基于E-A的蓄热电锅炉日前功率调节裕度预测方法

基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法
技术领域
1.本发明属于新能源电力系统运行控制领域，尤其涉及一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法。


背景技术：

2.随着新能源并网占比日益增大、新能源消纳问题日趋严峻。为解决风电光伏等消纳问题，蓄热电锅炉负荷作为优质的可调节负荷近年来逐渐参与新能源消纳调节。但由于日前时间尺度下蓄热电锅炉负荷可调节功率受新能源随机性与波动性影响较大，存在功率调节裕度预测准确性不高的问题，加重了电网调度运行负担。因此，提高蓄热电锅炉负荷功率调节裕度预测精度需引起极大重视。
3.目前，针对此类问题的研究分析相对集中于供给侧激励机制对负荷的影响，间接利用激励机制对负荷实行调度控制，但忽略了蓄热电锅炉负荷作为市场主体的购电行为以及对激励信号的响应调节。本文从需求侧负荷角度出发，引入时间序列预测算法，考虑蓄热电锅炉对激励信号的响应因素，以随机变化的新能源出力作为依据，将复杂的耦合关系影响以某些时间序列变量的形式体现在算法中，可取得良好的效果
4.时间序列预测算法常用方法诸多，emd经验模态分解算法与arima差分整合移动平均自回归模型对数据具有较高的预测准确性。其中emd算法具有高自适应性和完备性较强的优点，且分解后的imf分量满足arima模型的条件要求，而 arima模型可完全由外部确定输入的变量，但是要求时间序列数据具有较高的稳定性，因此利用emd算法作为复合算法中串行结构的前置，弥补了arima模型的缺点，形成一种比较完备的负荷预测方法。
5.综上所述，为了更好的满足蓄热电锅炉日前功率调节裕度预测的精度，更合理准确地规划需求侧结构，本专利提出了一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法。


