一种火电厂负荷的预测方法技术

本发明专利技术适用于火电厂技术领域，提供了一种火电厂负荷的在线预测方法，包括：获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值，本发明专利技术可以克服灰色关联求解的非线性及相关约束等无法直接求解负荷预测的问题，适用于复杂参数并可扩展为多系统输出的预测问题，具有物理意义清晰，计算量小且精度高等特点。

【技术实现步骤摘要】
一种火电厂负荷的预测方法
本专利技术属于火电厂
，尤其涉及一种火电厂负荷的预测方法。
技术介绍
在火电厂生产过程中，负荷是运行机组的重要参数之一。快速、有效且准确的预测负荷对火电厂的生产运行调度具有重要的指导作用，不仅有利于生产企业节约原料、降低发电成本、同时也能对设备的故障诊断起到辅助监测及预警作用。实际生产过程中，火电厂机组负荷的数值变化受电网调度、机组设备运行情况、水汽质量以及不同工况条件等因素影响，在一段时间内负荷整体呈现波动，这样也给负荷数据的挖掘及预测带来一定困难。以往的火电厂负荷预测问题大多通过对数据建立数学模型，如基于微分方程的灰色模型、基于自回归滑动平均的ARMA(auto-regressiveandmovingaveragemodel)模型以及非线性映射的神经网络模型，进而对数据进行建模和预测分析。灰色系统理论是一种处理小样本不确定问题的重要方法，由于模型方程物理意义清晰，在小样本数据的预测问题中发挥了重要作用，常用的预测模型包括GM(1，1)模型、GM(2，1)模型、灰色Verhulst模型等，上述模型建立在光滑离散函数和灰微分方程概念的基础上，通常数据变换后需要满足“指数型”变换规律，而对于负荷等振荡时间序列(Oscillatingtimeseries)，即时间序列的描述形式中包含上升(upwardtrend)和下降(downwardtrend)趋势，有些情况下效果并不理想，且这类序列是大量存在于工业生产实际中的。鉴于此，本专利技术给出一种火电厂负荷的预测方法，通过灰色关联度分析对火电厂机组系统负荷在随时间变化过程中参数变化规律的关联性进行量度，该方法尤其适用于振荡时间序列。灰色系统理论中，灰色关联分析是对信息不完全以及少数据不确定系统进行因子量化分析的一种方法，可以应用于曲线相似度分析，特征选择及因素关联度量等问题。由于火电厂生产过程中，机组负荷参数随时间变化时，具有相同的动态行为特性，所以可以将灰色关联分析应用于火电厂负荷的动态历程分析及预测。在基本灰色关联度(或邓氏关联度)中，位移差反映了参考序列和比较序列之间发展趋势的接近程度，因而基本灰色关联度在实际应用中表现出来的不足有以下几方面：(1)基本灰色关联度的结果受到两极最小绝对差和两极最大绝对差的影响较大；(2)基本灰色关联度的结果与样本量有关；(3)基本灰色关联度的结果无法克服趋势相似而距离差异较大的情形，即不能体现与相对距离无关的思想；(4)基本灰色关联度的计算采用均值方法使得旧样本和新样本对灰色关联度的结果影响相同，并且可能出现对整体发展趋势的不准确判断。
技术实现思路
本专利技术实施例提供一种火电厂负荷的在线预测方法，旨在解决火电厂负荷在线预测的问题。本专利技术提供了一种火电厂负荷的在线预测方法，包括：获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。更进一步地，所述火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。更进一步地，所述火电厂负荷数据预测模型的建立方法如下：确定长度相同的参考序列、第一比较序列和第二比较序列；所述参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，所述第一比较序列包含从初始数据到第n-p个的历史火电厂负荷的分数阶累加生成数据，所述第二比较序列包含从第2p+1个到第n+p个的火电厂负荷的分数阶累加生成数据；分别计算第一比较序列与参考序列的灰色关联系数，第二比较序列与参考序列的灰色关联系数；计算第一比较序列与参考序列的灰色关联度，确定第二比较序列与参考序列的灰色关联度表达式，即所述火电厂负荷数据预测模型。