终端用户多样化用能需求预测方法

论文总字数：38955字

摘 要

工业革命以来，能源短缺渐渐成为人类生存的重大威胁，实现能源的高效利用，化解能源危机也成为了研究的热点。综合能源系统能够对系统内的各类能源进行合理优化和综合配置，与传统的机组相比，能源利用率得到了极大地提升。为了更好的对能源综合系统做出规划，根据能源利用效率和经济性原则做出合理地调配，对系统做出准确地用能负荷预测很有必要。

本文首先从预测的思路出发，在考虑了实用性和复杂度之后确定采用分别预测，将冷热电能源分开研究。随后介绍了负荷预测算法的发展，并着重介绍了径向基神经网络法和支持向量机法两种典型的机器学习算法，并通过控制变量法和二分法结合的参数寻优方法手动调节模型参数。通过算例验证发现与径向基神经网络法相比，支持向量机算法在预测比较有规律的电负荷时体现出更高的精度，冷热负荷的预测则持平。

然后，本文将支持向量机算法进行拓展，结合分位数概念形成了支持向量-分位数算法。由该算法计算出不同分位点下的负荷估计值，并得到负荷的置信区间，并可以将中位数估计曲线作为负荷预测值输出。将某一个预测点的分位数密集化近似描述出该点预测数据的分布函数，经过离散化微分之后得到条件概率密度函数，进而进行最大似然估计。经过算例验证，中位数估计值面对多个较为可能的估计值时会模糊地取一个折中值，最大似然估计值在这种情况下则具有很好的辨识能力，找出最有可能的一个值。

最后，文章对样本的负荷特性做了研究，针对热负荷波形的特殊性，本文利用时间序列分析，将负荷波形分成基础负荷和波动负荷两部分，从而转换为研究用户用能行为，改进了预测的结果。

关键词：综合能源系统 负荷预测 径向基 支持向量机 分位数回归 负荷特性

Abstract

Since the industrial revolution, energy shortage has gradually become a major threat to human survival, and the realization of efficient use of energy and the resolution of energy crisis have also become the focus of people’s research. The integrated energy system can reasonably optimize and comprehensively allocate all kinds of energy in the system. Compared with the traditional unit, the energy utilization rate has been greatly improved. In order to make a better plan for the integrated energy system, it is necessary to make a reasonable allocation according to the principles of energy utilization efficiency and economy and to make an accurate prediction of energy load for the integrated energy system.

In this paper, the cold and hot electric energy sources are studied separately after considering complexity and practicability. Then the development of load forecasting algorithm is introduced, and two typical machine learning algorithms, radial basis neural network method and support vector machine method, are emphatically introduced. In the example verification, the support vector machine algorithm showed higher accuracy compared with the RBF method in predicting the regular electrical load, while the errors in prediction of cold and hot load was close.

Then, the paper extend the SVM algorithm and combine the concept of quantile to form the SVQ algorithm. Based on this algorithm, the load estimates at different quantiles are calculated, and the load confidence interval is obtained, and the median estimation curve can be used as the output of the load prediction value. The quantile densification of a predicted point is approximately described as the conditional distribution function of the predicted data at that point, and the conditional probability density function is obtained after discretization differentiation, and then the maximum likelihood estimation is carried out. After the verification of calculation examples, the median estimator will vaguely take a compromise value when faced with multiple more likely estimators, and the maximum likelihood estimator in this case has good identification ability to find the most likely value.

Finally, in view of the particularity of heat load waveform, the expert system is used in this paper to divide the load waveform into base load and fluctuating load, so as to study the user's energy use behavior and improve the predicted results.

KEY WORDS: integrated energy system, load forecasting, RBF, SVM, quantile regression, load profile.

目 录

摘 要 I

Abstract II

第一章 序论 1

1.1 课题背景及意义 1

1.2 冷热电联供负荷预测国内外研究现状 2

1.2.1 国内外研究成果 2

1.2.2 两种预测思路 3

1.3 本论文的研究方法和主要内容 3

第二章 负荷预测方法 5

2.1 负荷预测分类方法 5

2.2 人工神经网络算法 7

2.2.1 径向基函数神经网络原理 7

2.2.2 径向基神经网络参数确定 9

2.3 支持向量机回归算法 10

2.3.1 支持向量机回归风险和误差 10

2.3.2 线性情况 11

2.3.3 非线性情况与核函数 11

2.4 基于分位数回归的概率性预测 12

2.4.1 分位数及分位数回归 12

2.4.2 支持向量机-分位数回归 14

2.4.3 概率性预测的数学表达 16

2.5 本章小结 18

第三章 综合能源系统负荷特性分析 19

3.1 时间尺度下的负荷特性分类 19

3.1.1 负荷的周期性特性 19

3.1.2 负荷的日特性 20

3.2 负荷的周期性特性分析 20

3.2.1 电负荷的周期性特性 20

3.2.2 热负荷的周期性特性 21

3.2.3 冷负荷的周期性特性 21

3.3 基于Spearman相关系数的日负荷特征分析 22

3.3.1 Spearman相关系数简介 22

3.3.2 典型日负荷特征分析 23

3.4 基于用户用能行为分析的典型热负荷特性 25

3.5 本章小结 28

第四章 算例分析 29

4.1 数据的预处理 29

4.1.1 异常数据的剔除 29

4.1.2 数据归一化处理 29

4.2 模型评价方案 30

4.3 采用径向基神经网络预测 31

4.4 采用支持向量机算法预测 33

4.5 采用支持向量-分位数算法预测 36

4.5.1 置信区间与中位数回归结果 36

4.5.2 概率密度函数和最大似然估计 38

4.6 考虑负荷特性的热负荷预测改进方法 40

4.6.1 RBF神经网络算法结果的改进 42

4.6.2 SVM算法结果的改进 43

4.7 本章小结 45

第五章 总结与展望 46

5.1 全文总结 46

5.2 展望 47

参考文献 48

致 谢 51

序论

课题背景及意义

剩余内容已隐藏，请支付后下载全文，论文总字数：38955字