[0029]選擇待預(yù)測的數(shù)據(jù)輸入到雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型，輸出電采暖電量預(yù)測結(jié)果
。
[0030]優(yōu)選地，步驟
103
還包括：將電采暖電量設(shè)為參考數(shù)列，將比較序列設(shè)為特征指標(biāo)；
[0031]基于參考數(shù)列和比較序列計算關(guān)聯(lián)系數(shù)，公式包括：
[0032]Δ
i
(k)
＝
|y(k)
?
x
i
(k)|
；
[0033][0034]式中：
Δ
i
(k)
是比較序列與參考序列差的絕對值，
ξ
i
(k)
為比較數(shù)列對參考數(shù)列在第
k
個指標(biāo)上的關(guān)聯(lián)系數(shù)，
ρ
為分辨系數(shù)；
[0035]將各個時刻的關(guān)聯(lián)系數(shù)求平均值，設(shè)置該平均值為關(guān)聯(lián)度，根據(jù)關(guān)聯(lián)度大小將特征指標(biāo)排序
。
[0036]優(yōu)選地，步驟
104
還包括：統(tǒng)計采暖季每日電采暖電量
、
用戶數(shù)和最低溫度，計算每個月的最低溫度對應(yīng)的累計電量，求其占月電量的比重，定義為電量占比；
[0037]將每個月內(nèi)的最低溫度排序，從低到高累計每個最低溫度下的電量占比，定義為電量貢獻(xiàn)度；
[0038]電量貢獻(xiàn)度計算公式為：
[0039][0040]式中：
C
為電量貢獻(xiàn)度，
T
為單月內(nèi)最低溫度的個數(shù)，
Q
i
為第
i
個最低溫度對應(yīng)的累計電量，
Q
y
為月度電量
。
[0041]基于貢獻(xiàn)度為
50
％
、80
％和
100
％對應(yīng)的最低溫度，劃分三個關(guān)鍵溫度區(qū)間
。
[0042]優(yōu)選地，步驟
105
還包括：
[0043]統(tǒng)計每個關(guān)鍵溫度區(qū)間內(nèi)的天數(shù)和每日用戶，計算采暖設(shè)備使用率；
[0044]計算公式為：
[0045][0046]Z
i
為關(guān)鍵溫度區(qū)間內(nèi)的第
i<本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】

【技術(shù)特征摘要】
1.
一種基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，方法包括以下步驟：
S101、
收集采暖季內(nèi)電采暖電量
、
天氣信息和用戶檔案的歷史數(shù)據(jù)；
S102、
對歷史數(shù)據(jù)進(jìn)行預(yù)處理，分析出特征指標(biāo)；
S103、
利用灰色關(guān)聯(lián)分析特征指標(biāo)與電采暖電量的關(guān)聯(lián)程度；
S104、
多維度統(tǒng)計電量情況，根據(jù)電量貢獻(xiàn)度劃分關(guān)鍵溫度區(qū)間；
S105、
構(gòu)建基于關(guān)鍵區(qū)間統(tǒng)計的預(yù)測模型；
S106、
利用雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型對預(yù)測模型預(yù)測的電采暖電量進(jìn)行校驗
。2.
根據(jù)權(quán)利要求1所述的基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，步驟
S103
還包括：構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型，基于整個時間序列對輸出電采暖電量進(jìn)行雙向
LSTM
網(wǎng)絡(luò)預(yù)測
。3.
根據(jù)權(quán)利要求2所述的基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型包括：將隱藏層神經(jīng)元分成正時間方向和負(fù)時間方向2個部分，具有2個獨(dú)立的隱藏層，然后前饋到相同的輸出層，同時包括過去和未來的序列信息；第1層
LSTM
計算當(dāng)前時間點(diǎn)順序信息，第2層
LSTM
反向讀取相同的序列，添加逆序信息，每層的
LSTM
具有不同參數(shù)
。4.
根據(jù)權(quán)利要求3所述的基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型還包括：利用皮爾遜相關(guān)系數(shù)計算兩個隨機(jī)變量之間的線形相關(guān)程度；皮爾遜相關(guān)系數(shù)的計算公式為：
E
為數(shù)據(jù)期望或均值，
D
為方差，為標(biāo)準(zhǔn)差，
Cov(X,Y)
為協(xié)方差；皮爾遜相關(guān)系數(shù)的取值范圍是
[
?1，
1]
；當(dāng)
X
與
Y
線性相關(guān)時，皮爾遜相關(guān)系數(shù)取值為1或
?
1。5.
根據(jù)權(quán)利要求4所述的基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型還包括：按照皮爾遜相關(guān)系數(shù)分析的特征指標(biāo)的相關(guān)性順序，依次選擇不同數(shù)目的特征指標(biāo)；利用雙向
LSTM
網(wǎng)絡(luò)對其進(jìn)行電量預(yù)測，以均方誤差來衡量預(yù)測結(jié)果；選取均方誤差最小的特征指標(biāo)作為模型輸入，建立基于雙向
LSTM
網(wǎng)絡(luò)的電采暖電量預(yù)測模型
。6.
根據(jù)權(quán)利要求5所述的基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，構(gòu)建雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型還包括：搜索單層模型的最佳隱藏單元數(shù)量并將其固定；然后增加一層隱藏層，繼續(xù)搜索該層的最佳隱藏神經(jīng)元數(shù)量；反復(fù)迭代，設(shè)置均方誤差最小時所對應(yīng)的層數(shù)及神經(jīng)元數(shù)量，作為雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型的最終參數(shù)；選擇待預(yù)測的數(shù)據(jù)輸入到雙向
LSTM
網(wǎng)絡(luò)預(yù)測模型，輸出電采暖電量預(yù)測結(jié)果
。
7.
根據(jù)權(quán)利要求1所述的基于灰色關(guān)聯(lián)與區(qū)間統(tǒng)計的電采暖電量預(yù)測方法，其特征在于，步驟

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳廣宇，袁紹軍，夏革非，王宏亮，張華東，李文龍，于寶鑫，李佳驥，陳東洋，
申請(專利權(quán))人：國網(wǎng)冀北電力有限公司承德供電公司，
類型：發(fā)明
國別省市：