一种蓄热式电锅炉的负荷预测方法

1.本发明公开一种蓄热式电锅炉的负荷预测方法，属于蓄热式电锅炉电力控制系统
技术领域：
：。
背景技术：
：：2.在冬季蓄热式电锅炉的耗电量巨大，对电网调峰、风电的消纳都具有重大影响。提前预知蓄热式电锅炉将要消耗的电量进行负荷预测，可以使得电网管理单位提前做好调峰、风电消纳的准备，对于降低电网管理和运行成本，有效利用清洁能源具有十分重要的价值。3.要进行蓄热式电锅炉的负荷预测，当前已有的解决方案包括两个：1、使用传统的基于时间和气温的回归预测模型，此类模型通常基于神经网、决策树或支持向量机等算法，并能够得出一段时间内负荷的变化特征和趋势；对于一般的设备该处理模式较为有效，但是蓄热式电锅炉的特点是可以预先“蓄能”然后在一段时间范围内缓慢释放热能，这就使得气温、时间能因素不能直接影响负荷，而是有一定的延时；而延时的长短和特定单位的管理模式、设备型号有密切的关系，所以直接使用回归预测模型会导致际负荷与回归的结果相差加大，回归变成了一定时间范围内均值的预测是失去了预测的意义。2、直接与蓄热式电锅炉的使用单位协商，获得其用电计划；这种模式最为直接，然而目前各个企业和单位均比较重视自己的生产经营的隐私数据，这种获得用电计划的方式在实际工作中往往难以得到企业和单位的配合，所以难于执行。4.因此，需要针对蓄热式电锅炉的“蓄能”和“放热”工作特点构建一种预测方法，能够抽取出蓄热式电锅炉关键动作的规律和特征，并进一步实现相对准确蓄热式电锅炉的负荷预测。技术实现要素：5.针对现有技术存在的问题，本发明提供一种蓄热式电锅炉的负荷预测方法，该方法能够对蓄热式电锅炉的储能和放热动作进行预判，并基于该动作进一步对蓄热式电锅炉的负荷进行预测。6.本发明所说的一种蓄热式电锅炉的负荷预测方法，包括以下步骤：s1.输入蓄热式电锅炉的已有负荷数据record，输入负荷启动阈值gama；获得负荷数据个数rnum；s101，输入蓄热式电锅炉的已有负荷数据record，record为一个列表，列表中的每一个表项对应蓄热式电锅炉一天的负荷数据，每个表项包含以下内容：recordid：负荷记录的编号，为一个长整型数；recordfh：为96个元素的浮点型数组，记录以一天中0点整开始每间隔15分钟记录一次的蓄热式电锅炉负荷值；recordwd：日平均温度；recorddd：日最低温度；recordday：本表项对应的日期；s102，输入负荷启动阈值gama，gama为一个浮点型数；s103，获得负荷数据个数rnum=record中表项的个数；s104，对record中的所有表项，按照recordday的值从先到后进行排序；s2，构建储能动作描述算子xropt，xropt的输入为xrinput，xropt的输出为储能动作描述数组xroutput；s201，构建储能动作描述算子xropt，xropt的输入为xrinput，xrinput为一个96个元素的浮点型数组；s202，建立储能动作描述数组xroutput=96个元素的浮点型数组，数组所有元素内容为0；s203，构建储能动作计数器xroptct1=1；s204，如果xrinput[xroptct1]》gama，则xroutput[xroptct1]=1，否则xroutput[xroptct1]=0；s205，xroptct1=xroptct1+1；s206，如果xroptct1》96则转到s207，否则转到s204；s207，xroptct1=95；s208，储能延迟暂存变量xropttemp=4；s209，如果xroutput[xroptct1+1]=0且xroutput[xroptct1]》0，则xropttemp=4；s210，如果xropttemp《1，则转到s213；s211，xroutput[xroptct1]=(1-0.2*xropttemp)；s212，xropttemp=xropttemp-1；s213，xroptct1=xroptct1-1；s214，如果xroptct1《1则转到s215，否则转到s209；s215，将xroutput作为xropt算子的结果的输出；s3，构建放热动作描述算子fropt，fropt的输入为frinput，fropt的输出为放热动作描述数组froutput；s301，构建放热动作描述算子fropt，fropt的输入为frinput，frinput为一个96个元素的浮点型数组；s302，建立放热动作描述数组froutput=96个元素的浮点型数组，数组所有元素内容为0；s303，构建放热动作计数器froptct1=1；s304，