一种供热系统负荷预测点的误差大小判断与修正方法

：
1.本发明涉及供热系统负荷预测领域，具体是一种供热系统负荷预测点的误差大小判断与修正方法。


背景技术：

2.热负荷是供热系统运行调控的重要依据，及时准确地预测热负荷对于保持用户室内环境舒适、系统经济稳定运行以及双碳目标的实现具有重要意义。
3.当前有关热负荷预测误差修正的研究主要是先对热负荷进行初步预测，通过研究预测误差的历史分布规律进行误差预测，然后对初步预测值进行修正，进而得到最终预测值。当前研究并没有涉及到出现误差大的预测点的原因，然后针对性的对关键点进行误差修正。此外，当前供热系统负荷预测领域采用的评价指标往往都是针对于整体预测过程，很少关注那些少量的误差特别大的局部预测点，而恰恰这些少量的误差大的点是决定供热系统安全平稳调控的关键。因此亟需对热负荷预测中误差大的点的精度改善问题进行研究。
4.因此，发明一种供热系统负荷预测点的误差大小判断与修正方法来解决上述问题。


技术实现要素：

5.为了克服上述现有技术的不足，本发明的目的是，提供了一种供热系统负荷预测点的误差大小判断与修正方法。
6.为实现上述目的，本发明采用的技术方案为：
7.一种供热系统负荷预测点的误差大小判断与修正方法，所述方法包括以下步骤：
8.获取未来每日的平均室外空气温度，用当日的平均室外空气温度减前一日的平均室外空气温度进行差分，计算出未来每日平均室外空气温度的变化获得表示未来若干天的每日平均室外空气温度的变化的差分结果；
9.设置日平均室外空气温度变化阈值并设置宽度为p天的时间窗，让该时间窗在差分结果上滑动；每个时间窗内都有p个只要时间窗内出现满足式(3)的情况，就判断该时间窗为关键点时间窗，时间窗内的预测点就为被辨识出来的关键点；
[0010][0011]
利用特征选择获取热负荷预测的原始预测特征集fs，在原始预测特征集fs的基础上引入误差修正特征ε，得到新的预测特征集fs
′
；
[0012]
fs＝[x1,x2,
…
,xk]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0013]
fs
′
＝[x1,x2,
…
,xk,ε]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0014][0015]
其中，fs为原始预测特征集；x为单一特征；k为特征数量；ε为误差修正特征；为第i周期的热负荷预测值，kw；q
i-1
为第i-1周期的热负荷实际值，kw；
[0016]
在动态滑动判断过程中，当判断出时间窗为关键点时间窗时，则误差修正特征为第i周期的热负荷预测值与第i-1周期的热负荷实际值q
i-1
的相对误差，否则令误差修正特征为0；
[0017]
以递归多元线性回归为预测模型，以fs
′
为预测特征集，对未来的热负荷进行在线动态预测。
[0018]
所述原始预测特征集中的特征为：前三个周期的历史热负荷、预测周期的室外温度和前一周期的二次温差，即
[0019]
fs＝[q
i-1
,q
i-2
,q
i-3
,t
out,i
,δt
2,i-1
]
[0020]
其中，q
i-1
,q
i-2
,q
i-3
为前三个周期的历史热负荷，t
out,i
为预测周期的室外温度，δt
2,i-1
为前一周期的二次温差。
[0021]
进一步地，所述第i周期的热负荷预测值由预测模型获得。
[0022]
进一步地，所述未来每日的平均室外空气温度由公式(1)获得，
[0023][0024]
其中，t
out,n
为第n小时的室外空气温度，℃；为未来每日的平均室外空气温度，℃；
[0025]
未来每日平均室外空气温度的变化由公式(2)获得，
[0026][0027]
其中，为第j日的平均室外空气温度，℃；为第j-1日的平均室外空气温度，℃；
[0028]
未来的室外空气温度从天气预报获取。
[0029]
进一步地，所述k＝3-5；所述为3℃-5℃；所述周期为热力站的调控周期，取值为5-8h。
[0030]
与现有技术相比，本发明的有益效果是：
[0031]
本发明通过室外空气温度的相邻日变化幅度和滑动时间窗在线动态判断关键点，然后在关键点处将热负荷的变化幅度ε作为修正特征引入到预测特征集，最后利用递归多元线性回归预测模型在线动态预测热负荷，最终确定了一种供热系统负荷预测点的误差大小判断与修正方法。该方法可以成功地将误差大的点提前辨识出来，为后面针对性的误差修正做准备，引入修正特征ε后的预测误差得到了有效的降低，预测热负荷更接近于实际热负荷，减少了误差大的预测点的数量，并且对于非关键点的预测点的预测结果扰动不大。
附图说明：
[0032]
图1是本发明所涉及的一种供热系统负荷预测点的误差大小判断与修正方法路线图；
[0033]
图2是本发明所涉及的递归多元线性回归预测模型示意图；
[0034]
图3是本发明实施例中的所有预测点的are分布图；
[0035]
图4是本发明实施例中的日平均室外空气温度的差分结果；
[0036]
图5是本发明实施例中的被辨识出来关键点的are分布图；
