一种蒸汽负荷预测方法、系统、电子设备及介质技术方案

本发明专利技术公开了一种蒸汽负荷预测方法、系统、电子设备及介质，涉及蒸汽负荷预测领域，该方法，包括：对当前时段的蒸汽负荷序列进行经验模态分解，得到当前时段的n个内涵模态分量和一个残余趋势分量；将当前时段的n个内涵模态分量和一个残余趋势分量输入到分量预测模型中，得到未来时段各个分量的负荷预测值；将未来时段各个分量的负荷预测值进行叠加，得到未来时段的负荷初次预测值；将当前时段的蒸汽负荷数据和当前时段的外部因素数据输入负荷预测模型中，得到未来时段的负荷二次预测值；根据权重值，将所述负荷初次预测值和所述二次预测值以加权求和的方式进行组合，得到未来时段的最终负荷预测值。本发明专利技术能提高预测效率和预测精度。预测精度。预测精度。

【技术实现步骤摘要】
一种蒸汽负荷预测方法、系统、电子设备及介质


[0001]本专利技术涉及蒸汽负荷预测领域，特别是涉及一种蒸汽负荷预测方法、系统、电子设备及介质。

技术介绍

[0002]蒸汽是一种重要的二次能源，其生产过程中需要消耗煤炭、水等大量的一次能源，随着人们经济水平及工业生产总值的提高对热负荷的需求也越来越大。人们的日常生活和工业生产都离不开热负荷。不同种类热负荷具有不同的特性，生活用热主要以热水的方式进行供水和季节性供暖，工业用户主要以蒸汽的方式用热，广泛用于电力、化工、冶金等大型工业生产部门。目前大多数研究主要集中在工业供热领域热负荷的预测，而针对锅炉房蒸汽热负荷的研究相对较少。蒸汽热负荷不仅受到天气等自然因素的影响，并且还会受到节假日、重大事件等的影响，这在一定程度上将给蒸汽负荷的预测工作增加难度，因此蒸汽热负荷的准确预测会大大提升热电厂的经济效益和安全稳定运行。
[0003]现有的蒸汽热负荷短期预测方法主要分为传统预测方法和人工智能预测方法两大类，其中传统方法包括时间序列分析法、回归分析法、灰色系统法、生长曲线法等。例如，有文献基于蒸汽负荷序列的混沌特性，首先对蒸汽负荷时间序列进行相空间重构，然后在相空间中，利用最小二乘支持向量机建立蒸汽负荷预测模型，并用改进的粒子群算法对模型参数进行优化。人工智能方法主要有随机森林法、人工神经网络法、支持向量机、深度学习的集成方法等。有文献提出了一种基于人工神经网络的蒸汽负荷预测方法，该方法考虑了多因素对蒸汽负荷的影响，建立了BP神经网络模型，再利用遗传算法对BP网络进行优化，经过优化的BP神经网络模型在预测精度方面有所提升。传统预测方法根据历史数据的变化规律进行预测工作，数据量少，不需要耗费大量的计算资源，但是当蒸汽负荷发生较大变化时，不能够做出准确的预测，适用于线性平稳序列。
[0004]人工智能算法是目前较为主流的预测方法，能够充分挖掘热负荷数据的内部特征，提取热负荷典型的变化规律特征，但需大量的数据作为支撑，计算量较大，影响预测效率。其中神经网络预测算法还存在已陷入局部最小，网络复杂等缺陷，影响预测精度。

