【技术实现步骤摘要】
本专利技术属于入厂安全管理，具体是指一种燃机电厂发电量预测系统及其方法。
技术介绍
1、燃机电厂是燃气轮机发电厂的简称，它是洁净发电技术的一种体现。燃机发电厂的燃料为天然气、燃料油或工业伴生气等，由于燃烧完全其燃烧生成排放物对环境影响少，噪音污染小；又因燃机电厂具有装机快、体积小、投资省、效率高、运行成本低和寿命周期长等优点，目前市场应用非常广泛。
2、准确预测电力发电量的发电厂保持良性运转和发展的基础，发电量的预测不准确会带来地区缺点的情况，以及能源浪费的问题，并且，发电高峰和用电高峰不匹配的问题，也成为发电和用电之间存在的核心矛盾。
3、基于历史数据，使用适当模型，利用数据挖掘技术对未来发电量进行预测，可以为发电厂制定调度计划提供参考依据。目前，欧美各发达国家都己开始将发电量预测作为电网调度的一个重要参考依据。发电量预测己经成为大型电场系统控制和管理的重要组成部分。
4、目前的发电预测系统没有紧跟大数据时代的发展步伐，对于时序信息问题有一定的局限性，有无法挖掘非连续数据之间蕴含的有效信息和潜在关系，无法充分捕获数据与相关影响因素之间的关联性，对非连续数据特征的提取不够灵活等问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供一种燃机电厂发电量预测系统及其方法。
2、一方面，本专利技术提供一种燃机电厂发电量预测方法，包括：
3、获取历史发电量数据，包括历史发电量数据，发电设备运行数据；对数据进行分
4、对数据进行预处理，包括数据清洗，时间特征的提取，发电设备运行数据处理，和特征选择；
5、选择时间序列预测模型进行训练和预测；
6、评估模型预测的性能，对模型进行调优；可以使用交叉验证、调整模型参数或集成多个模型等方法。
7、将训练后的模型对未来发电量进行预测，结合实际发电设备的运行数据，或得更准确的预测结果。
8、进一步地，所述历史发电量数据包括时间序列数据，包括日、周、月、年的发电量数据。
9、进一步地，所述发电设备运行数据包括影响设备发电功率的的因素数据，包括设备的种类和形式、设备的配置、设备的工作温度、气体路径、进气温度、湿度。
10、进一步地，所述数据分析包括数据的时间范围和频率，数据是否存在缺失和异常；数据分布和数据的趋势，发电数据和发电设备运行数据之间的相关性。
11、进一步地，所述数据清洗包括处理缺失数据和异常数据；时间特征的提取，从时间戳中提取日、周、月、年的相关信息；发电设备运行数据处理包括标准化处理，保证不同度量的数据之间具备可比性；特征选择包括选择和发电量相关的特征。
12、进一步地，所述时间序列预测模型包括线性回归模型、决策树模型、支持向量机模型、神经网络模型；
13、线性回归模型用于线性关系高的数据，所述线性回归模型中，将发电量作为因变量，发电设备的运行状况特征作为自变量，收集影响发电量的发电设备的各项指标的运行数据，其中数据的采集通过传感器及检测系统，对收集的数据进行筛选，通过相关性分析，找到和发电量相关度高的自变量，纳入模型中，通过最小二乘法得到回归方程系数，通过统计软件收集数据进行回归分析，得到回归方程，通过验证拟合度评估模型的预测精确度。
14、决策树模型，用于非线性，非连续，缺失值的数据，所述决策树模型中，收集设备运行数据，采用xgboost算法训练生成梯度提升决策树模型，利用设备运行数据，通过决策树模型得到发电量数据，以发电为设备的数据为输入值，以发电量为输出值；
15、对于缺失值的处理，选取最优划分属性
16、
17、其中，
18、
19、ρ为无缺失值样本的比例，为无缺失值样本中的第k类的比例，为无缺失值样本中属性a取值av的样本比例；
20、支持向量机模型，用于小样本量、高纬度的数据，首先利用发电设备信息，得出燃气轮机的发电功率，输入内容包括历史数据，发电设备信息数据，输出内容为发电功率、发电量。
21、利用变分模态分解将燃气轮机的进气温湿度序列分解为n个不同尺度的模态分量，n个模态分量对应的温湿度序列，分别建立最小二乘支持向量机的lssvm预测模型，将温湿度序列的数据集分割成训练集、交叉验证集和测试集，并对数据进行归一化处理，通过训练集滚动训练lssvm预测模型，在交叉验证集上利用粒子群优化算法优化lssvn预测模型的核宽度和惩罚因子，然后在测试集上测试误差，得到小于误差阈值的最优lssvm预测模型。
22、神经网络模型用于复杂关系、大规模的数据，输入内容为发电设备信息数据，输出内容为发电量数据，利用输出后的误差估计输出层的直接前导层的误差，利用误差估计上一层的误差。利用激活函数为s函数，f(x)＝1/(1+e-x)，若输出层的实际输出和期望输出不符合，则误差为分摊给各层所有单元的形式，从而修正各层单元的权值，当输出误差达到可以接收的程度，则训练结束。
23、进一步地，评估模型的预测性能，评估指标包括：均方误差、均方根误差、平均绝对误差。