如果frinput[froptct1]《=gama，则froutput[froptct1]=0.2，否则froutput[xroptct1]=0；s305，froptct1=froptct1+1；s306，如果froptct1》96则转到s307，否则转到s304；s307，放热暂存和变量fropttemp=froutput数组中大于0元素的个数；s308，froptct1=1；s309，如果froutput[froptct1]》0则froutput[froptct1]=froutput[froptct1]+1/fropttemp；s310，froutput[froptct1]=-froutput[froptct1]；s311，froptct1=froptct1+1；s312，如果froptct1》96则转到s313，否则转到s309；s313，将froutput作为fropt算子的结果的输出；s4，利用储能动作描述算子xropt和放热动作描述算子fropt，获得储能放热动作预测模型cfdzmodel，获得基于动作的负荷预测模型dzfhmodel；s401，构建储能放热动作描述表cftable，cftable表中的每一条记录包含以下几个字段：inputfeature：输入动作描述数组，该数组为96个元素的浮点型数组；inputwdc：日平均温度差，为浮点型数；inputddc：日最低温度差，为浮点型数；inputfh：输入的负荷数组，该数组为96个元素的浮点型数组；decisionfeature：待预测的动作描述数组，该数组为96个元素的浮点型数组；outputfh：输出的负荷数组，该数组为96个元素的浮点型数组；s402，储能放热动作计数器cfc=2；s403，储能放热动作描述表的暂存行cftablerow=新建立一条记录，该条记录的字段结构与cftable表的字段一致；s404，储能放热动作第一暂存变量cftemp1=利用xropt进行计算，xropt的输入xrinput=record[cfc-1].recordfh；s405，储能放热动作第二暂存变量cftemp2=利用xropt进行计算，xropt的输入xrinput=record[cfc].recordfh；s406，储能放热动作第三暂存变量cftemp3=利用fropt进行计算，fropt的输入frinput=record[cfc-1].recordfh；s407，储能放热动作第三暂存变量cftemp5=利用fropt进行计算，fropt的输入frinput=record[cfc].recordfh；s408，cftablerow.inputfeature=cftemp1+cftemp3；s409，cftablerow.decisionfeature=cftemp2+cftemp4；s410，cftablerow.inputwdc=record[cfc-1].recordwdꢀ‑record[cfc].recordwd；s411，cftablerow.inputddc=record[cfc-1].recordddꢀ‑record[cfc].recorddd；s412，cftablerow.inputfh=record[cfc-1].recordfh；s413，cftablerow.outputfh=record[cfc].recordfh；s414，将cftablerow加入到cftable之中；s415，cfc=cfc+1；s416，如果cfc》rnum则转到s417，否则转到s403；s417，建立储能放热动作预测模型cfdzmodel，cfdzmodel为一个基于神经网的回归预测模型，该模型的输入对应cftable表的inputfeature、inputwdc和inputddc字段，模型输出对应cftable表的decisionfeature；s418，将cftable输入cfdzmodel进行训练，获得训练后的cfdzmodel；s419，建立基于动作的负荷预测模型dzfhmodel，dzfhmodel为一个基于神经网的回归预测模型，该模型的输入对应cftable表的inputfeature、inputwdc，inputddc，inputfh和decisionfeature字段，模型输出对应cftable表的outputfh字段；s420，将cftable输入dzfhmodel进行训练，获得训练后的dzfhmodel；s5，输入蓄热式电锅炉当前日期的负荷数据cufh，输入当前日期的日平均温度cuwd，输入当前日期的日最低温度cudd，输入下