[发明专利]区域终端集成供能系统长期负荷混合预测方法

说明书

本发明属于长期负荷预测方法，具体涉及一种区域终端集成供能系统长期负荷混合预测方法，该方法包括如下步骤：收集区域内各负荷原始历史数据，并进行归一化处理；计算收集的各负荷耦合度C；建立ARIMA预测模型；确定各负荷系统预测模型内、外生变量；建立VAR预测模型；获得最终预测结果。该方法能够更加精准地对区域终端集成供能系统的各个长期负荷的情况进行混合预测，并能以此合理安排供能设施的建设。

技术领域

本发明属于长期负荷预测方法，具体涉及一种区域终端集成供能系统长期负荷混合预测方法。

背景技术

随着先进科学的发展，人们对能源的需求日益增加，与此同时，传统化石能源日益枯竭，能源安全、环境保护等问题备受关注，而现有冷、热、电等形式能量转化效率低、分布不集中、使用成本高等情况普遍存在，使得能源和环境已经成为制约国民经济可持续发展的主要瓶颈。电力系统、热力系统和燃气系统的物理特性互补性强，区域终端集成供能系统是集电力、天然气、热能、冷能供应为一体的新型能源系统，对优化能源结构、提高能源使用效率和促进可再生能源消纳有重要的推动作用。区域级的多能源供给系统负荷受多种因素影响，呈现出不确定性和非线性的特点。系统的冷热电气负荷不仅与自身的历史数据有关，各负荷之间也会相互影响。

对于区域供能，通常供能范围较大，区域内负荷预测的结果受到多种因素的影响，只有合理量化各类影响因素，才能够更为精确地表征其影响程度。研究区域终端集成供能系统优化规划方法及扩展规划方法，有助于实现新增用能区域冷热电气协同高效供应和既有产业园区能源综合梯级利用，对电网创新区域能源综合供应模式、完善供给侧改革、实现产业升级具有重要现实意义。

关于电力系统负荷预测，国外学者大多采取与神经网络和支持向量机有关的方法进行负荷预测。有学者提出先选择相似日负荷作为输入负荷，而后应用小波分解将负荷分解成低频分量和高频分量，最后使用单个的神经网络来预测这两个分量未来的负荷。也有学者采用非对称二次损失函数支持向量回归来准确的预测负荷，有效提高了负荷预测模型的准确性。提出了一种基于小波变换(WaveletTransform，WT)和模糊自适应共振理论映射网络的新的混合智能算法，该模型通过广泛的预测比较得以证明。有专家利用经验模式分解方法，将时间序列分成两部分，分别描述趋势和本地振荡的能量消耗值，然后用于训练支持向量回归模型。也有专家提出了一种基于内核机的短期负荷预测方法，该方法提供了更好的短期负荷预测结果。

关于供热系统负荷预测，国外的Kawashima等使用ANN模型对瑞典独栋家庭建筑需热量进行了预测。Kalogirou利用ANN模型对希腊采用太阳能采暖系统的长期特性进行了预测。Chou和Bui采用ANN进行建筑热负荷预测。Yang等利用神经网络预测建筑热负荷以及确定供暖系统的最佳启动时间。Kalogirou等利用BP神经网络用于预测建筑热负荷，并利用225栋建筑的数据进行训练。Ekici和Aksoy建立了输入变量为建筑朝向、建筑保温层厚度和透射率参数的BP神经网络对瑞典独立家庭的年热负荷需求进行了预测。Olofsson和Andersson建立了利用短期(2～5周)数据对长期热负荷预测的神经网络模型。Kreider等利用输入变量为逐时建筑能耗数据的BP神经网络预测建筑热负荷。Yan和Yao对不同气候区建筑热负荷数据采用神经网络模型进行了预测分析。