技术实现思路

[0005]基于此，本专利技术实施例提供一种蒸汽负荷预测方法、系统、电子设备及介质，以提高预测效率和预测精度。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种蒸汽负荷预测方法，包括：
[0008]获取当前时段的蒸汽负荷序列和当前时段的外部因素数据；所述当前时段为以当前时刻为结束时刻的一段时间；所述外部因素数据，包括天气状况数据和日期类型；
[0009]对当前时段的蒸汽负荷序列进行经验模态分解，得到当前时段的n个内涵模态分量和一个残余趋势分量；其中，n≥1；
[0010]将当前时段的n个内涵模态分量和一个残余趋势分量输入到分量预测模型中，得到未来时段各个分量的负荷预测值；当前时段一个分量对应输入到所述分量预测模型中的一个预测网络中；所述预测网络是基于历史时段的蒸汽负荷序列和BP神经网络建立的；所述历史时段为当前时刻之前的一段时间；所述未来时段为以下一时刻为开始时刻的一段时间；
[0011]将未来时段各个分量的负荷预测值进行叠加，得到未来时段的负荷初次预测值；
[0012]将当前时段的蒸汽负荷数据和当前时段的外部因素数据输入负荷预测模型中，得到未来时段的负荷二次预测值；所述负荷预测模型是基于历史时段的蒸汽负荷序列和历史时段的外部因素数据，采用自适应粒子群算法对多层神经网络模型中的参数进行优化得到的；
[0013]根据权重值，将所述负荷初次预测值和所述二次预测值以加权求和的方式进行组合，得到未来时段的最终负荷预测值；所述权重值是根据自适应粒子群算法进行寻优确定的。
[0014]可选地，所述分量预测模型的确定方法为：
[0015]获取历史时段的蒸汽负荷序列；
[0016]将历史时段的蒸汽负荷序列划分为第一训练集和第一测试集；
[0017]构建n+1个BP神经网络；
[0018]对所述第一训练集和所述第一测试集分别进行经验模态分解，得到训练分量集和测试分量集；
[0019]将所述训练分量集中的每个分量对应输入一个BP神经网络中进行训练，得到n+1个训练好的BP神经网络；
[0020]将所述测试分量集中的每个分量对应输入一个训练好的BP神经网络中进行参数调整，得到n+1个预测网络；
[0021]将n+1个预测网络确定为所述分量预测模型。
[0022]可选地，所述负荷预测模型的确定方法为：
[0023]获取历史数据；所述历史数据，包括：历史时段的蒸汽负荷序列和历史时段的外部因素数据；
[0024]将所述历史数据划分为第二训练集和第二测试集；
[0025]构建多层神经网络模型；所述多层神经网络模型，包括：依次连接的第一层门控神经网络、第二层门控神经网络、融合层、连接层和输出层；
[0026]将所述第二训练集中的蒸汽负荷序列作为所述多层神经网络模型中第一层门控神经网络的输入，将所述第二训练集中的外部因素数据作为所述多层神经网络模型中融合层的输入，并采用自适应粒子群算法对所述多层神经网络模型中的参数进行训练优化，得到训练好的多层神经网络模型；
[0027]将所述第二测试集中的蒸汽负荷序列作为训练好的多层神经网络模型中第一层门控神经网络的输入，将所述第二测试集中的外部因素数据作为训练好的多层神经网络模型中融合层的输入，对训练好的多层神经网络模型的参数进行调整，得到所述负荷预测模型。
[0028]可选地，所述对当前时段的蒸汽负荷序列进行经验模态分解，得到当前时段的n个
内涵模态分量和一个残余趋势分量，具体包括：
[0029]在当前时段的蒸汽负荷序列中依次增加不同的正太分布白噪声序列，得到每一次加噪后的蒸汽负荷序列；
[0030]对每一次加噪后的蒸汽负荷序列均进行经验模态分解，得到每一次加噪后对应的n个内涵模态分量和一个残余趋势分量；
[0031]对每一次加噪后对应的n个内涵模态分量和一个残余趋势分量进行集成平均处理，得到当前时段的n个内涵模态分量和一个残余趋势分量。
