一种基于制造技术

本发明专利技术公开一种基于

【技术实现步骤摘要】
一种基于NGBoost的火电厂发电能力评估方法、系统及存储介质


[0001]本专利技术涉及火力发电
，具体涉及一种基于
NGBoost
算法的火电厂发电能力评估
。

技术介绍

[0002]目前，对于火电厂发电能力评估的研究尚不成熟，现在无法高效
、
准确评估火电厂发电能力，因此需要对传统火电厂发电能力进行评估
,
保障火电厂安全稳定的提供电力资源
。
[0003]因此，需要一种基于
NGBoost
的火电厂发电能力评估方法，通过火电厂动力煤的存储和火电机组容量情况等，基于关于火电厂发电能力相关数据，评估火电厂的中长期供电能力
。
[0004]针对上述问题，本专利技术提出一种基于自然梯度提升的火电厂发电能力评估方法和系统
。
[0005]
技术实现思路

：
[0006]本专利技术的目的是：提出一种基于
NGBoost
算法的火电厂发电能力评估方法，解决现在无法高效
、
准确评估火电厂发电能力的问题，综合了其他因素对于火电厂发电能力的影响，提高评估的准确率
。
[0007]为实现上述目的，本专利技术第一方面提供了一种基于
NGBoost
算法的火电厂发电能力评估，以多个影响火电厂发电能力的相关数据为依据，进行评估
。
进一步地，该方法包括以下步骤：
[0008]S1、
获取影响火电厂发电能力的相关数据，并且绘制表格，生成用于火电厂发电能力评估的数据；
[0009]S2、
对获取的影响火电厂发电能力的相关数据预处理，包括缺失值的填补
、
异常值的剔除
、
数据平滑处理
。
[0010]S3、
采用随机划分的方式，将火电厂发电能力评估的数据划分为训练集和测试集，采用训练集训练
NGBoost
模型以确定
NGBoost
模型的参数，得到训练后的
NGBoost
模型
。
[0011]S4、
输入影响火电厂发电能力的相关数据进行测试，实现对未来一个月的某火电厂发电能力评估
。
[0012]进一步地，所述步骤
S1
中的获取影响火电厂发电能力的相关数据包括：
[0013]获取多个火电厂的历史连续月发电量监测数据，构成火电厂发电能力的评估数据；
[0014]采集对火力发电具有影响的煤炭参数：煤炭供应量
、
煤粉细度
、
原煤发热量；
[0015]采集对火力发电具有影响的锅炉参数：蒸汽的压强
、
蒸汽温度；
[0016]采集其他影响参数：汽轮机组负荷
、
厂用电率；
[0017]将以上数据进行收集
、
整理，生成用于火电厂发电能力评估的数据；
[0018]进一步地，所述步骤
S2
中的对获取的影响火电厂发电能力的相关数据预处理的方法如下：
[0019]S2.1、
缺失值的填补：若某特征的缺失数据超过
50
％，则直接删除该特征
。
若某特征的缺失数据占比较低，则进行填补处理，具体步骤如下：
[0020]假设火电厂发电能力数据集中的特征有
m
个，1个目标变量，其中
n(n<m)
个变量有缺失值
。
将含有缺失值的
n
个变量按照缺失值所占比例由小到大的顺序进行排列，在火电厂发电能力数据集中，填补某一特征的缺失值时，该特征作为因变量，其余特征包括原始的目标变量在内作为预测变量
。n
个预测变量中若也含有缺失值，则暂时使用均值或0填充
。
划分训练集和测试集：将因变量值不缺失的行作为训练集，因变量缺失的行作为测试集
。
对已经划分的训练集建立随机森林模型：因变量是类别型的使用随机森林分类算法建立模型，因变量是连续型变量的使用随机森林回归算法
。
建立的随机森林模型对划分的测试集进行预测，使用预测结果填补缺失值
。
[0021]S2.2、
异常值的剔除：通过给定置信区间对数据的异常值进行剔除，具体步骤如下：
[0022]在给定置信区间
p
＝
0.99
，也就是显著水平
α
＝1‑
p
＝
0.01
时，将某特征的数据代入若满足，则判断该数据为异常值，并进行剔除：其中，
x
i
是某特征的第
i
个数据，是某特征数据的平均值，
s
是标准差，
G(
α
,n)
查格拉布斯准则的临界值表，
n≤30
；
[0023]S2.3、
对处理过的数据进行平滑处理，具体步骤如下：
[0024]获取值和真实值之间的关系如下：
[0025]g
t
＝
x
t
+
ε
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0026]其中，
x
t
为观获取值，
g
t
为真实值，
ε
t
为噪声
。
为了降低噪声的影响，将相邻时刻的获取值相加后平均，公式如下：
[0027][0028]p
t
表示
t
时刻的滤波结果，
x
t
‑
i
表示
t
‑
i
时刻的获取值，
