基于相空间重构与一阶局域法的能源负荷预测方法和系统技术方案

本发明专利技术属于能源管理系能源预测分析技术领域，公开了一种基于相空间重构与一阶局域法的能源负荷预测方法和系统。本发明专利技术在相空间重构基础上应用混沌局域模型进行分析预测，在对数据源进行分析和噪声处理的基础上，通过前期对历史数据的导入、检测、粗化，提高了预测的准确度，为用户的能源计划等提供可靠的技术支持。

【技术实现步骤摘要】
基于相空间重构与一阶局域法的能源负荷预测方法和系统
本专利技术属于能源管理系能源预测分析
，具体涉及一种基于相空间重构与一阶局域法的能源负荷预测方法和系统。
技术介绍
能源系统需要向用户提供安全、可靠、优质的能源，并且随时保持供能和负荷的平衡，从而有效的利用、节约能源。准确的能源负荷预测是保证这种平衡的一种重要手段。能源系统负荷预测是指根据系统的运行特性、增容决策、自然条件和社会影响等诸多因素，研究或利用一套系统处理过去与未来负荷的数学方法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。根据预测周期和用途的不同，一般可以将负荷预测分为长期、中期、短期和超短期负荷预测。其中，短期负荷预测对能源安全和经济的转换与供给具有重要意义，是制定转换计划和供给方案的主要依据。提高短期负荷预测的精度，可以在制定转换计划时更加合理的选择能源备用，安排机组启停次数，在满足客户用能的同时减少供能成本和价格。由于能源系统负荷受到作息时间、生产工艺、气候、节假日及其他突发事件等的影响，具有时间性和不确定性等特点，具有很强的非线性特征。能源系统短期负荷预测的经典方法有各种时间序列预测法以及回归预测法。一般负荷预测方法需要量化各种因素的影响效果，以便准确建模，但这种量化常常会很困难。经典方法的应用有一定的局限性，而智能算法为负荷预测提供了强有力的工具，能提供更为精确的数学模型，提高负荷预测的准确度。但是，现有的经典预测方法在应用于厂区能源数据时往往具有局限性，同时存在计算量大的问题。
技术实现思路
<br>本专利技术的目的在于提供一种基于相空间重构与加权一阶局域法结合的能源负荷预测方法，用以解决现有技术中的传统经典预测算法的局限性及计算量大的问题。为了实现上述任务，本专利技术采用以下技术方案：基于相空间重构与一阶局域法的能源负荷预测方法，包括如下步骤：步骤1：采集厂区能源用量的原始数据，对原始数据进行异常点修正，得到样本数据；步骤2：选择时间粒度，对样本数据根据选择的时间粒度进行数据粗化，得到样本时间序列；步骤3：对步骤2得到的样本时间序列进行关联积分，由式Ⅰ获得曲线根据曲线的第一个局部极小值点获得时间延迟τ；其中，S(m,t)为关联积分函数；由式Ⅱ获得曲线Scor(t)，根据曲线Scor(t)的全局最小值点获得最佳嵌入窗tw，再根据式Ⅲ获得嵌入空间维数m；其中，为样本时间序列的自相关变量；tw＝m(m-1)τ式Ⅲ步骤4：根据步骤3得到的m和τ对样本时间序列进行混沌性分析，得到最大Lyapunov指数λ，若λ>0，根据步骤3得到的m和τ进行相空间重构，对重构的相空间利用AOLMM模型预测厂区未来能源用量，结束；若λ≤0，重新采集其他厂区能源用量的原始数据并返回步骤1。进一步的，时间粒度包括五分钟、十五分钟、半小时、1小时、1天和1周。进一步的，步骤4预测厂区未来能源用量的时间为步骤2所选时间粒度的倍数。进一步的，步骤2选择的时间粒度为1小时，步骤4预测厂区未来8小时的能源用量。进一步的，步骤4中进行混沌性分析的方法为wolf方法。基于相空间重构与一阶局域法的能源负荷预测系统，包括数据采集模块，数据粗化模块和相空间重构模块，所述数据采集模块用于采集厂区能源用量的原始数据，利用鲁棒性检测对原始数据进行异常点修正，得到样本数据；所述数据粗化模块用于选择时间粒度，对样本数据根据选择的时间粒度进行数据粗化，得到样本时间序列；所述相空间重构模块包括判断子模块和预测子模块，所述判断子模块用于对数据粗化模块得到的样本时间序列进行关联积分，由式Ⅰ获得曲线根据曲线的第一个局部极小值点获得时间延迟τ，对得到的m和τ利用wolf方法对样本时间序列进行混沌性分析，得到最大Lyapunov指数λ，并判断λ是否大于0；其中，其中，S(m,t)为关联积分函数；由式Ⅱ获得曲线Scor(t)，根据曲线Scor(t)的全局最小值点获得最佳嵌入窗tw，再根据式Ⅲ获得嵌入空间维数m；其中，为样本时间序列的自相关变量；tw＝m(m-1)τ式Ⅲ所述预测子模块用于获取若λ>0的样本时间序列，并根据m和τ进行相空间重构，对重构的相空间利用AOLMM模型预测厂区未来能源用量。进一步的，时间粒度包括五分钟、十五分钟、半小时、1小时、1天和1周。进一步的，预测子模块预测厂区未来能源用量的时间为数据粗化模块所选时间粒度的倍数。进一步的，数据粗化模块选择的时间粒度为1小时，预测子模块预测厂区未来8小时的能源用量。进一步的，相空间重构模块中进行混沌性分析的方法为wolf方法。本专利技术与现有技术相比具有以下技术特点：(1)本专利技术在相空间重构基础上应用混沌局域模型进行分析预测，在对数据源进行分析和噪声处理的基础上，通过前期对历史数据的导入、检测、粗化，提高了预测的准确度，为用户的能源计划等提供可靠的技术支持。(2)采用本专利技术的方法来确定嵌入空间维数m与时间延迟τ的好处为：该方法容易操作，计算量小，对小数据组可靠以及具有较强的抗噪声能力；(3)采用提出应用加权一阶局域多步预测模型，可实现多步预测，本专利技术选用的AOLMM模型的预测效果最接近实际数据，也解决了前期应用线性回归预测误差大的问题。附图说明图1为总用水量负荷时序列点示意图；图2为基于每5分钟用水量数据的计算示意图(τ＝59、m＝4)；图3为基于每15分钟用水量数据的计算示意图(τ＝21、m＝5)；图4为基于每30分钟用水量数据的计算示意图(τ＝12、m＝4)；图5为基于每1小时用水量数据的计算示意图(τ＝5、m＝5)；图6为总厂水量未来8小时预测曲线数据示意图；图7为AOLMM模型休息日预测曲线和预测绝对误差曲线；图8为基于Volterra级数模型休息日预测曲线和预测绝对误差曲线(Volterra级数取8)；图9为AOLMM模型工作日预测曲线和预测绝对误差曲线；图10为Volterra级数取6时工作日预测曲线。具体实施方式首先对本专利技术中出现的技术词语进行解释：相空间重构：对于无限长，无噪声的维混沌吸引子的一维标量时间序列都可以在拓扑不变的意义下找到一个维的嵌入相空间，只要维数根据Takens嵌入定理，我们可以从一维混沌时间序列中重构一个与原动力系统在拓扑意义下一样的相空间，混沌时间序列的判定，分析和预测都是在这个重构的相空间中进行的，因此相空间的重构就是混沌时间序列研究的关键。AOLMM模型(加权一阶局域法一步预测模型)：参见(蒋海峰，魏学业，张屹，《基于加权一阶局域法的短时交通流量预测的研究[C]//全国博士生学术论坛.2005.)。公开了一种混沌时间序列预测模型，重构相空间的相空间包含q个相点，在需要进行k(k>1)步本文档来自技高网...