技术实现要素：

6.本专利提出了一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法。
7.一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法，包括以下步骤：
8.s1：分析激励信号时段内蓄热电锅炉蓄热电锅炉调节特性；
9.s2：结合emd算法(经验模态分解)和arima模型的算法特性形成e
‑
a复合预测算法，利用复合预测算法对分解筛选后的蓄热电锅炉负荷各个分量进行预测叠加得到激励信号下蓄热电锅炉日前功率调节裕度预测值；
10.s3：对利用复合预测算法的预测结果进行评价；
11.优选地，所述s1包括以下步骤：
12.s101：采集冬季蓄热电锅炉单机运行状态信息，包括激励信号时段实时调节功率裕度p
i
(t)和蓄热设备状态信息α
i
(t)；
13.s102：分析蓄热电锅炉负荷收到激励信号后调节特性曲线；
14.优选地，所述s2包括以下步骤：
15.s201：利用emd算法将蓄热电锅炉负荷调节特性分解为n+1个变量。
16.通过emd算法将蓄热电锅炉负荷运行功率分解为imf与r分量即p
i，imf1
(t)、 p
i，imf2
(t)、...、p
i，imfn
(t)以及p
i，r
(t)余波分量；
17.s202：对分解后的运行功率进行检验筛选，获取符合条件的变量。
18.对得到的不同变量首先进行白噪声检验，剔除白噪声序列，再利用单位根检验法进行平稳性检验。对于不平稳的变量序列进行差分处理，直至平稳为止；
19.s203：利用最小二乘法对arima模型中未知参数p、q进行估计；
20.s204：利用arima模型对各变量进行预测，再进行叠加得到日前调节裕度预测功率
21.优选地，所述s3包括以下步骤：
22.s301：选取典型数据中最后一天的蓄热电锅炉负荷运行特性曲线图；
23.s302：统计使用e
‑
a复合预测方法与arima模型的蓄热电锅炉日前功率调节裕度预测结果与误差百分比。
24.本发明专利提出的预测方法有以下有益效果：
25.本发明提供一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法，通过融合emd算法和arima模型形成e
‑
a复合预测算法进行日前蓄热电锅炉功率调节裕度预测，利用emd算法高完备性和自适应性的优点对负荷特性进行分解，以进一步满足arima模型初始信息的稳定性要求，再使用arima模型对各分量进一步预测与叠加，形成比较完善的预测过程，最后得到日前功率调节裕度预测结果。
附图说明
26.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
27.图1为一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法的流程图；
28.图2典型日4某蓄热电锅炉日功率调节裕度曲线；
29.图3典型日某蓄热电锅炉功率调节裕度分解图；
30.图4典型日某蓄热电锅炉日负荷功率预测结果；
具体实施方式
31.为了清楚了解本发明的技术方案，将在下面的描述中提出其详细的结构。显然，本发明实施例的具体施行并不局限于本领域的技术人员所熟习的特殊细节。本发明的优选实施例详细描述如下，除详细描述的这些实施例外，还可以具有其他实施方式。
32.下面结合附图和实施例对本发明做进一步详细说明。
33.实施例1：
34.图1为一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法的流程图。图1中，本发明提供的一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法包括：
35.s1：分析激励信号时段内蓄热电锅炉调节特性；
36.s2：结合emd算法(经验模态分解)和arima模型的算法特性形成e
‑
a复合预测算法，
利用复合预测算法对分解筛选后的蓄热电锅炉容量各个分量进行预测叠加得到激励信号下蓄热电锅炉日前功率调节裕度预测值；
37.s3：对利用复合预测算法的预测结果进行评价；
38.优选地，所述s1包括以下步骤：
39.s101：采集冬季蓄热电锅炉单机运行状态信息，包括激励信号时段功率调节裕度p
i
(t)和蓄热设备状态信息α
i
(t)；
40.s102：分析激励信号下蓄热电锅炉负荷功率调节特性曲线；
41.优选地，所述s2包括以下步骤：
42.s201：利用emd算法将负荷运行特性分解为n+1个变量。
43.通过emd算法将负荷运行功率分解为imf与r分量即p
i，imf1
(t)、p
i，imf2
(t)、...、 p
i，imfn
(t)以及p
i，r
(t)余波分量；
44.s202：对分解后的运行功率进行检验筛选，获取符合条件的变量。
45.对分解得到的变量首先进行白噪声检验，剔除白噪声序列，再利用单位根检验法进行平稳性检验。对于不平稳的变量序列进行差分处理，直至平稳为止；
46.对imf分量与r余波进行白噪声检验：
47.原假设h0：
48.备择假设h1：至少存在
[0049][0050]
其中ρ(i)为i阶自相关系数，q
lb
为检验统计量，n为样本数，为k阶自相关系数估计值。通过p值确定原假设是否成立，即是否为白噪声：
[0051]
p＝p(ρ2(m)＞q
lb
)
ꢀꢀꢀꢀ
(2)
[0052]