一日的预测日平均温度nwd，输入下一日的预测日最低温度ndd，利用储能放热动作预测模型cfdzmodel和基于动作的负荷预测模型dzfhmodel对下一日的负荷进行预测；s501，输入蓄热式电锅炉当前日期的负荷数据cufh，cufh为96个元素的浮点型数组，记录以当前日期中0点整开始每间隔15分钟记录一次的蓄热式电锅炉负荷值；s502，输入当前日期的日平均温度cuwd，输入当前日期的日最低温度cudd，输入下一日的日预测平均温度nwd，输入下一日的日预测最低温度cwd；s503，建立暂存预测行temprow=新建立一条记录，该条记录的字段结构与cftable表的字段一致；s504，建立预测第一暂存变量yctemp1=利用xropt进行计算，xropt的输入xrinput=cufh；s505，建立预测第二暂存变量yctemp2=利用fropt进行计算，fropt的输入frinput=cufh；s506，temprow.inputfeature=yctemp1+yctemp2；s507，temprow.inputwdc=cuwdꢀ‑nwd；s508，temprow.inputddc=cuddꢀ‑ndd；s509，预测暂存动作ycdztemp=将temprow输入给cfdzmodel模型，获得模型输出；s509，temprow.inputfh=cufh；s510，temprow.decisionfeature=ycdztemp；s511，预测输入ycoutput=将temprow输入给dzfhmodel模型，获得模型输出；s512，将ycoutput作为蓄热锅炉下一日的负荷预测结果输出。[0007]本发明的有益效果是：本发明能够对蓄热式电锅炉的储能和放热动作进行预判，并基于该动作进一步对蓄热式电锅炉的负荷进行预测。通过本发明，可以发现蓄热式电锅炉在运行中的储能和放热动作规律，基于该规律可以有效的分时段的对储能时的用电负荷进行预测，防止了传统模型试图通过均值来拟合负荷的问题，从而提高蓄热式电锅炉的负荷预测精度，本发明于提高电网企业调峰管理能力和能源利用的效率。具体实施方式[0008]通过以下实施例进一步举例描述本发明，并不以任何方式限制本发明，在不背离本发明的技术解决方案的前提下，对本发明所作的本领域普通技术人员容易实现的任何改动或改变都将落入本发明的权利要求范围之内。[0009]实施例1本发明一种蓄热式电锅炉的负荷预测方法，包括以下步骤：s1.输入蓄热式电锅炉的已有负荷数据record，输入负荷启动阈值gama；获得负荷数据个数rnum；s101，输入蓄热式电锅炉的已有负荷数据record，record为一个列表，列表中的每一个表项对应蓄热式电锅炉一天的负荷数据，每个表项包含以下内容：recordid：负荷记录的编号，为一个长整型数；recordfh：为96个元素的浮点型数组，记录以一天中0点整开始每间隔15分钟记录一次的蓄热式电锅炉负荷值；recordwd：日平均温度；recorddd：日最低温度；recordday：本表项对应的日期；s102，输入负荷启动阈值gama，gama为一个浮点型数；s103，获得负荷数据个数rnum=record中表项的个数；s104，对record中的所有表项，按照recordday的值从先到后进行排序；s2，构建储能动作描述算子xropt，xropt的输入为xrinput，xropt的输出为储能动作描述数组xroutput；s201，构建储能动作描述算子xropt，xropt的输入为xrinput，xrinput为一个96个元素的浮点型数组；s202，建立储能动作描述数组xroutput=96个元素的浮点型数组，数组所有元素内容为0；s203，构建储能动作计数器xroptct1=1；s204，如果xrinput[xroptct1]》gama，则xroutput[xroptct1]=1，否则xroutput[xroptct1]=0；s205，xroptct1=xroptct1+1；s206，如果xroptct1》96则转到s207，否则转到s204；s207，xroptct1=95；s208，储能延迟暂存变量xropttemp=4；s209，如果xroutput[xroptct1+1]=0且xroutput[xroptct1]》0，则xropttemp=4；s210，如果xropttemp《1，则转到s213；s211，xroutput[xroptct1]=(1-0.2*xropttemp)；s212，xropttemp=xropttemp-1；s213，xroptct1=xroptct1-1；s214，如果xroptct1《1则转到s215，否则转到s209；s215，将xroutput作为xropt算子的结果的输出；s3，构建放热动作描述算子fropt，fropt的输入为frinput，fropt的输出为放热动作描述数组froutput；s301，构建放热动作描述算子fropt，fropt的输入为frinput，frinput为一个96个元素的浮点型数组；s302，建立放热动作描述数组froutput=96个元素的浮点型数组，数组所有元素内容为0；s303，构建放热动作计数器froptct1=1；s304，如果frinput[froptct1]《=gama，则froutput[froptct1]=0.2，否则froutput[xroptct1]=0；s305，froptct1=froptct1+1；s306，如果froptct1》96则转到s307，否则转到s304；s307，放热暂存和变量fropttemp=froutput数组中大于0元素的个数；s308，froptct1=1；s309，如果froutput[froptct1]》0则froutput[froptct1]=froutput[froptct1]+1/fropttemp；s310，froutput[froptct1]=-froutput[froptct1]；s311，froptct1=froptct1+1；s312，如果froptct1》96则转到s313，否则转到s309；s313，将froutput作为fropt算子的结果的输出；s4，利用储能动作描述算子xropt和放热动作描述算子fropt，获得储能放热动作预测模型cfdzmodel，获得基于动作的负荷预测模型dzfhmodel；s401，构建储能放热动作描述表cftable，cftable表中的每一条记录包含以下几个字段：inputfeature：输入动作描述数组，该数组为96个元素的浮点型数组；inputwdc：日平均温度差，为浮点型数；inputddc：日最低温度差，为浮点型数；inputfh：输入的负荷数组，该数组为96个元素的浮点型数组；decisionfeature：待预测的动作描述数组，该数组为96个元素的浮点型数组；outputfh：输出的负荷数组，该数组为96个元素的浮点型数组；s402，储能放热动作计数器cfc=2；s403，储能放热动作描述表的暂存行cftablerow=新建立一条记录，该条记录的字段结构与cftable表的字段一致；s404，储能放热动作第一暂存变量cftemp1=利用xropt进行计算，xropt的输入xrinput=record[cfc-1].recordfh；s405，储能放热动作第二暂存变量cftemp2=利用xropt进行计算，xropt的输入xrinput=record[cfc].recordfh；s406，储能放热动作第三暂存变量cftemp3=利用fropt进行计算，fropt的输入frinput=record[cfc-1].recordfh；s407，储能放热动作第三暂存变量cftemp5=利用fropt进行计算，fropt的输入frinput=record[cfc].recordfh；s408，cftablerow.inputfeature=cftemp1+cftemp3；s409，cftablerow.decisionfeature=cftemp2+cftemp4；s410，cftablerow.inputwdc=record[cfc-1].recordwdꢀ‑record[cfc].recordwd；s411，cftablerow.inputddc=record[cfc-1].recordddꢀ‑record[cfc].recorddd；s412，cftablerow.inputfh=record[cfc-1].recordfh；s413，cftablerow.outputfh=record[cfc].recordfh；s414，将cftablerow加入到cftable之中；s415，cfc=cfc+1；s416，如果cfc》rnum则转到s417，否则转到s403；s417，建立储能放热动作预测模型cfdzmodel，cfdzmodel为一个基于神经网的回归预测模型，该模型的输入对应cftable表的inputfeature、inputwdc和inputddc字段，模型输出对应cftable表的decisionfeature；s418，将cftable输入cfdzmodel进行训练，获得训练后的cfdzmodel；s419，建立基于动作的负荷预测模型dzfhmodel，dzfhmodel为一个基于神经网的回归预测模型，该模型的输入对应cftable表的inputfeature、inputwdc，inputddc，inputfh和decisionfeature字段，模型输出对应cftable表的outputfh字段；s420，将cftable输入dzfhmodel进行训练，获得训练后的dzfhmodel；s5，输入蓄热式电锅炉当前日期的负荷数据cufh，输入当前日期的日平均温度cuwd，输入当前日期的日最低温度cudd，输入下一日的预测日平均温度nwd，输入下一日的预测日最低温度ndd，利用储能放热动作预测模型cfdzmodel和基于动作的负荷预测模型dzfhmodel对下一日的负荷进行预测；s501，输入蓄热式电锅炉当前日期的负荷数据cufh，cufh为96个元素的浮点型数组，记录以当前日期中0点整开始每间隔15分钟记录一次的蓄热式电锅炉负荷值；s502，输入当前日期的日平均温度cuwd，输入当前日期的日最低温度cudd，输入下一日的日预测平均温度nwd，输入下一日的日预测最低温度cwd；s503，建立暂存预测行temprow=新建立一条记录，该条记录的字段结构与cftable表的字段一致；s504，建立预测第一暂存变量yctemp1=利用xropt进行计算，xropt的输入xrinput=cufh；s505，建立预测第二暂存变量yctemp2=利用fropt进行计算，fropt的输入frinput=cufh；s506，temprow.inputfeature=yctemp1+yctemp2；s507，temprow.inputwdc=cuwdꢀ‑nwd；s508，temprow.inputddc=cuddꢀ‑ndd；s509，预测暂存动作ycdztemp=将temprow输入给cfdzmodel模型，获得模型输出；s509，temprow.inputfh=cufh；s510，temprow.decisionfeature=ycdztemp；s511，预测输入ycoutput=将temprow输入给dzfhmodel模型，获得模型输出；s512，将ycoutput作为蓄热锅炉下一日的负荷预测结果输出。[0010]实施例20,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]；而该设备2021年12月2日的真实负荷为：0,0,0,0,3600.8,3596.9,3597.3,3618.6,2607.1,2604.9,2623.8,2607.1,2611.3,2615.8,2609.7,2610.1,2617.2,2621.3,2609.8,2405.1,2425.2,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2724.5,2839.9,2791.6,2829.8,2772.5,2891.5,2615.2,2766,2716.2,2854.9,2602.5,2779.7,2625.7,2160.9,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0；结论：从数据来看sum(ycoutput-真实负荷)=2.3，可以看出蓄热式电锅炉的预测结果与真实负荷之间的差距非常小，本专利可以进行蓄热式电锅炉的负荷预测。[0011]实施例3以东北地区某蓄热式电锅炉的负荷数据作为测试对象，引入2019年11月1日至2020年2月28日的所有负荷数据作为已有负荷数据，预测2020年11月1日至2021年2月28日的所有数据。本专利方法同传统的基于神经网、决策树、支持向量机的直接负荷预测之间的对比如下：结论：可以看出本发明方法的均方误差远远低于其他方法，说明本发明精度更高更加适合蓄热式电锅炉的负荷预测。当前第1页12当前第1页12
技术特征：