【技术保护点】
1.基于相空间重构与一阶局域法的能源负荷预测方法，其特征在于，包括如下步骤：/n步骤1：采集厂区能源用量的原始数据，对原始数据进行异常点修正，得到样本数据；/n步骤2：选择时间粒度，对样本数据根据选择的时间粒度进行数据粗化，得到样本时间序列；/n步骤3：对步骤2得到的样本时间序列进行关联积分，由式Ⅰ获得曲线

【技术特征摘要】
1.基于相空间重构与一阶局域法的能源负荷预测方法，其特征在于，包括如下步骤：
步骤1：采集厂区能源用量的原始数据，对原始数据进行异常点修正，得到样本数据；
步骤2：选择时间粒度，对样本数据根据选择的时间粒度进行数据粗化，得到样本时间序列；
步骤3：对步骤2得到的样本时间序列进行关联积分，由式Ⅰ获得曲线根据曲线的第一个局部极小值点获得时间延迟τ；



其中，S(m,t)为关联积分函数；
由式Ⅱ获得曲线Scor(t)，根据曲线Scor(t)的全局最小值点获得最佳嵌入窗tw，再根据式Ⅲ获得嵌入空间维数m；



其中，为样本时间序列的自相关变量；
tw＝m(m-1)τ式Ⅲ
步骤4：根据步骤3得到的m和τ对样本时间序列进行混沌性分析，得到最大Lyapunov指数λ，若λ>0，根据步骤3得到的m和τ进行相空间重构，对重构的相空间利用AOLMM模型预测厂区未来能源用量，结束；若λ≤0，重新采集其他厂区能源用量的原始数据并返回步骤1。


2.如权利要求1所述的基于相空间重构与一阶局域法的能源负荷预测方法，其特征在于，时间粒度包括五分钟、十五分钟、半小时、1小时、1天和1周。


3.如权利要求2所述的基于相空间重构与一阶局域法的能源负荷预测方法，其特征在于，步骤4预测厂区未来能源用量的时间为步骤2所选时间粒度的倍数。


4.如权利要求3所述的基于相空间重构与一阶局域法的能源负荷预测方法，其特征在于，步骤2选择的时间粒度为1小时，步骤4预测厂区未来8小时的能源用量。


5.如权利要求1所述的基于相空间重构与一阶局域法的能源负荷预测方法，其特征在于，步骤4中进行混沌性分析的方法为wolf方法。


6.基于相空间重构与一阶局域法的能源负荷预测系统，其特征在于...

【专利技术属性】
技术研发人员：张利平，张亚军，王航，李勇，田渭蓉，郑进鹏，王莉，张瑾，袁博，郑宣，郑望，王家源，王美娜，张玲妮，宋倩楠，
申请(专利权)人：西安陕鼓动力股份有限公司，
类型：发明
国别省市：陕西;61