[0037]
图6是本发明实施例中的误差修正前后对比图。
具体实施方式：
[0038]
下面结合实施例及附图进一步解释本发明，但并不以此作为对本技术保护范围的限定。
[0039]
本技术的核心创新点是对室外温度的差分结果采用滑动时间窗的方式来判断未来在热负荷预测时会出现误差大的局部时间点，然后在预测时仅在这些点处引入一个误差修正特征，达到减少预测误差提升预测精度的目的。
[0040]
本发明一种供热系统负荷预测点的误差大小判断与修正方法(参见图1)，包括求未来每日的平均室外空气温度，用当日的平均室外空气温度减前一日的平均室外空气温度进行差分，滑动时间窗判断关键点，即依据室外空气温度的相邻日变化幅度，通过变化幅度阈值在线动态判断误差大的预测点(简称“关键点”)，然后在被判断出来的预测点处引入误差修正特征对误差大的预测点进行修正，引入误差修正特征对未来的热负荷进行在线动态预测，具体按以下步骤进行：
[0041]
步骤s1.求未来每日的平均室外空气温度
[0042][0043]
其中，t
out,n
为第n小时的室外空气温度，℃。
[0044]
步骤s2.用当日的平均室外空气温度减前一日的平均室外空气温度进行差分，计算出未来每日平均室外空气温度的变化其中室外空气温度为未来需要预测温度，从天气预报获取。
[0045][0046]
其中，为第j日的平均室外空气温度，℃；为第j-1日(第j日的前一日)的平均室外空气温度，℃。
[0047]
步骤s3.由于大型集中供热系统和建筑具有热惰性，设置宽度为p天的时间窗(热惰性越大，p越大)并设置日平均室外空气温度变化阈值让该时间窗在步骤s2的差分结果上滑动。每个时间窗内都有p个只要时间窗内出现满足式(3)的情况，就判断该时间窗为关键点时间窗，时间窗内的预测点就为被辨识出来的关键点。
[0048]
[0049]
其中，为提前设置的日平均室外空气温度变化阈值，℃。
[0050]
由于供热系统和建筑具有热惰性和蓄热特性，在天气突变工况下的供热系统热负荷与室外天气周期性平稳变化的热负荷规律不同。并且室外空气温度突变的幅度和时长都将影响供热系统热负荷的规律，这种室外天气突变导致的供热系统热负荷规律的变化，往往导致热负荷预测不准，因此关键点存在的根本原因是天气突变。
[0051]
供热系统稳定运行时，存在以下热平衡方程：
[0052][0053]
其中，c
p
为空气的定压比热容，kj/(kg
·
℃)；v为室内空气体积，m3；ρ为室内空气密度，kg/m3；t
in
(τ)为室内空气温度，℃；q1(τ)为供热管网供给建筑的热量，kw；q2(τ)为围护结构散热损失，kw；q3(τ)为建筑内扰得热量，kw；q4(τ)为太阳辐射传热量，kw；q5(τ)为家具、内围护结构等的蓄热量，kw；τ为某一时刻。
[0054]
其中围护结构散热损失q2(τ)的计算公式如(8)所示：
[0055]
q2(τ)＝kbfb[t
in
(τ)-t
out
(τ)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0056]
其中，kb为建筑综合传热系数，kw/(m2·
℃)；fb为建筑总散热面积，m2；t
out
(τ)为室外空气温度，℃。
[0057]
将公式(8)带入公式(7)得到：
[0058][0059]
在满足室内舒适性稳定的情况下，则上述公式变为：
[0060]
q1(τ)＝kbfb[t
in
(τ)-t
out
(τ)]-q3(τ)-q4(τ)-q5(τ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0061]
如果忽略管网的沿程热损失，热力站热负荷q近似等于供热管网供给建筑的热量q1(τ)，则热力站热负荷q用式(11)所示的函数形式进行表示为：
[0062]
q(τ)＝f[kb，fb，t
in
(τ)，t
out
(τ)，q3(τ)，q4(τ)，q5(τ)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0063]
可见热力站热负荷不仅与室外空气温度有关，还与建筑围护结构特性、房间内扰、太阳辐射和房间蓄热都有关系。当室外空气温度在短时间内有较大波动的时候，热力站热负荷与室外天气周期性平稳变化的热负荷规律不同，而这种热负荷规律的变化，往往导致热负荷预测不准。因此本发明依据室外空气温度的相邻日变化幅度，通过变化幅度阈值在线动态判断误差大的预测点，此预测点为室外温度突变的局部点，也就是关键点。
[0064]
步骤s4.在原始预测特征集fs(feature set,fs)的基础上引入误差修正特征ε，得到新的预测特征集fs
′
。
[0065]
fs＝[x1,x2,
…
,xk]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0066]
fs
′
＝[x1,x2,
…
,xk,ε]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0067][0068]
