本發明涉及能源優化分析，具體是一種智慧體育場館的供電能耗優化分析方法。

背景技術：

1、在智慧體育場館供電領域，目前主要運用多種技術手段來維持電力供應與管理。傳統的電力監測依賴智能電表采集用電數據，能夠獲取場館整體及部分關鍵設備的用電信息，不過其采集頻率相對較低，通常以小時甚至天為單位。在用電需求預測方面，常采用時間序列分析中的簡單移動平均法或指數平滑法，通過過往一段時間的用電數據來預估未來用電趨勢。供電保障層面，普遍配備了備用柴油發電機或不間斷電源（ups），當主供電線路出現問題時提供應急電力。

2、然而，現有技術在實際應用中暴露出諸多短板。在面對部分線路故障時，傳統備用電源系統因缺乏精準的故障定位及受影響設備識別機制，無法在第一時間對受影響設備恢復供電，導致場館內部分區域長時間停電，嚴重干擾賽事正常開展或影響觀眾觀賽體驗。同時，備用電源容量配置缺乏科學依據，多是依據經驗或場館的大致規模進行設定，極易出現容量過大造成設備閑置、資源浪費以及運維成本攀升，或是容量過小而無法滿足應急用電需求的情況。

技術實現思路

1、本發明的目的在于提供一種智慧體育場館的供電能耗優化分析方法，以解決現有技術中提出的問題。

2、為實現上述目的，本發明提供如下技術方案：一種智慧體育場館的供電能耗優化分析方法，該方法包括以下步驟：

3、步驟1、確定用電設備，以固定時間間隔收集歷史用電數據以及各用電設備耗電量；

4、步驟2、確定各用電設備耗電影響因素，以影響因素為自變量，各用電設備耗電量為因變量構建回歸模型；

5、步驟3、根據已知影響因素數據或構建時間序列模型預測未來時刻影響因素，進一步預測各用電設備用電需求；

6、步驟4、量化各用電設備回歸模型的歷史預測誤差以及衡量各影響因素時間序列模型預測不確定性；

7、步驟5、分析各用電設備的回歸模型對各影響因素變化的敏感程度，將影響因素的不確定性傳遞到用電設備耗電量預測的不確定性上；

8、步驟6、將回歸模型固有誤差和輸入影響因素的不確定性組合，形成總體預測不確定性指標，并據此配置備用電源。

9、在步驟1中，記錄電路中接入設備，根據功能進行聚類，確定所述用電設備，表示為：[a1,a2,…,an]；其中，n為正整數，表示用電設備種類數量；a1～an分別表示第1～n種用電設備；

10、數據收集時刻表示為：[t0,t1,t2,…,tm]；其中，m為正整數，表示數據收集時刻的數量，t0～tm分別表示第1～m+1個數據采集時刻；相鄰時刻之間的時間間隔相同。

11、根據智能電表及物聯網傳感器獲取歷史用電數據及各用電設備耗電量；

12、歷史用電數據表示為：[e(t1-0),e(t2-1),…,e(tm-(m-1))]；其中，t1-0～tm-(m-1)分別表示t0到t1之間的時間間隔～tm-1到tm之間的時間間隔；e(t1-0)～e(tm-(m-1))分別表示t0到t1時間間隔內用電數據～tm-1到tm時間間隔內用電數據；

13、各用電設備耗電量表示為：；

14、其中，a[a1,t1-0]～a[an,t1-0]分別表示t0到t1時間間隔內用電設備a1～an的耗電量；a[a1,tm-(m-1)]～a[an,tm-(m-1)]分別表示tm-1到tm時間間隔內用電設備a1～an的耗電量；

15、其中，對于每一時間間隔內，各用電設備耗電量之和等于用電數據。

16、在步驟2中，布置傳感器收集影響因素數據，包括環境參數、場館狀態參數、設備狀態參數以及人員流動數據；影響因素表示為：[i1,i2,…,iu]；其中，u為正整數，表示影響因素的數量，i1～iu分別表示第1～u種影響因素；

17、將影響因素數據與設備耗電量數據按相同時間間隔對齊；

18、預處理：對不同時間間隔的同一影響因素數據以及用電設備耗電量進行歸一化處理；

19、對于某用電設備，以預處理后的不同時間間隔對應的影響因素數據以及該用電設備耗電量為輸入，構建lstm神經網絡回歸模型，得到用于該用電設備耗電量預測的回歸模型；

20、為所有用電設備構建耗電量預測的回歸模型。

21、在步驟3中，已知影響因素數據基于氣象機構或場館活動安排獲取；對于非已知影響因素數據，構建prophet時間序列模型進行預測：以歷史時間間隔的影響因素數據為輸入，構建prophet時間序列模型，輸出未來時間間隔t(m+1)-m的影響因素預測值；其中，t(m+1)-m表示tm到tm+1之間的時間間隔；