1.一种蓄热式电锅炉的负荷预测方法，包括以下步骤：s1，输入蓄热式电锅炉的已有负荷数据record，输入负荷启动阈值gama；获得负荷数据个数rnum；s101，输入蓄热式电锅炉的已有负荷数据record，record为一个列表，列表中的每一个表项对应蓄热式电锅炉一天的负荷数据，每个表项包含以下内容：recordid：负荷记录的编号，为一个长整型数；recordfh：为96个元素的浮点型数组，记录以一天中0点整开始每间隔15分钟记录一次的蓄热式电锅炉负荷值；recordwd：日平均温度；recorddd：日最低温度；recordday：本表项对应的日期；s102，输入负荷启动阈值gama，gama为一个浮点型数；s103，获得负荷数据个数rnum=record中表项的个数；s104，对record中的所有表项，按照recordday的值从先到后进行排序；s2，构建储能动作描述算子xropt，xropt的输入为xrinput，xropt的输出为储能动作描述数组xroutput；s201，构建储能动作描述算子xropt，xropt的输入为xrinput，xrinput为一个96个元素的浮点型数组；s202，建立储能动作描述数组xroutput=96个元素的浮点型数组，数组所有元素内容为0；s203，构建储能动作计数器xroptct1=1；s204，如果xrinput[xroptct1]>gama， 则xroutput[xroptct1]=1，否则，xroutput[xroptct1]=0；s205，xroptct1=xroptct1+1；s206，如果xroptct1>96则转到s207，否则，转到s204；s207，xroptct1=95；s208，储能延迟暂存变量xropttemp=4；s209，如果xroutput[xroptct1+1]=0且xroutput[xroptct1]>0，则xropttemp=4；s210，如果xropttemp<1， 则转到s213；s211，xroutput[xroptct1]=(1-0.2*xropttemp)；s212，xropttemp=xropttemp-1；s213，xroptct1=xroptct1-1；s214，如果xroptct1<1则转到s215，否则，转到s209；s215，将xroutput作为xropt算子的结果的输出；s3，构建放热动作描述算子fropt，fropt的输入为frinput，fropt的输出为放热动作描述数组froutput；s301，构建放热动作描述算子fropt，fropt的输入为frinput，frinput为一个96个元素的浮点型数组；s302，建立放热动作描述数组froutput=96个元素的浮点型数组，数组所有元素内容为
0；s303，构建放热动作计数器froptct1=1；s304，如果frinput[froptct1]<=gama， 则froutput[froptct1]=0.2，否则froutput[xroptct1]=0；s305，froptct1=froptct1+1；s306，如果froptct1>96则转到s307，否则，转到s304；s307，放热暂存和变量fropttemp=froutput数组中大于0元素的个数；s308，froptct1=1；s309，如果froutput[froptct1]>0则froutput[froptct1]=froutput[froptct1]+1/fropttemp；s310，froutput[froptct1]=-froutput[froptct1]；s311，froptct1=froptct1+1；s312，如果froptct1>96则转到s313，否则，转到s309；s313，将froutput作为fropt算子的结果的输出；s4，利用储能动作描述算子xropt和放热动作描述算子fropt，获得储能放热动作预测模型cfdzmodel，获得基于动作的负荷预测模型dzfhmodel；s401，构建储能放热动作描述表cftable，cftable表中的每一条记录包含以下几个字段：inputfeature：输入动作描述数组，该数组为96个元素的浮点型数组；inputwdc：日平均温度差，为浮点型数；inputddc：日最低温度差，为浮点型数；inputfh：输入的负荷数组，该数组为96个元素的浮点型数组；decisionfeature：待预测的动作描述数组，该数组为96个元素的浮点型数组；outputfh：输出的负荷数组，该数组为96个元素的浮点型数组；s402，储能放热动作计数器cfc=2；s403，储能放热动作描述表的暂存行cftablerow=新建立一条记录，该条记录的字段结构与cftable表的字段一致；s404，储能放热动作第一暂存变量cftemp1=利用xropt进行计算，xropt的输入xrinput=record[cfc-1].recordfh；s405， 储能放热动作第二暂存变量cftemp2=利用xropt进行计算，xropt的输入xrinput=record[cfc].recordfh；s406，储能放热动作第三暂存变量cftemp3=利用fropt进行计算，fropt的输入frinput=record[cfc-1].recordfh；s407，储能放热动作第三暂存变量cftemp5=利用fropt进行计算，fropt的输入frinput=record[cfc].recordfh；s408，cftablerow.inputfeature=cftemp1+cftemp3；s409，cftablerow.decisionfeature=cftemp2+cftemp4；s410，cftablerow.inputwdc=record[cfc-1].recordwd
