采暖负荷预测方法
文献发布时间：2023-06-19 15:47:50
技术领域
本发明属于电气自动化领域，具体涉及一种采暖负荷预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
电力负荷预测是电力系统重要工作之一。通过准确的电力负荷预测，电力系统能够精确地制定调度计划和运行计划，从而保障电力系统的稳定、安全和高效运行。
随着人们对于舒适度的追求，采暖负荷在电力系统负荷中的占比越来越大。因此，对于采暖负荷的预测就显得尤为重要。目前，现有的采暖负荷的预测方法，主要采用的是回归方法。使用回归方法进行采暖负荷测算时，主要应用广义线性模型或拉格朗日非线性回归模型，建立负荷-气温之间严格的数学模型，并通过建立的数学模型进行采暖负荷的预测。但是，现有的回归方法，对于采暖负荷的影响因素的处理方面存在问题，这使得现有的基于回归方法的采暖负荷预测方法，准确性不高，而且可靠性也较差。
发明内容
本发明的目的在于提供一种可靠性高、准确性高且适用范围广的采暖负荷预测方法。
本发明提供的这种采暖负荷预测方法，包括如下步骤：
S1.获取影响采暖负荷的历史数据集；
S2.对步骤S1获取的历史数据集进行数据处理，从而得到训练数据集；
S3.基于广义加性模型，构建采暖负荷预测模型；
S4.采用步骤S2得到的训练数据集，对步骤S3构建的采暖负荷预测模型进行训练，从而的得到气温系数；
S5.根据步骤S4得到的气温系数，计算最终的采暖负荷预测值。
步骤S1所述的影响采暖负荷的历史数据集，具体为获取影响采暖负荷的历史气象数据集。
步骤S2所述的对步骤S1获取的历史数据集进行数据处理，从而得到训练数据集，具体包括如下步骤：
A.对获取的历史数据集进行异常值判定，并替代异常点：
若异常值为空值，则采用纵横交叉法进行填补：采用前后两天同一时刻的值的平均值对异常值进行替代；若前后两天同一时刻的值依旧为空值，则采用同一天的前后两个时刻的值的平均值对异常值进行替代；
若异常值非空且为单个异常点，则采用异常值相邻的两个值的平均值对异常值进行替代；单个异常点的判定规则为：计算判定点与相邻两个时刻的值的相对变化率，若判定点与相邻两个时刻的值的相对变化率均大于设定值，则认定该判定点为单个异常点；
若异常值非空且为连续不变的异常点，则采用纵横交叉法进行填补：采用前后两天同一时刻的值的平均值对异常值进行替代；连续不变的异常点的判定规则为：若连续不变的判定点的数量大于设定值，则认定连续不变的判定点为连续不变的异常点；
B.按照如下数据格式，构建训练数据集：
数据格式为[DATE,W,HD,POS,L
步骤S3所述的基于广义加性模型，构建采暖负荷预测模型，具体包括如下步骤：
采用如下算式作为采暖负荷预测模型：
L
式中L
步骤S4所述的采用步骤S2得到的训练数据集，应用广义加性模型对步骤S3构建的采暖负荷预测模型进行训练，从而的得到气温系数，具体包括如下步骤：
采用步骤S2得到的训练数据集，应用广义加性模型对步骤S3构建的采暖负荷预测模型进行求解，得到反应温度与采暖负荷关系的第一函数f
气温敏感系数k
气温传导系数k
步骤S5所述的根据步骤S4得到的气温系数，计算最终的采暖负荷预测值，具体包括如下步骤：
采用如下算式，计算当前时刻的预测的采暖负荷HL
HL
式中I(T
本发明提供的这种采暖负荷预测方法，通过创新的建立预测模型和预测手段，不仅实现了采暖负荷的预测，而且本发明方法的可靠性高，准确性高且适用范围广。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的实施例的某省分小时气温系数图。
图3为本发明方法的实施例的某省2021年采暖负荷测算结果。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种采暖负荷预测方法，包括如下步骤：
S1.获取影响采暖负荷的历史数据集；具体为获取影响采暖负荷的历史气象数据集；
S2.对步骤S1获取的历史数据集进行数据处理，从而得到训练数据集；具体包括如下步骤：
A.对获取的历史数据集进行异常值判定，并替代异常点：
若异常值为空值，则采用纵横交叉法进行填补：采用前后两天同一时刻的值的平均值对异常值进行替代；若前后两天同一时刻的值依旧为空值，则采用同一天的前后两个时刻的值的平均值对异常值进行替代；
若异常值非空且为单个异常点，则采用异常值相邻的两个值的平均值对异常值进行替代；单个异常点的判定规则为：计算判定点与相邻两个时刻的值的相对变化率，若判定点与相邻两个时刻的值的相对变化率均大于设定值(比如50％)，则认定该判定点为单个异常点；
若异常值非空且为连续不变的异常点，则采用纵横交叉法进行填补：采用前后两天同一时刻的值的平均值对异常值进行替代；连续不变的异常点的判定规则为：若连续不变的判定点的数量大于设定值(比如连续6个点)，则认定连续不变的判定点为连续不变的异常点；
B.按照如下数据格式，构建训练数据集：
数据格式为[DATE,W,HD,POS,L
S3.基于广义加性模型(Generalized Additive Models，GAMs)，构建负荷预测模型；具体包括如下步骤：
采用如下算式作为负荷预测模型：
L
式中L
S4.采用步骤S2得到的训练数据集，对步骤S3构建的采暖负荷预测模型进行训练，从而的得到气温系数；具体包括如下步骤：
采用步骤S2得到的训练数据集，应用广义加性模型对步骤S3构建的采暖负荷预测模型进行求解，得到反应温度与采暖负荷关系的第一函数f
气温敏感系数k
气温传导系数k
将广义加性模型拟合得到的本实施例的某省份小时气温敏感系数k
S5.根据步骤S4得到的气温系数，计算最终的采暖负荷预测值；具体包括如下步骤：
采用如下算式，计算当前时刻的预测的采暖负荷HL
HL
式中I(T
基于上述采暖负荷测算方法，进行采暖负荷测算；本实施例得到的某省2021年1～3月和11～12的月采暖负荷预测结果如图3所示。