其中，fs为原始预测特征集；x为单一特征；k为特征数量；ε为误差修正特征；为
第i周期(通过辨识调控周期获得预测周期，8h)的热负荷预测值，kw；q
i-1
为第i-1周期的热负荷实际值，kw。在动态滑动判断过程中，当判断出该时间窗为关键点时间窗时，则引入修正系数，否则令特征为0。
[0069]
步骤s5.以递归多元线性回归(递归mlr)为预测模型，fs
′
为预测特征集，对未来的热负荷进行在线动态预测。
[0070]
多元线性回归的矩阵表达式和展开式为：
[0071]
y＝x
×
β+μ (12)
[0072][0073]
其中，yi为因变量；x
ij
为多个自变量；βi为回归系数；μi为随机误差。
[0074]
传统的多元线性回归模型预测是将一定比例的数据作为训练集来拟合成一个多元线性的模型，然后将需要预测的因变量对应的多个自变量带入该模型来预测未知的因变量。这样就存在一个问题：随着时间的推移，新的数据会不断产生，前面拟合出来的模型不一定适用于后面的数据，因此本发明在多元线性回归模型中加入递归最小二乘的思想。
[0075]
递归最小二乘法是将数据一批一批送入，然后不断根据新数据来动态更新模型，每增加一个周期数据就可以更新一次多元线性回归模型进行在线动态预测。如图2所示，将前两个周期的原始数据拟合成第一个多元线性回归模型，把第三个周期的输入参数带入该模型得到第三个周期的预测值，然后将前三个周期的原始数据拟合成第二个多元线性回归模型，再把第四个周期的输入参数带入该模型得到第四个周期的预测值，以此类推每增加一个周期就更新一次多元线性回归模型进行在线动态预测。
[0076]
本实施例根据特征选择确定原始特征集fs(feature set,fs)为前三个周期的历史热负荷、预测周期的室外温度和前一周期的二次温差：
[0077]
fs＝[q
i-1
,q
i-2
,q
i-3
,t
out,i
,δt
2,i-1
]
[0078]
其中，q
i-1
,q
i-2
,q
i-3
为前三个周期的历史热负荷，t
out,i
,为预测周期的室外温度，δt
2,i-1
为前一周期的二次温差。
[0079]
实施例1：
[0080]
本实施例基于供热系统负荷预测点的误差大小判断与修正方法：
[0081]
1.工程概况。本例采用的是寒冷地区某集中供热系统2021年2月12日至3月15日共计32天的运行数据，依据热力站的调控周期确定预测周期，进而这段时间共计123个预测点。
[0082]
2.前3个周期的历史热负荷、前一个周期的二次供回水温差和预测周期的室外空气温度组成原始预测特征集fs，以递归多元线性回归为预测模型，预测热力站的热负荷。计算每个预测点的绝对百分比误差(are)，统计123个预测点的are分布情况如图3所示。
[0083]
3.计算这32天每日的平均室外空气温度，然后用当日的平均室外空气温度减前一日的平均室外空气温度进行差分，计算出每日平均室外空气温度的变化，差分结果如图4所示。由于大型集中供热系统和建筑的具有热惰性，设置时间窗的宽度为3天，让该时间窗在
差分结果上滑动。设置阈值为4℃，当时间窗内存在绝对值大于4℃的差分结果时则判断该时间窗为关键点时间窗。
[0084]
4.通过本方法辨识出2月17日至2月27日和3月4日至3月7日共计60个预测点，这60个预测点的误差分布如图5所示。这60个被辨识出来的预测点包括了原来所有are大于10％的预测点，并且are大于6％的占比高达30％。结果说明该方法可以成功地将误差大的点提前辨识出来的，为后面针对性的误差修正做准备。
[0085]
对比图3和图5，图3是测试集123个预测点在修正前的预测误差统计结果，可以看出将所有误差分为[0％,2％)、[2％,4％)、[4％,6％)、[6％,8％)、[8％,10％)和[10％,+∞)这6个区间，超过40％的预测点的误差都小于2％，有9个预测点的误差是大于10％的。可以看出绝大多数时候热负荷的预测精度是很高的，但是存在很少一部分预测误差较大的点。
[0086]
图5是对室外温度的差分结果采用滑动时间窗法从原来123个预测点中辨识出来的60个关键点的误差分布，原来9个误差是大于10％的点都被成功辨识出来了，并且are大于6％的占比高达30％，结果说明本发明方法可以成功地将误差大的点提前辨识出来。
[0087]
5.在fs的基础上引入误差修正特征ε得到新的预测特征集fs
′
，以递归多元线性回归为预测模型，预测热力站的热负荷。修正前后的热负荷预测值和are的对比图如图6所示，相比用原始预测特征集fs预测，特别是对于提前辨识出来的关键点，引入修正特征ε后的预测误差得到了有效的降低，预测热负荷更接近于实际热负荷。原来有9个预测点的are大于10％，引入修正特征ε后只有4个预测点的are大于10％。并且引入修正特征ε后，对于非关键点的预测点的预测结果扰动不大，说明仅在辨识出来的关键点引入修正，这样可以比较精准地降低关键点的误差。
[0088]
本发明未述及之处适用于现有技术。