24、另一方面，本专利技术公开一种燃机电厂发电量预测系统，包括数据获取模块、模型训练模块、预测模块、设备运行数据获取模块，所述数据获取模块获取历史发电量数据，包括时间序列数据，包括日、周、月、年的发电量数据；所述设备运行数据获取模块包括传感器及检测系统，采集设备影响设备发电功率的的因素数据，包括设备的种类和形式、设备的配置、设备的工作温度、气体路径、进气温度、湿度；所述模型训练模块，基于历史发电量数据和设备运行数据，对历史数据进行训练和优化；所述预测模块经训练后，结合实际发电设备的运行数据，对未来一段时间内的发电量进行预测。
25、采用上述结构本专利技术取得的有益效果如下：本方案提供一种燃机电厂发电量预测系统及其方法，针对燃气轮机的特性，发电功率和设备的工作温度、气体路径、进气温度、湿度相关度，利用历史发电量和设备数据，结合时间序列预测模型模型和算法，对预测模型进行训练和进行评估和训练，进行准确的预测发电量，为企业的生产和调度提供精确的数据，有利于电厂的规划和运营，提高能源的利用率，实现降本增效的效果。
本文档来自技高网...【技术保护点】
1.一种燃机电厂发电量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述历史发电量数据包括时间序列数据，包括日、周、月、年的发电量数据。
3.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述发电设备运行数据包括影响设备发电功率的的因素数据，包括设备的种类和形式、设备的配置、设备的工作温度、气体路径、进气温度、湿度。
4.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述数据分析包括数据的时间范围和频率，数据是否存在缺失和异常；数据分布和数据的趋势，发电数据和发电设备运行数据之间的相关性。
5.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述数据清洗包括处理缺失数据和异常数据；时间特征的提取，从时间戳中提取日、周、月、年的相关信息；发电设备运行数据处理包括标准化处理，保证不同度量的数据之间具备可比性；特征选择包括选择和发电量相关的特征。
6.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述时间序列预测模型包括线性回
7.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，评估模型的预测性能，评估指标包括：均方误差、均方根误差、平均绝对误差。
8.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，交叉验证的步骤为，随机将训练数据分为n份，s1，s2，...sn；
9.一种燃机电厂发电量预测系统，其特征在于，包括数据获取模块、模型训练模块、预测模块、设备运行数据获取模块，所述数据获取模块获取历史发电量数据，包括时间序列数据，包括日、周、月、年的发电量数据；所述设备运行数据获取模块包括传感器及检测系统，采集设备影响设备发电功率的的因素数据，包括设备的种类和形式、设备的配置、设备的工作温度、气体路径、进气温度、湿度；所述模型训练模块，基于历史发电量数据和设备运行数据，对历史数据进行训练和优化；所述预测模块经训练后，结合实际发电设备的运行数据，对未来一段时间内的发电量进行预测。
...【技术特征摘要】
1.一种燃机电厂发电量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述历史发电量数据包括时间序列数据，包括日、周、月、年的发电量数据。
3.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述发电设备运行数据包括影响设备发电功率的的因素数据，包括设备的种类和形式、设备的配置、设备的工作温度、气体路径、进气温度、湿度。
4.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述数据分析包括数据的时间范围和频率，数据是否存在缺失和异常；数据分布和数据的趋势，发电数据和发电设备运行数据之间的相关性。
5.根据权利要求1所述的一种燃机电厂发电量预测方法，其特征在于，所述数据清洗包括处理缺失数据和异常数据；时间特征的提取，从时间戳中提取日、周、月、年的相关信息；发电设备运行数据处理包括标准化处理，保证不同度量的数据之间具备可比性；特征选择包括选择和发电量相关的特征。
6.根据权利要求1所述的一种燃机电...
【专利技术属性】
技术研发人员：林泽鸿，田祎，田树鹏，吴波，雷保明，刘潮，韩雪，齐兴然，张超，谭晓晓，姚翊，罗春婷，王子璇，
申请(专利权)人：华能清远燃机热电有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。