一种热负荷预测方法、装置、可读介质及电子设备制造方法及图纸

本发明专利技术公开了一种热负荷预测方法、装置、可读介质及电子设备，方法包括：设置初始温度、冷却系数、终止温度，形成包括若干不同个体的候选种群，每一个体分别包括自回归项、移动平均项数及差分次数；获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时分别对应的样本热负荷量级；根据初始温度、冷却系数及各个样本热负荷量级，对候选种群进行迭代更新以形成目标种群；从目标种群确定最优个体；根据最优个体形成自回归积分滑动平均模型，利用该模型预测目标蒸汽用户在若干未来时间段使用锅炉蒸汽时分别对应的热负荷量级。通过本发明专利技术提供的技术方案，可更为准确的蒸汽用户在各个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级。

【技术实现步骤摘要】
一种热负荷预测方法、装置、可读介质及电子设备
本专利技术涉及计算机
，尤其涉及一种热负荷预测方法、装置、可读介质及电子设备。
技术介绍
为了实现对锅炉蒸汽进行高效调度，通常需要对蒸汽用户在一个或多个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级进行预测。目前，通常利用自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,ARIMA模型)对蒸汽用户在各个未来时间段内使用蒸汽时所对应的热负荷量级进行预测。具体地，可首先确定蒸汽用户在若干个连续的测试单位时间段内使用锅炉蒸汽时所对应的样本热负荷量级，并根据各个样本热负荷量级绘制自相关图和偏自相关图；用户则可通过查看自相关图和偏自相关图，确定自回归项p、移动平均项数q以及差分次数d，进而根据确定的p、d、q形成能够用于对该蒸汽用户在各个未来时间段内所对应的热负荷量级进行预测的ARIMA模型。不难看出，形成ARIMA模型时所依赖的p、d、q需要由用户通过查看绘制的自相关图和偏自相关图进行确定，人工干预程度较高，p、d、q的准确性偏低，可能导致形成的ARIMA模型无法对蒸汽用户在各个本文档来自技高网...

【技术保护点】
1.一种热负荷预测方法，其特征在于，包括：设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，其中，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；从所述目标种群中确定出最优个体；根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。

【技术特征摘要】
1.一种热负荷预测方法，其特征在于，包括：设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，其中，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；从所述目标种群中确定出最优个体；根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。2.根据权利要求1所述的方法，其特征在于，所述根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群，包括：A1：计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。3.根据权利要求2所述的方法，其特征在于，所述A1，包括：A11：选择所述候选种群中未被选择过的一个所述个体；A12：根据选择的所述个体形成样本自回归积分滑动平均模型；A13：利用所述样本自回归积分滑动平均模型预测所述目标蒸汽用户在各个所述测试时间段使用锅炉蒸汽时所分别对应的预测热负荷量级；A14：通过如下公式1计算选择的所述个体所对应的当前适应度值：其中，F表征选择的所述个体所对应的当前适应度值、Yj表征第j个测试时间段所对应的预测热负荷量级、yj表征第j个测试时间段所对应的样本热负荷量级、n表征测试时间段的个数；A15：检测所述候选种群中是否存在未被选择过的个体，若是，则执行A11；否则，执行A2。4.根据权利要求2所述的方法，其特征在于，所述A2，包括：计算各个所述当前适应度值的平均值；针对每一个所述个体，当所述个体所对应的当前适应度值不大于所述平均值时，将所述个体确定为可疑个体；针对每一个所述可疑个体，执行：根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率；生成所述可疑个体所对应的随机概率，当所述随机概率小于所述个体选择概率时，在所述候选种群中将所述可疑个体作为不可信个体进行删除处理。5.根据权利要求4所述的方法，其特征在于，所述根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率，包括：通过如下公式2计算所述可疑个体所对应的个体选择概率：P＝exp[(f-favg)kxT](2)其中，P表征所述可疑个体所对应的个体选择概率、f表征所述可疑个体所对应的当前适应度值、favg表征所述平均值、k表征所述冷却系数、x表征记录的迭代更新次数、T表征所述初始温度。6.根据权利要求2所述的方法，其特征在于，所述A3，包括：A311：对所述候选种群中剩余的各个可信个体进行随机配对；A312：生成各个所述可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；A313：从所述候选种群中选择一个未被选择过的可信个体；A314：通过如下公式3计算选择的所述可信个体所对应的交叉概率：其中，PC表征选择的所述可信个体所对应的交叉概率、k1和k2均为常数、f表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次...

【专利技术属性】
技术研发人员：刘胜伟，黄信，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：河北,13