[发明专利]一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法

摘要

本发明公开一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，建立了电锅炉的使用模式算子，能够在蓄热式电锅使用较为频繁的采暖季，有效的、分时段描述出用户对于电锅炉的使用模式，并进一步进行较为精确的预测。通过本发明专利，可以在高寒地区的供暖季针对固体蓄热式电锅炉使用的时段和特点，对固体蓄热式电锅炉短期功率消耗预测，通过该预测可以让电网管理单位事先做好调峰和风电消纳的工作，对于电网安全运行和科学管理具有较大意义。

主权项

1.一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法，包括以下步骤：S1,对于一台固体蓄热式电锅炉，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature，获得蓄热时段数组NArray和水循环阈值Circle：供热历史数据起始时间点StartTime：StartTime是一个时间点数据；功率消耗历史数据History：该数据为一个列表，该列表存储着以StartTime为起始的180天数据，列表中的每一个表项对应着该固体蓄热式电锅炉一天的功率消耗数据；History列表中每一个表项为一个96个元素的数组（一天每间隔15分钟采样一次功率值）；输入历史气温数据Temperature：该数据为一个数组共计180个元素，存储着以StartTime为起始的180天的每日最低气温数据；S101，输入供热历史数据起始时间点StartTime，输入其功率消耗历史数据History，输入历史气温数据Temperature；S102,取出History中的每一个表项，合并为一个一维数组TempArray；S103，删除TempArray中值为零的元素；S104，使用K‑Means算法并指定聚类个数为2个对TempArray进行聚类，获取2个聚类中心C1和C2；S105，水循环阈值Circle=(C1+C2)/2；S106,建立蓄热时段数组NArray，其个数为180，所有元素的初始值为0；S107，表项查看计数器ItemCounter=1；S108，取出History的第ItemCounter个表项存入数组TempArray2；S109，tc1=计算TempArray2中大于Circle的元素个数；S110，tc2=计算TempArray2中不为0的元素个数；S111，如果tc2等于0那么NArray[ItemCounter]=‑1, 否则NArray[ItemCounter]=tc1；S112，ItemCounter=ItemCounter+1；S113, 如果ItemCounter<=180则转到S108, 否则转到S114；S114，该步骤处理结束；S2, 建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray，输出为模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray：S201，建立电锅炉的使用模式算子ModeOperator，ModeOperator的输入为历史气温数据Temperature和蓄热时段数组NArray；S202，建立关联性数组CorrelationArray，CorrelationArray包含36个元素，每个元素的初始值为0；建立预测模型数组ModelArray，ModelArray包含36个元素，每个元素的初始值为NULL；S203，关联性计数器CorrelationCounter=1；S204，在NArray中取出位置为（CorrelationCounter‑1）*5+1 至（CorrelationCounter）*5的5个元素存入数组NTemp中，获得NTemp中数值最小元素的值NTempMin；S205，在Temperature中取出位置为（CorrelationCounter‑1）*5+1 至（CorrelationCounter）*5的5个元素存入数组TTemp中,获得TTemp中数值最大元素的值TTempMax；S206，如果NTemp中包含小于或等于0的元素则CorrelationArray[CorrelationCounter]=0并转向S214，否则转向S207；S207，计算NTemp和TTemp的相关系数矩阵，获得矩阵的第1行第2列元素存储到变量CorrelationParam中；S208，如果CorrelationParam>=0则CorrelationArray[CorrelationCounter]=0并转到S214，否则转到S209；S209，CorrelationArray[CorrelationCounter]=1/(1+exp( (‑CorrelationParam)*20‑10))；S210，如果CorrelationArray[CorrelationCounter]<0.5则转到214，否则转到S211；S211，获得模型输出数组TOutputArray=NTemp‑NTempMin，获得模型输入数组TInputArray=TTempMax‑TTemp；S212,建立基于神经网的回归分析模型，模型输入为TInputArray，输出为TOutputArray，训练该模型获得训练的结果Model；S213，ModelArray[CorrelationCounter]=Model；S214，CorrelationCounter=CorrelationCounter+1；S215，如果CorrelationCounter<=36则转到S204，否则转到S216；S216，tc3=(CorrelationArray中小于0.5的元素个数)/36；S217, 如果tc3<=0.3那么ModeValue=1，如果ModeValue>0.3则ModeValue=2；S218，将模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray作为ModeOperator的输出；S3, 对于固体蓄热式电锅炉，输入需要预测的时间点Current，供热起始时间点CurrentStartTime，时间点Current的日最低气温预测数据CurrentTemp, Current前一天的功率消耗数据PrevArray，Current前一天日最低气温PrevTemp, 利用ModeOperator获得预测结果：其中，PrevArray为一天每间隔15分钟采样一次共计96个元素的数组；S301, Days=(Current距离CurrentStartTime所经历的天数)+1，DayPos=floor(Days/5)+1，其中floor为去除小数部分获得整数的函数；S302，PrevYearArray=History的第Days个表项；S303，预测功率变量PredictResult=0；S303，利用ModeOperator获得模式值ModeValue、关联性数组CorrelationArray和预测模型数组ModelArray，[ModeValue,CorrelationArray,ModelArray]=ModeOperator(Temperature，NArray)；S304，如果ModeValue=1则转到S305，否则转到S307；S305，如果PrevArray的所有元素值为0那么PredictResult=sum(PrevYearArray)，否则PredictResult=sum(PrevArray+PrevYearArray)；S306, 转到S316；S307，BigArray=取出PrevArray中大于Circle的元素，AvgBigArray=BigArray的均值，NumBigArray为BigArray的元素个数；S308，SmallArray=取出PrevArray中大于Circle的元素，AVGSmallArray=SmallArray的均值；S309，如果CorrelationArray[DayPos]<=0.5则转到S310，否则转到S312；S310，PredictResult=NArray[Days]*AvgBigArray+(96‑NArray[Days])*AVGSmallArray；S311, 转到S316；S312, 预测模型PrevModel=ModelArray[DayPos]；S313，将（CurrentTemp‑PrevTemp）做为PrevModel的输入，获得PrevModel的预测结果存储到变量PredictNum中；S314，RealNum=(PredictNum+NumBigArray)；S315，PredictResult=RealNum *AvgBigArray+(96‑RealNum)*AVGSmallArray；S316，将PredictResult作为预测结果输出。