ꢀ‑
record[cfc].recordwd；s411，cftablerow.inputddc =record[cfc-1].recorddd
ꢀ‑
record[cfc].recorddd；
s412，cftablerow.inputfh=record[cfc-1].recordfh；s413，cftablerow.outputfh=record[cfc].recordfh；s414， 将cftablerow加入到cftable之中；s415，cfc=cfc+1；s416，如果cfc>rnum则转到s417，否则转到s403；s417，建立储能放热动作预测模型cfdzmodel，cfdzmodel为一个基于神经网的回归预测模型，该模型的输入对应cftable表的inputfeature、inputwdc和inputddc字段，模型输出对应cftable表的decisionfeature；s418，将cftable输入cfdzmodel进行训练，获得训练后的cfdzmodel；s419，建立基于动作的负荷预测模型dzfhmodel，dzfhmodel为一个基于神经网的回归预测模型，该模型的输入对应cftable表的inputfeature、inputwdc， inputddc， inputfh和decisionfeature字段，模型输出对应cftable表的outputfh字段；s420，将cftable输入dzfhmodel进行训练，获得训练后的dzfhmodel；s5，输入蓄热式电锅炉当前日期的负荷数据cufh，输入当前日期的日平均温度cuwd， 输入当前日期的日最低温度cudd，输入下一日的预测日平均温度nwd，输入下一日的预测日最低温度ndd，利用储能放热动作预测模型cfdzmodel和基于动作的负荷预测模型dzfhmodel对下一日的负荷进行预测；s501，输入蓄热式电锅炉当前日期的负荷数据cufh，cufh为96个元素的浮点型数组，记录以当前日期中0点整开始每间隔15分钟记录一次的蓄热式电锅炉负荷值；s502，输入当前日期的日平均温度cuwd， 输入当前日期的日最低温度cudd，输入下一日的日预测平均温度nwd，输入下一日的日预测最低温度cwd；s503，建立暂存预测行temprow=新建立一条记录，该条记录的字段结构与cftable表的字段一致；s504，建立预测第一暂存变量yctemp1=利用xropt进行计算，xropt的输入xrinput=cufh；s505，建立预测第二暂存变量yctemp2=利用fropt进行计算，fropt的输入frinput=cufh；s506，temprow.inputfeature=yctemp1+yctemp2；s507，temprow.inputwdc=cuwd
ꢀ‑
nwd；s508，temprow.inputddc =cudd
ꢀ‑
ndd；s509，预测暂存动作ycdztemp=将temprow输入给cfdzmodel模型，获得模型输出；s509，temprow.inputfh=cufh；s510，temprow.decisionfeature=ycdztemp；s511，预测输入ycoutput=将temprow输入给dzfhmodel模型，获得模型输出；s512，将ycoutput作为蓄热锅炉下一日的负荷预测结果输出。

技术总结
本发明公开一种蓄热式电锅炉的负荷预测方法，能够对蓄热式电锅炉的储能和放热动作进行预判，并基于该动作进一步对蓄热式电锅炉的负荷进行预测。通过本发明，可以发现蓄热式电锅炉在运行中的储能和放热动作规律，基于该规律可以有效的分时段的对储能时的用电负荷进行预测，防止了传统模型试图通过均值来拟合负荷的问题，从而提高蓄热式电锅炉的负荷预测精度，本发明于提高电网企业调峰管理能力和能源利用的效率。利用的效率。


技术研发人员：孙宏彬 潘欣 潘林
受保护的技术使用者：长春工程学院
技术研发日：2022.04.11
技术公布日：2022/7/5