冷热电联供系统多形态电负荷的中长期预测方法

纪云龙，杨俊，张峰，翟亮，杨静

(国网新疆电力有限公司昌吉供电公司，新疆，昌吉 831100)

0 引言

目前小区用户对冷热电能源需求增加，但缺乏对消耗能源数据的准确预测，为把握冷热电联供系统的运行状态，使能源供应结构能够根据预测数据合理安排供应量，因此本文设计一种多形态结构对冷热电数据预测。通过预测数据能够为联供系统的能源供应提供参考，与此同时加强预测数据的准确性。

经过实地调研和查阅资料，通过多方研究的预测技术，本文汇总了多种冷热电联供系统多形态电负荷的预测方法。其中，文献[1]采用了卡尔曼滤波技术建立多形态电负荷预测模块，通过滤波装置将多余负荷进行排除，从而增加系统电负荷预测准确性。但这种滤波结构构建较为复杂，对联供系统的数据预测更新较为缓慢；文献[2]在BP神经网络的基础上，通过差分整合方法对预测数据进行微调，加强系统预测精度，通过网络模型和微调技术使联供系统的能源供应量更加精准。但这种方法计算较为复杂，所使用的计算机性能要求较高，不具有普遍适用性。上述2种方法能够一定程度上预测出系统电负荷数据，但仍存在一些技术上的缺陷，因此本文在此基础上进行改进，通过研究创新找到一种精确预测电负荷中长期数据的方法。

通过上述研究分析，在上述方案的基础上对联供系统模型进行改进，根据实测数据量进行模块化设计；为加强系统预测速度，采用ASICII集成芯片对系统功能电路集成化；通过Volterra反馈算法，增加系统提取数据能力，保证模型预测的精准度；利用多元时间序列分割法使系统电负荷预测具有周期性变化，使预测数据更加具有规律性，便于后期检索[3]。

1 冷热电联供系统设计

为了提高预测模型性能指标，对多形态电负荷数据进行实地检测，对现有系统设计结构改进，加入数据预测模型和数据采集系统，从而能够精准预测多形态电负荷的未来趋势[4]。预测模型设计方案如图1所示。

图1 冷热电联供系统设计方案

本文设计的冷热电联供系统在输入和数据处理单元增加了一种自回归移动预测模型[5]。整个系统的输入信息包括制冷参数、供热参数、电能参数和能源汇总信息。其中，制冷参数为12～15 ℃，误差范围±2 ℃，供热参数为25～35 ℃，误差范围±5 ℃，电能参数为220 V，15 A，误差范围±5A。通过系统参数完成数据的输入，使系统调度更加具有条理化；数据处理单元主要通过集成芯片进行数据处理，集成芯片兼具数据采集、数据预测、结果反馈等功能，使数据处理更加快速；自回归预测模型的建立需要进行模型硬件的选型，根据装机容量和运行参数合理选用型号，保证预测数据的准确性，在预测模型运行中主要采用自适应Volterra算法，能够精准把控多形态电负荷数据的未来趋势，从而提高预测模型对多形态电负荷预测数据的把控能力[6]。

2 ASICII集成芯片

本研究数据处理采用的集成芯片为ASICII型号，是一款同步型数据快速集成芯片，芯片输出IN为2.5～5.5 V，输出OUT可调范围为0.8～5 V，最大负载电流为2A，数据处理速度同比提高20%[7]。芯片集成线路如图2所示。

图2 集成芯片电路图

ASICII型数据处理集成芯片有6个引脚，功能如下：GND负责接地保护，保证芯片电路安全，IN和VCC对输入电流处理，保证电流符合芯片额定电流，EN负责芯片数据稳定调试，OUT进行电流输出管理，通过电感和电容配合完成电源输出可调性，完成从大电流到小电流的转换，TS负责芯片内电流检测，避免漏电流事故的发生[8]。