22、基于獲取的已知影響因素數據以及預測的非已知影響因素數據，結合各用電設備耗電量預測的回歸模型，得到預測的各用電設備預測耗電量。

23、在步驟4中，量化各用電設備回歸模型的歷史預測誤差：在訓練階段，對每個用電設備構建lstm預測模型時，利用歷史數據計算預測值與真實值之間的殘差；

24、對于用電設備ai，記歷史殘差標準差為δai；其中，i為正整數，表示用電設備類型序列，i∈{1,2,…,n}；

25、利用prophet模型對非已知影響因素進行預測時，獲取每個影響因素的不確定性指標；

26、對于每個影響因素ik，prophet模型在預測時輸出置信區間或標準差，記未來時間間隔t(m+1)-m的預測標準差為σik,t(m+1)-m；

27、其中，k為正整數，表示影響因素類型序列，k∈{1,2,…,u}；σik,t(m+1)-m表示prophet模型預測的影響因素ik在時間間隔t(m+1)-m的標準差。

28、在步驟5中，分析各用電設備的lstm模型對各影響因素變化的敏感程度，從而將影響因素的不確定性傳遞到用電設備耗電量預測的不確定性上；

29、對于每個設備ai和每個影響因素ik，通過在模型輸入上進行小幅擾動觀察預測耗電量的變化，計算近似的局部偏導數：?ai/?ik≈(ai(ik+δ)-ai(ik-δ))/2δ；

30、其中，ai表示影響因素為ik時用電設備ai的預測耗電量；δ表示數值擾動；ai(ik+δ)和ai(ik-δ)分別表示影響因素為ik+δ和ik-δ時用電設備ai的預測耗電量；?ai/?ik表示用電設備ai對影響因素ik的敏感性；

31、用此敏感性系數衡量每個影響因素的不確定性對耗電量預測的貢獻，即單個影響因素的不確定性傳播量：vik,t(m+1)-m=|?ai/?ik|?σik,t(m+1)-m；

32、其中，vik,t(m+1)-m表示影響因素ik在時間間隔t(m+1)-m內傳播到用電設備ai耗電量的不確定性。

33、在步驟6中，將模型固有誤差和輸入不確定性兩部分綜合，得到總體預測不確定性：

34、對于用電設備ai在時間間隔t(m+1)-m內，通過各影響因素不確定性傳播量組合得到輸入相關不確定性：vinput,i,t(m+1)-m=(vi1,t(m+1)-m2+vi2,t(m+1)-m2+…+viu,t(m+1)-m2)1/2；其中，vinput,i,t(m+1)-m表示所有影響因素在時間間隔t(m+1)-m內傳播到用電設備ai耗電量的不確定性；

35、將該輸入不確定性與模型固有殘差不確定性合并，得到總的不確定性：

36、vtotal,i,t(m+1)-m=(δai2+vinput,i,t(m+1)-m2)1/2；

37、其中，vtotal,i,t(m+1)-m表示用電設備ai在時間間隔t(m+1)-m內的總體不確定性。

38、利用各用電設備在未來時間間隔內的預測值及其不確定性，指導備用電源的配置；

39、對于用電設備ai，預測耗電量為ai，配置的備用容量按公式計算：e=ai+k·vtotal,i,t(m+1)-m；其中，k為安全系數，k＞1，根據風險容忍度、設備重要性及系統冗余要求確定；e表示用電設備ai在時間間隔t(m+1)-m內配置的備用電源容量。

40、根據各用電設備計算出的相應的備用電源容量，提前配置相應容量的移動備用電源；備用電源部署于關鍵節點或集中存放于易于調度的位置；

41、對各電路運行狀態進行實時檢測，當某一部分電路出現故障，調度系統將迅速識別受影響設備，并自動指令相應的移動備用電源接入供電，保障用電設備的連續運行。

42、與現有技術相比，本發明的有益效果是：本發明綜合考慮環境參數、場館狀態、設備狀態和人員流動等多維度影響因素，建立lstm回歸模型，捕捉非線性能耗規律，結合prophet模型對非已知影響因素的預測能力，實現未來時段的精細化能耗預測，為能源調度提供科學依據；本發明通過敏感性系數將影響因素的不確定性傳遞至能耗預測結果，量化輸入數據與模型本身的誤差貢獻，形成總體預測不確定性指標；本發明基于不確定性指標和安全系數動態計算備用電源容量，避免傳統“一刀切”配置導致的冗余或不足，在保障供電可靠性的同時降低成本。