p<0.05时，在95％的置信水平上认为序列为非白噪声序列；
[0053]
p<0.01时，在99％的置信水平上认为序列为非白噪声序列；
[0054]
对imf分量与r余波利用单位根检验法进行平稳性检验：
[0055][0056]
其中s为p
i，imfk
(t)的滞后阶数，ε(t)为扰动项。
[0057]
原假设h0：系数γ＝0，即存在单位根
[0058]
备择假设h1：系数γ＜0
[0059]
取p
i，imfk
(t
‑
1)项在ols法(最小二乘法)下t检验值为adf统计量，如果adf统计量显著小于临界值则拒绝原假设。
[0060]
s203：利用最小二乘法对arima模型中未知参数p、q进行估计；
[0061]
s204：利用arima模型对各变量进行预测得到p
i，imfk1
(t)、p
i，imfk2
(t)、...、p
i，imfkn
(t) 以及p
i，r
(t)余波分量，再将其进行叠加得到日前预测负荷
[0062]
[0063]
优选地，所述s3包括以下步骤：
[0064]
s301：选取蓄热电锅炉负荷运行特性曲线图；
[0065]
s302：在激励信号下统计使用e
‑
a复合预测方法与arima模型的蓄热电锅炉日前功率调节裕度预测结果与误差百分比。
[0066]
利用mape(平均绝对百分误差)与rrmse(相对均方根误差)作为评价指标对预测结果进行评价。
[0067][0068][0069]
实施例2：
[0070]
选取某单位12mw蓄热电锅炉为研究对象，以2017年冬季风电消纳激励机制执行下连续四天的日负荷数据为依据，本发明提供的一种基于e
‑
a的蓄热电锅炉日前功率调节裕度预测方法包括：
[0071]
s1：分析激励信号时段内蓄热电锅炉运行特性；
[0072]
s101：对某单位蓄热电锅炉负荷的激励信号下的运行数据进行统计分析，得到负荷功率连续四日的24h典型数据；
[0073]
对统计数据整理得出某单位蓄热电锅炉负荷2017年冬季连续典型日24h运行数据如表1所示：
[0074]
表1某单位蓄热电锅炉激励机制下冬季典型日24h负荷数据
[0075]
单位：mw
[0076][0077]
s102：依据获取的运行功率数据信息形成蓄热电锅炉典型日4负荷功率调节裕度曲线p4(t)
‑
t如图2所示；
[0078]
s2：通过emd算法(经验模态分解)和arima模型形成e
‑
a复合预测算法对蓄热电锅炉响应功率分解筛选后的各个分量进行预测叠加得到日前预测量；
[0079]
s201：利用emd算法将负荷运行特性分解为n+1个变量。
[0080]
通过emd算法将典型日1、2、3的负荷运行功率分解为imf与r分量即p
i，imfk1
(t)、 p
i，imfk2
(t)、...、p
i，imfkn
(t)以及p
i，r
(t)余波分量，如图3为emd分解结果。
[0081]
s202：对分解后的量进行检验筛选，获取符合条件的变量。
[0082]
对得到的变量p
i，imf1
(t)、p
i，imf2
(t)、...、p
i，imfn
(t)以及p
i，r
(t)余波进行白噪声检验，检验发现无白噪声序列，再利用单位根检验法对其进行平稳性检验，对于不平稳的变量序列进行差分处理，得到不同分量所需进行差分阶数d；
[0083]
s203：利用最小二乘法对arima模型中未知参数p、q进行估计，得到各分量的arima预测模型参数如表2；
[0084]
表2不同分量在arima模型中的参数
[0085] pdq
imf12014imf2201imf3201r352
[0086]
s204：利用arima模型对各变量进行预测，再进行叠加得到日前功率调节裕度预测如表3所示；
[0087]
表3不同分量以及日前功率调节裕度预测结果
[0088]
单位：mw
[0089][0090][0091]
s3：对复合预测算法得到的预测结果进行评价；
[0092]
s301：选取典型数据中最后一天的蓄热电锅炉负荷，描绘实际负荷运行特性与预测负荷曲线如图4；
[0093]
s302：统计使用e
‑
a复合预测方法与arima模型的蓄热电锅炉负荷预测结果误差如表4所示，分析可知e
‑
a复合预测算法可有效提高预测精度。
[0094]
表4不同分量以及日前负荷预测结果
[0095][0096]
在负荷参与调节促进风光电新能源消纳的背景下，蓄热电锅炉因具有响应速度快、规模潜力大等优点成为优良选择之一。结合典型日蓄热电锅炉负荷功率运行特性可知，其运行模式为全部使用低谷电，称为全量蓄热方式，其运行时间为：
[0097]
23：00～7：00
ꢀꢀꢀ
开启电锅炉，加热蓄能水箱中的水，并部分向系统供热。
[0098]
7：00～23：00
ꢀꢀꢀ
关闭电锅炉，利用蓄能水箱中的热水向系统供热。
[0099]
而采取的复合算法在7:00—23:00、5:00的负荷预测结果存在较大偏差，结合上述运行背景以及实际调研情况可知原因：一是在政策响应的状态下，复合算法对负荷的预测未能追赶实际负荷功率的响应速度；二是调研过程中发现在凌晨 5:00左右存在停电现象，导致蓄热电锅炉负荷功率运行曲线该时刻点存在低谷。
[0100]
因此，在进行mape与rrmse误差百分比的计算时，剔除上述时间点负荷数据，得到预测结果误差。
[0101]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的权利要求保护范围之内。