技术特征：
1.一种供热系统负荷预测点的误差大小判断与修正方法，其特征在于，所述方法包括以下步骤：获取未来每日的平均室外空气温度，用当日的平均室外空气温度减前一日的平均室外空气温度进行差分，计算出未来每日平均室外空气温度的变化获得表示未来若干天的每日平均室外空气温度的变化的差分结果；设置日平均室外空气温度变化阈值并设置宽度为p天的时间窗，让该时间窗在差分结果上滑动；每个时间窗内都有p个只要时间窗内出现满足式(3)的情况，就判断该时间窗为关键点时间窗，时间窗内的预测点就为被辨识出来的关键点；利用特征选择获取热负荷预测的原始预测特征集fs，在原始预测特征集fs的基础上引入误差修正特征ε，得到新的预测特征集fs
′
；fs＝[x1,x2,
…
,x
k
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)fs
′
＝[x1,x2,
…
,x
k
,ε]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，fs为原始预测特征集；x为单一特征；k为特征数量；ε为误差修正特征；为第i周期的热负荷预测值，kw；q
i-1
为第i-1周期的热负荷实际值，kw；在动态滑动判断过程中，当判断出时间窗为关键点时间窗时，则误差修正特征为第i周期的热负荷预测值与第i-1周期的热负荷实际值q
i-1
的相对误差，否则令误差修正特征为0；以递归多元线性回归为预测模型，以fs
′
为预测特征集，对未来的热负荷进行在线动态预测。2.根据权利要求1所述的供热系统负荷预测点的误差大小判断与修正方法，其特征在于，所述原始预测特征集中的特征为：前三个周期的历史热负荷、预测周期的室外温度和前一周期的二次温差，即fs＝[q
i-1
,q
i-2
,q
i-3
,t
out,i
,δt
2,i-1
]其中，q
i-1
,q
i-2
,q
i-3
为前三个周期的历史热负荷，t
out,i
为预测周期的室外温度，δt
2,i-1
为前一周期的二次温差。3.根据权利要求1所述的供热系统负荷预测点的误差大小判断与修正方法，其特征在于，所述第i周期的热负荷预测值由预测模型获得。4.根据权利要求1所述的供热系统负荷预测点的误差大小判断与修正方法，其特征在于，所述未来每日的平均室外空气温度由公式(1)获得，
其中，t
out,n
为第n小时的室外空气温度，℃；为未来每日的平均室外空气温度，℃；未来每日平均室外空气温度的变化由公式(2)获得，其中，为第j日的平均室外空气温度，℃；为第j-1日的平均室外空气温度，℃；未来的室外空气温度从天气预报获取。5.根据权利要求1所述的供热系统负荷预测点的误差大小判断与修正方法，其特征在于，所述k＝3-5；所述为3℃-5℃；所述周期为热力站的调控周期，取值为5-8h。

技术总结
本发明公开一种供热系统负荷预测点的误差大小判断与修正方法，包括以下步骤：S1.求未来每日的平均室外空气温度；S2.用当日的平均室外空气温度减前一日的平均室外空气温度进行差分，计算出未来每日平均室外空气温度的变化；S3.让时间窗在步骤S2的差分结果上滑动，动态判断误差大的预测点；S4.在原始预测特征集FS的基础上引入误差修正特征ε，得到新的预测特征集FS


技术研发人员：孙春华 刘芳兵 曹姗姗
受保护的技术使用者：河北工业大学
技术研发日：2023.06.30
技术公布日：2023/10/15