更进一步地，利用所述火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列，具体包括：设定适应度函数，使第一比较序列与参考序列的灰色关联度与第二比较序列与参考序列的灰色关联度尽可能接近；设定约束条件为：预测的火电厂负荷的分数阶累加生成序列中的第1个、第2个、……、第p个火电厂负荷的分数阶累加生成数据依次递增，且均大于历史火电厂负荷的分数阶累加生成序列中第n个数据；预测的火电厂负荷的分数阶累加生成序列中的数据在设定范围内；利用优化算法对所述火电厂负荷数据预测模型进行优化求解，得到预测的火电厂负荷的分数阶累加生成序列。本专利技术采用小样本的历史火电厂负荷数据，通过分数阶累加变换获得历史火电厂负荷数据的分数阶累加生成序列，采用火电厂负荷数据预测模型进行预测，有效提高了火电厂负荷数据的柔性特征及新信息的利用率，由于变换后的历史火电厂负荷的分数阶累加生成序列具有递增趋势，可以更为深入的挖掘火电厂负荷数据的内在规律和发展趋势。由于火电厂负荷参数的发展趋势应保持相似或一致，本专利技术从曲线相似度出发，利用灰色系统的关联分析对火电厂负荷的分数阶累加生成序列曲线变化规律和发展趋势进行挖掘和分析，建立预测火电厂负荷的分数阶累加生成序列的灰色预测模型，优化求解获得未来时刻火电厂负荷预测的分数阶累加生成序列，进而获得未来时刻火电厂负荷的预测值。本专利技术可以克服灰色关联求解的非线性及相关约束等无法直接求解负荷预测的问题，适用于复杂参数并可扩展为多系统输出的预测问题，具有物理意义清晰，计算量小且精度高等特点。附图说明图1是本专利技术实施例1提供的电厂负荷的在线预测方法流程图；图2是本专利技术实施例1提供的历史火电厂负荷数据曲线图；图3是本专利技术实施例1提供的历史火电厂负荷数据的分数阶累加生成序列曲线图；图4是本专利技术实施例4提供的火电厂负荷数据预测模型的建立方法流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1本专利技术实施例提供了一种火电厂负荷的在线预测方法，如图1所示，包括：步骤S100、获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；步骤S200、利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；步骤S300、通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。本实施例中，采用小样本的历史火电厂负荷数据，通过分数阶累加变换获得历史火电厂负荷数据的分数阶累加生成序列，采用火电厂负荷数据预测模型进行预测，有效提高了火电厂负荷数据的柔性特征及新信息的利用率，由于变换后的分数阶累加生成序列具有递增趋势，可以更为深入的挖掘火电厂负荷数据的内在规律和发展趋势。以某火电厂为例，通过传感器网络采集火电厂机组运行数据，如图1所示，时间为2015年某月，采样时间为30分钟，历史火电厂负荷数据个数为8。步骤S100中获取的历史火电厂负荷数据为x＝(x(1)，x(2)，…，x(n))，n本文档来自技高网...

【技术保护点】
1.一种火电厂负荷的在线预测方法，其特征在于，包括：获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。

【技术特征摘要】
1.一种火电厂负荷的在线预测方法，其特征在于，包括：获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。2.如权利要求1所述的方法，其特征在于，所述火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。3.如权利要求1所述的方法，其特征在于，所述火电厂负荷数据预测模型的建立方法如下：确定长度相同的参考序列、第一比较序列和第二比较序列；所述参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，所述第一比较序列包含从初始数据到第n-...

【专利技术属性】
技术研发人员：杨洋，刘慧巍，韩志艳，赵震，单瑜阳，张亮，杨友林，王东，
申请(专利权)人：渤海大学，
类型：发明
国别省市：辽宁,21