[发明专利]一种基于数值天气预报进行热负荷预测的方法

说明书

技术领域

本发明涉及热负荷预测领域，更具体涉及一种基于数值天气预报进行热负荷预测的方法。

背景技术

一般来说用户、物业公司和热力公司会根据自己的需求调节温控阀，以满足居民和企业的供热要求。当多个热力站都进行调节自己的热水流量以后，整个热网的热水流量和供热会量也随之发生变化，而这种变化往往是无规律的。对于这种缺少精确数学模型的受控量，在缺乏准确预测的前提下若要实现按需合理地供热是非常困难的。同时，由于热水是供热系统所送的热介质，其热惯性往往较大，温度变化存在较明显的滞后性，这就很难在较短的时间内达到温度的平稳性控制目标。准确可靠的热负荷预测结合风电功率预测可为热-电联合运行调度提供依据，一方面准确的热负荷预测可以提高集中供热管网系统的运行效率、可靠性和经济性，另一方面可根据风电及热负荷预测结果合理确定开机方式，提升电网的调峰能力，进而提高电网接纳风电的能力。

在城市热负荷预测方面，国外在的研究起步较早，早在1988年，丹麦技术大学(DTU)已开发了热负荷预测与能源优化系统PRESS(Prognosis and Energy Control System)，该系统的输入数据包括热负荷的在线测量数据，供、回水温度，水流量，户外温度、风速、辐照强度等实测气象参数和温度、风速等预测气象参数，系统可实现对未来1h至120h的热负荷预测，同时，系统还可以实现对区域供热网络温度的优化控制。目前，该系统已应用于丹 麦国内多个区域供热系统。澳大利亚开发了饲养场热负荷工具箱，包括数值天气预报程序、风险分析程序，其中数值天气预报以WRF模式为基础，采用GFS作为背景场，预报时常为4天，每日更新2次。该工具可提供澳大利亚全境未来4天的热负荷指数(Heat Load Index)，时间分辨率为6小时，同时可提供极端热负荷事件的概率预测。该工具已在澳大利亚得到广泛应用，可为饲养场的热负荷管理提供依据。此外，国外多名学者和研究人员在热负荷预测方面也开展了深入的研究。

国内在此方面少有报导。基于数值天气预报作为热负荷预测的基础，预测和管理系统都是基于对全球气象数据的观测和测量，这些信息是得自于气象专家、气象台站、气象卫星等等。所获得的气象参数预测精度较高，可以作为热负荷预测的重要参考。

有鉴于此，本发明人积极加以研究和创设，以发明一种基于数值天气预报的热负荷预测方法，用于城市热负荷预测。

发明内容

本发明的目的是提供一种基于数值天气预报进行热负荷预测的方法，提高热负荷的预测精度。

为实现上述目的，本发明采用以下技术方案：一种基于数值天气预报进行热负荷预测的方法，包括：

向神经网络模型中输入训练样本；

训练神经网络模型；

检验神经网络模型；

当所述模型的标准误差小于设定值时，确定所述模型的参数；

向所述模型输入数值天气预报预测值；

得到热负荷预测结果。

所述训练样本包括至少1年以上历史数值天气预报数据和历史热负荷数据。

所述数值天气预报数据包括气象参数温度、长波辐射、湿度等数据；所述热负荷数据是供热量数据。

所述训练神经网络模型的过程包括：

步骤2-1：选择一年的历史数值天气预报数据和热负荷数据；

步骤2-2：对数据进行完整性检验和归一化处理；

步骤2-3：计算数值天气预报各气象参数与热负荷之间的相关性；

步骤2-4：根据各气象参数的相关性分析结果确定神经元网络输入节点数；

步骤2-5：利用历史数据对模型进行训练，获得模型参数；

步骤2-6：利用所获得模型进行预测。

所述检验神经网络模型过程为：

步骤3-1：确定待预测的时间段未来72小时，获得该时段数值天气预报数据的相应气象参数，并对其进行归一化处理；

步骤3-2：将相应气象参数输入训练完成的神经元网络模型；

步骤3-3：获得神经元网络未来72小时的热负荷预测结果。

步骤2-2中数据的处理过程为：

步骤2-2-1：去掉热负荷数据连续为零的点和连续10个以上不变的点；

步骤2-2-2：去掉数值天气预报数据对应于热负荷预测缺失的点；

步骤2-2-3：将热负荷数据和数值天气预报数据分别进行归一化处理。