[0032]可选地，所述获取当前时段的蒸汽负荷序列和当前时段的外部因素数据，具体包括：
[0033]获取当前时段的原始数据；所述原始数据包括原始蒸汽负荷序列和原始外部因素数据；
[0034]采用拉格朗日法对当前时段的原始数据进行异常值和缺失值的修正，得到当前时段的修正数据；
[0035]对当前时段的修正数据进行归一化操作，得到当前时段的蒸汽负荷序列和当前时段的外部因素数据。
[0036]本专利技术还提供了一种蒸汽负荷预测系统，包括：
[0037]数据获取模块，用于获取当前时段的蒸汽负荷序列和当前时段的外部因素数据；所述当前时段为以当前时刻为结束时刻的一段时间；所述外部因素数据，包括天气状况数据和日期类型；
[0038]经验模态分解模块，用于对当前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种蒸汽负荷预测方法，其特征在于，包括：获取当前时段的蒸汽负荷序列和当前时段的外部因素数据；所述当前时段为以当前时刻为结束时刻的一段时间；所述外部因素数据，包括天气状况数据和日期类型；对当前时段的蒸汽负荷序列进行经验模态分解，得到当前时段的n个内涵模态分量和一个残余趋势分量；其中，n≥1；将当前时段的n个内涵模态分量和一个残余趋势分量输入到分量预测模型中，得到未来时段各个分量的负荷预测值；当前时段一个分量对应输入到所述分量预测模型中的一个预测网络中；所述预测网络是基于历史时段的蒸汽负荷序列和BP神经网络建立的；所述历史时段为当前时刻之前的一段时间；所述未来时段为以下一时刻为开始时刻的一段时间；将未来时段各个分量的负荷预测值进行叠加，得到未来时段的负荷初次预测值；将当前时段的蒸汽负荷数据和当前时段的外部因素数据输入负荷预测模型中，得到未来时段的负荷二次预测值；所述负荷预测模型是基于历史时段的蒸汽负荷序列和历史时段的外部因素数据，采用自适应粒子群算法对多层神经网络模型中的参数进行优化得到的；根据权重值，将所述负荷初次预测值和所述二次预测值以加权求和的方式进行组合，得到未来时段的最终负荷预测值；所述权重值是根据自适应粒子群算法进行寻优确定的。2.根据权利要求1所述的一种蒸汽负荷预测方法，其特征在于，所述分量预测模型的确定方法为：获取历史时段的蒸汽负荷序列；将历史时段的蒸汽负荷序列划分为第一训练集和第一测试集；构建n+1个BP神经网络；对所述第一训练集和所述第一测试集分别进行经验模态分解，得到训练分量集和测试分量集；将所述训练分量集中的每个分量对应输入一个BP神经网络中进行训练，得到n+1个训练好的BP神经网络；将所述测试分量集中的每个分量对应输入一个训练好的BP神经网络中进行参数调整，得到n+1个预测网络；将n+1个预测网络确定为所述分量预测模型。3.根据权利要求1所述的一种蒸汽负荷预测方法，其特征在于，所述负荷预测模型的确定方法为：获取历史数据；所述历史数据，包括：历史时段的蒸汽负荷序列和历史时段的外部因素数据；将所述历史数据划分为第二训练集和第二测试集；构建多层神经网络模型；所述多层神经网络模型，包括：依次连接的第一层门控神经网络、第二层门控神经网络、融合层、连接层和输出层；将所述第二训练集中的蒸汽负荷序列作为所述多层神经网络模型中第一层门控神经网络的输入，将所述第二训练集中的外部因素数据作为所述多层神经网络模型中融合层的输入，并采用自适应粒子群算法对所述多层神经网络模型中的参数进行训练优化，得到训练好的多层神经网络模型；将所述第二测试集中的蒸汽负荷序列作为训练好的多层神经网络模型中第一层门控
神经网络的输入，将所述第二测试集中的外部因素数据作为训练好的多层神经网络模型中融合层的输入，对训练好的多层神经网络模型的参数进行调整，得到所述负荷预测模型...

【专利技术属性】
技术研发人员：高春瑞，张欢，李莉莉，赵爽，王德玉，王秋强，
申请(专利权)人：国电和风风电开发有限公司，
类型：发明
国别省市：