ASICII型集成芯片能够对系统数据进行集成处理，方便系统指令传达，通过转换的电信号进行信息传达。通过集成芯片的逻辑控制能够对联供系统中央控制室发出的指令进行完美执行，使数据集中化，增加了联供系统运行效率[9]。

3 Volterra算法

对于联供系统的多形态电负荷的预测，本文主要通过Volterra算法得到预测结果，该算法能够在现有数据基础上找到一定的规律，通过这种规律进行电负荷预测，然后根据预测数据反馈到初始化预测模型进行验证[10]。因此对已有联供系统多形态电负荷进行数据采集，定义为初始离散函数：

y(n+1)=f(y(n))

(1)

式中，n表示运行状态下产生的电负荷数值，y()表示电负荷产生时系统运行状态，f()表示下一个电负荷产生时系统运行状态。在预测算法的基础上加入反馈结构能够增加系统预测能力，通过已知系统运行数据预测出后续系统运行数据变化为

(2)

(3)

式中，F()表示下一步运行中产生的电负荷数据预测值，对于联供系统的长期预测，需要搭建一种反馈结构，保证预测值不会过于偏离实际。如果预测算法不能够充分模拟联供系统的运行状态，则其长期预测精准性就会降低，如果搭建的反馈结构不稳定，也将影响算法长期预测数据的精准度。

通过找到系统运行数据规律建立预测模型，对这种电负荷获取方式进行代数运算写作：

(4)

在本研究设计的反馈系统中，忽略反馈计算产生的误差，对于反馈结构产生的输出信号可以表示为

(5)

其中，f(x)表示反馈结构输入的变量。正常情况下，反馈信号是前一个点的一步预测值，从实验中得到真实数据，真实的输入信号矢量可以写作：

(6)

(7)

Φi{f(x(n))-e(n)}=Φi{f(x(n))-f′(x(n))e(n)}

(8)

屏蔽冷热负荷对电负荷的干扰，对预测误差进行分析可以得到：

(9)

其中，j为含有反馈信号的分量。因此，反馈预测误差：

er(n+1)=e(n+1)+ef(n+1)

(10)

建立一阶非线性反馈结构的Volterra自适应预测反馈环节的框图。对预测的数据进行验证，通过反馈网络的双曲正切进行数值函数化，并进行信号扩展放大，从而完成整个预测循环。反馈环节如图3所示。

图3 反馈环节框图

反馈算法以二阶Volterra算法为基础：

A=ai1y(k-i1)

(11)

B=ai1i2y(k-i1)y(k-i2)

式中，k表示经过预测的数据变化次数，a表示原始测试出的实测电负荷，A表示实测值的数据规律，B表示预测值的变化规律，i1表示预测中产生的可变因素。反馈环节是在预测电负荷正循环中加入的增加项，通过输入的电负荷实测值得到增加项为

(12)

通过Volterra算法对实测数据进行分析，根据这种数据上的规律进行预测，为保证结果的准确性建立反馈结构，对预测出的结果进行反馈验证，结果对比如下：不使用模型预测的精度为90%；加入Volterra预测模型之后精度达到98%，提高了算法的预测准确性。

4 联供系统预测方法

通过对现有联供系统进行改进，把预测模型嵌入到联供系统中，对硬件根据参数进行选型，使预测模型能够捕捉到运行状态下的电负荷数值，然后把电负荷信号输入到Volterra反馈算法中进行数值预测和数据验证，从而减小了预测过程中受干扰程度，预测模型流程如图4所示。

图4 电负荷预测流程

预测模型将信息输入与电负荷归纳整理相关联。提取各项因素数据的预测值，基于采集的多形态电负荷数据，对数据采取拟合分析，对多形态电负荷数据进行分解得到联供电负荷和冷热负荷数据，然后根据实际运行电负荷数值预测出长期数值；对于预测中干扰因素通过相关性检验进行分析，屏蔽噪声干扰对实测数据建立预测模型，分析多形态电负荷数据规律，然后在自回归模型中进行预测，判定预测数据为否，则进行Volterra运算，使数据预测回归到预测模型中；判定为是，可以直接进行模型数据输出，根据最终预测数据和系统数据预测值进行预测数据整合。整合的数据进行入库，方便使用，为后续系统的调整提供数据上的支撑。