n
代表滑动窗口半径
。
将公式
(1)
代入公式
(2)
，可以得到
:
[0029][0030]假设噪声的均值为0，所以为0，得到的结果是
:
[0031][0032]当获取数据的真实值变化为线性时，可以近似认为：
[0033][0034]进一步地，所述步骤
S3
具体计算步骤如下：
[0035]NGBoost
模型的参数主要包括：基学习器
f
，参数化概率分布
P
的假设参数
θ
，评分规则
S
，最大迭代次数
M
和学习率
η
。
[0036]S3.1、
首先选择合适的评分规则
。
评分规则
S
与概率分布
P
和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
NGBoost
的火电厂发电能力评估方法，其特征在于，基于
NGBoost
算法对火电厂的发电能力进行评估，综合了各种对于火电厂发电能力具有影响的因素，高效
、
准确评估火电厂的发电能力
。2.
根据权利要求1所述的基于
NGBoost
的火电厂发电能力评估方法，其特征在于，具体包括以下步骤：
S1、
获取影响火电厂发电能力的相关数据，并且绘制表格，生成用于火电厂发电能力评估的数据；
S2、
对获取的影响火电厂发电能力的相关数据预处理，包括缺失值的填补
、
异常值的剔除
、
数据平滑处理
。S3、
采用随机划分的方式，将火电厂发电能力评估的数据划分为训练集和测试集，采用训练集训练
NGBoost
模型以确定
NGBoost
模型的参数，得到训练后的
NGBoost
模型
。S4、
输入影响火电厂发电能力的相关数据进行测试，实现对未来一个月的某火电厂发电能力评估
。3.
根据权利要求2所述的基于
NGBoost
的火电厂发电能力评估方法，其特征在于，所述步骤
S1
中的获取数据，步骤如下：获取多个火电厂的历史连续月发电量监测数据，构成火电厂发电能力的评估数据；采集对火力发电具有影响的煤炭参数：煤炭供应量
、
煤粉细度
、
原煤发热量；采集对火力发电具有影响的锅炉参数：蒸汽的压强
、
蒸汽温度；采集其他影响参数：汽轮机组负荷
、
厂用电率；将以上数据进行收集
、
整理，生成用于火电厂发电能力评估的数据
。4.
根据权利要求2所述的基于
NGBoost
的火电厂发电能力评估方法，其特征在于，所述步骤
S2
中的数据预处理包括：
(1)
缺失值的填补：若某特征的缺失数据超过
50
％，则直接删除该特征
。
若某特征的缺失数据占比较低，则进行填补处理，具体步骤如下：假设火电厂发电能力数据集中的特征有
m
个，1个目标变量，其中
n(n<m)
个变量有缺失值
。
将含有缺失值的
n
个变量按照缺失值所占比例由小到大的顺序进行排列，在火电厂发电能力数据集中，填补某一特征的缺失值时，该特征作为因变量，其余特征包括原始的目标变量在内作为预测变量
。n
个预测变量中若也含有缺失值，则暂时使用均值或0填充
。
划分训练集和测试集：将因变量值不缺失的行作为训练集，因变量缺失的行作为测试集
。
对已经划分的训练集建立随机森林模型：因变量是类别型的使用随机森林分类算法建立模型，因变量是连续型变量的使用随机森林回归算法
。
建立的随机森林模型对划分的测试集进行预测，使用预测结果填补缺失值
。(2)
异常值的剔除：通过给定置信区间对数据的异常值进行剔除，具体步骤如下：在给定置信区间
p
＝
0.99
，也就是显著水平
α
＝1‑
p
＝
0.01
时，将某特征的数据代入若满足，则判断该数据为异常值，并进行剔除：其中，
x
i
是某特征的第
i
个数据，是某特征数据的平均值，
s
是标准差，
G(
α
,n)
查格拉布斯准则的临界值表，
n≤30
；
(3)
对处理过的数据进行平滑处理，具体步骤如下：获取值和真实值之间的关系如下：
g
t
＝
x
t
+
ε
t
ꢀꢀꢀ
(1)
其中，
x
t
为观获取值，
g
t
为真实值，
ε
t
为噪声
。
为了降低噪声的影响，将相邻时刻的获取值相加后平均，公式如下：
p
t
表示
t
时刻的滤波结果，
x
t
‑
i
表示
t
‑
i
时刻的获取值，
n
代表滑动窗口半径
。
将公式
(1)
代入公式
(2)
，可以得到
:
假设噪声的均值为0，所以为0，得到的结果是
:
当获取数据的真实值变化为线性时，可以近似认为：
5.
根据权利要求2所述的基于
NGBoost
的火电厂发电能力评估方法，其特征在于，所述步骤
S3
中的训练...

【专利技术属性】
技术研发人员：夏迎节，郑晓亮，来文豪，杨晓亮，张玉婷，张向阳，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：