[发明专利]一种智能电网园区终端用户能源需求状况动态预测系统及方法

说明书

技术领域

本发明属于电力系统技术领域，尤其涉及一种智能电网园区终端用户能源需求状况动态预测系统及方法。

背景技术

负荷预测作为智能电网园区能量管理的重要组成部分，为智能电网园区的规划建设、运行优化管理等各个环节提供重要的决策支持。但是智能电网园区用户终端数量众多，类型复杂，工业用户、数据中心以及公共机构等用户的用能曲线存在差异，对冷热电负荷的需求状况有较大差别，负荷预测存在一定难度。

传统的负荷预测方法主要有时间序列法和回归分析法，时间序列法没有考虑天气对负荷的影响，而回归分析法难以解决负荷与天气等变量之间的动态的、非线性的关系，针对园区用户类型较多，带负荷需求存在差异的情况，传统方法的预测精度不能令人满意，在面对海量数据的处理与挖掘上也存在不足。如何将海量数据挖掘技术应用在能源需求动态预测技术上，发挥数据挖掘和智能算法的优势，提高预测的精度和效率，是摆在智能电网园区管理者面前的一个突出问题。

发明内容

本发明的目的在于提供一种智能电网园区终端用户能源需求状况动态预测系统及方法，旨在解决传统负荷预测方法存在的预测精度不能令人满意，在面对海量数据处理与挖掘上也存在不足的问题。

本发明是这样实现的，一种智能电网园区终端用户能源需求状况动态预测方法，所述智能电网园区终端用户能源需求状况动态预测方法包括：

首先对影响智能电网园区终端用户冷热电负荷需求的最高温度、最低温度、平均温度、降雨量、风速、太阳辐射强度气象因素进行主成分分析；

其次将相关变量转换成少数线性无关的随机变量；将天气因素和日类型进行量化，与历史负荷数据采用模糊聚类方法进行分析形成样本；

然后将智能电网园区中多种类型的负荷、多种类型的分布式供能系统的负荷特性均体现在负荷曲线中；

最后按照BP神经网络算法流程对模型进行求解，得到冷热电负荷预测结果。

进一步，所述智能电网园区终端用户能源需求状况动态预测方法具体包括以下步骤：

第一步，运用主成分分析法对影响负荷的多种因素进行分析；基于模糊聚类分析法对用户类型进行分类；对BP神经网络进行学习和训练，网络收敛后，对智能电网园区的冷热电负荷进行动态预测；

第二步，以欧氏距离最短的类别作为预测日的类别，建立BP神经网络进行预测，得到智能电网园区终端用户冷热电负荷数据。

进一步，所述运用主成分分析法对影响负荷多种因素进行分析的步骤包括：

步骤一、对样本数据进行标准化处理：

原始数据矩阵：

式中，n是样本个数；p是每个样本维数；X_ij为第i个样本的第j维取值，用X₁,X₂,…,X_p分别表示矩阵X的各列矢量，有：

Xj*=Xj-E(Xj)Vax(Xj);]]>

式中E(X_j)和Vax(X_j)分别表示X_j的均值和方差；

步骤二、计算相关系数矩阵R：