5 试验结果与分析

通过调研和查阅资料，对多形态电负荷实际数据记录。通过研究分析实际数据的规律，对预测数据有了大致方向，在试验中有一定的环境要求：处理器CPU的额定功率<80%；电负荷预测精度>85%；数据入库时间>5年；实验用计算机采用酷睿8以上CPU，处理器采用高通骁龙845，提供多种变电形式。应用Simulink进行模型预测仿真，联供系统模型参数如表1所示。

表1 模型参数配置

5.1 预测数据分析

本文通过Windows 10操作系统，根据华中地区小区年消耗电量信息，通过模拟冷热电联供系统运行状态进行数据采集记录，设定一年为一个时间周期，通过整合2018～2022年的电负荷实际量和预测值。为减少试验误差，本试验在同种虚拟运行状态，所选小区一样的情况下，对卡尔曼滤波和BP神经网络预测方法进行电负荷数据采集，得到3种多形态电负荷的预测对比结果，经过系统记录和算法预测计算得出本研究电负荷实测值和预测值，如表2所示。

表2 电负荷数据预测结果 单位：MW

从表2中数据可以大概了解每年冷热电联供系统的电负荷情况，通过2018～2020年3种预测方法的预测数据和实际数值比较，本研究的预测数值明显更接近实际，因此对于2018～2022年的预测数值更具有参考价值。

为更清晰直观地了解联供系统年度电负荷预测值的变化曲线，本试验对系统运行状态进行模拟运行，通过Simulink仿真软件进行仿真比较，最终预测规律曲线如图5所示。

图5 电力负荷预测规律曲线

分析图5中多形态电负荷预测曲线规律，发现每年电负荷呈现不同程度的增长，文献[1]提到的卡尔曼预测法增长幅度较为平稳，与实际测量曲线偏离较大，不符合实际；文献[2]采用的BP预测模型对于短期预测数据较为准确，对于长期电负荷预测结果误差较大，在2020年和2021年明显偏离了实际数据曲线；本研究预测方法每年都有不同程度的波动，符合实际数值变化规律，整体呈上升趋势，基本与实测曲线吻合，因此预测结果更为准确。

5.2 数据运算误差分析

为验证本研究设计多形态电负荷预测方法的误差，通过式(3)误差计算公式列出误差表，

(13)

将实验中各预测数值进行误差计算，通过计算机编辑公式，最终得到误差分析表如表3所示。

表3 误差分析表

根据误差数据表进行计算机仿真，与传统电负荷预测法对比验证，计算机仿真出相对误差比较波形图如图6、图7所示。

图6 传统预测电负荷误差

通过对比发现本研究多形态电负荷预测方法准确性更高，传统预测方法相对误差在2%～10%范围波动，相对误差跨度较大，系统预测精度较小；本研究方法则集中在0%～6%，跨度较小，精度较高。通过分析可知，本研究预测系统相对误差较小。

综上所述，本文研究的多形态电负荷的长期预测模型，预测得到的电负荷与实际测量值相差较小，预测数据结果更加符合实际，系统运行较为稳定，从而验证了本研究多形态电负荷预测数据结果的参考价值。

图7 本研究预测方法误差

6 总结

本文设计的预测模型，对于冷热电联供系统的多形态电负荷具有较强的针对性，能够预测出未来几年电负荷的消耗趋势，使数据准确度更高。在冷热电联供系统基础上增加预测模型，通过联供系统供能线路设计预测模型，利用Volterra算法提高预测准确性。经过试验测试和对比相对误差仿真分析，发现本文设计的预测方法预测精度更高，更具有参考价值。

但是本研究在试验过程中存在一些技术上的缺陷，对联供系统电负荷数据采集较为繁琐，实际测量值存在系统误差等问题仍待解决。