CN108846529A - 一种发电量预测系统 - Google Patents

Abstract

本发明公开了一种发电量预测系统，包括数据采集模块、数据预处理模块、数据库模块、预测执行模块、管理系统模块；数据采集模块用于采集历史数据；数据预处理模块用于处理原始数据中的不良数据，预测执行模块用于提取历史数据，采用数据挖掘中的强关联分析算法进行发电量的历史数据进行强关联分析，选取各自的强关联影响因素，最后与各自的发电量构成预测输入量，采用智能算法预测水、火、风、光伏的发电量，得到预测结果并传入数据库，数据库模块用于存储历史发电数据，管理系统模块用于预测方法选择和数据显示。本发明可实现分别对不同类型发电量的进行预测，采用数据挖掘技术对原始数据进行处理，将不同的智能算法进行有效组合可以提高预测的精度，别于决策者更好的做出决策。

Description

一种发电量预测系统

技术领域

本发明属于发电量预测系统技术领域，具体涉及一种发电量预测系统。

背景技术

随着用电量需求的增长，发电量规模随之快速提升。由于风能等的间歇性和波动性，大容量风电接入电网将会对电力系统的安全、稳定运行带来严峻挑战，同时风电的大量接入也会给电网的调峰能力和有功功率调节质量带来较大影响。因此如何根据发电量对电网内的常规机组的运行进行合理调配是各电网急需解决的难题。而对发电量进行预测是解决该问题的有效方法之一。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。在这些国家，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。

目前的发电预测系统没有紧跟大数据时代的发展步伐，数据预处理方面没有用到数据挖掘技术，在算法层面也仅仅使用常规的智能算法，无法给调度中心合理的调度决策参考。

发明内容

本发明要解决的技术问题是：提供一种发电量预测系统，以解决现有技术中存在的问题。

本发明采取的技术方案为：一种发电量预测系统，包括数据采集模块、数据预处理模块、数据库模块、预测执行模块、管理系统模块；

数据采集模块用于采集历史数据；

数据预处理模块用于处理原始数据中的不良数据；

预测执行模块用于从数据库中提取历史发电数据以及水、火、风、光伏发电装机容量、水、火、风、光伏发电可调出力、进煤量、存煤量、降雨量、蓄能值、铝价格、煤价格和气象影响因素的历史数据，采用数据挖掘中的强关联分析算法，分别对水电发电量、火电发电量、风电发电量、光伏发电量四类发电量的历史数据进行强关联分析，选取各自的强关联影响因素，最后与各自的发电量构成预测输入量，采用智能算法分别预测水、火、风、光伏的发电量，得到预测结果并传入数据库，智能算法包括人工神经网络、灰色理论、回归分析、支持向量机算法；

数据库模块用于存储历史发电数据，即水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力、进煤量、存煤量、降雨量、蓄能值、铝价格、煤价格和气象影响因素的历史数据以及负荷预测结果数据，供预测执行模块和管理系统模块调用数据；

管理系统模块用于预测方法选择和数据显示，数据显示包括发电量曲线比较图以及误差分析对比。

本发明的有益效果：与现有技术相比，本发明可实现分别对不同类型发电量的进行预测，采用数据挖掘技术对原始数据进行处理，将不同的智能算法进行有效组合可以提高预测的精度，别于决策者更好的做出决策。

附图说明

图1为本发明的发电预测系统结构示意图；

图2为预测执行模块流程图。

具体实施方式

下面结合附图及具体的实施例对本发明进行进一步介绍。

实施例：如图1-图2所示， 一种发电量预测系统，包括数据采集模块、数据预处理模块、数据库模块、预测执行模块、管理系统模块；

数据采集模块用于采集历史数据；

数据预处理模块用于处理原始数据中的不良数据；

预测执行模块用于从数据库中提取历史发电数据以及水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力、进煤量、存煤量、降雨量、蓄能值、铝价格、煤价格和气象影响因素的历史数据，采用数据挖掘中的强关联分析算法，分别对水电发电量，火电发电量，风电发电量，光伏发电量四类发电量的历史数据进行强关联分析，选取各自的强关联影响因素，最后与各自的发电量构成预测输入量，采用智能算法分别预测水、火、风、光伏的发电量，得到预测结果并传入数据库，智能算法包括人工神经网络、灰色理论、回归分析、支持向量机算法；

数据库模块用于存储历史发电数据，即水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力、进煤量、存煤量、降雨量、蓄能值、铝价格、煤价格和气象影响因素的历史数据以及负荷预测结果数据，供预测执行模块和管理系统模块调用数据；

管理系统模块用于预测方法选择和数据显示，数据显示包括发电量曲线比较图以及误差分析对比。

本发明的发电预测系统包括数据采集模块、数据预处理模块、数据库模块、预测执行模块、管理系统模块，其中数据采集模块1主要是采集历史数据。

数据预处理模块，将采集来的历史数据进行不良数据的辨识处理，再传入数据库。

预测执行模块从数据库中提取历史发电数据以及水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力，进煤量，存煤量，降雨量，蓄能值，铝价格，煤价格，气象等影响因素的历史数据。采用数据挖掘中的强关联分析算法，分别对水电发电量，火电发电量，风电发电量，光伏发电量四类发电量的历史数据进行强关联分析，从而选取各自的强关联影响因素，最后与各自的发电量构成预测输入量。然后采用智能算法分别预测水、火、风、光伏的发电量，得到预测结果并传入数据库。预测执行模块所采用的智能算法包括人工神经网络、灰色理论、回归分析、支持向量机算法。

数据库模块主要用于存储历史发电数据，水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力，进煤量，存煤量，降雨量，蓄能值，铝价格，煤价格，气象等影响因素的历史数据以及负荷预测结果数据，供预测执行模块和管理系统模块调用数据。

管理系统模块，实现预测方法选择，数据显示。其中数据显示包括发电量曲线比较图以及误差分析对比。

如图2所示，预测执行模块的流程如下，首先得到历史数据样本集，接着利用数据挖局技术中的强关联分析算法针对水、火、风、光伏的发电量分别选取强关联影响因素，并构成输入量序列。然后分别采用灰色理论8，人工神经网络，回归分析三种方法进行预测。将这三种方法的预测结果利用AdaBoost算法选择合适的权重组合最优预测模型，得到最终的预测结果。

灰色预测8是一种对含有不确定因素的系统进行预测的方法。以灰色系统理论为基础的灰色预测技术，可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测的模型。

人工神经网络进行预测的基本思想是:根据训练样本集来拟合输入输出数据之间隐含的非线性函数关系。其优点是可以模仿人脑的智能化处理，对大量非线性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点。

回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。其原理是:利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。

AdaBoost算法一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (1)

1.一种发电量预测系统，其特征在于：包括数据采集模块、数据预处理模块、数据库模块、预测执行模块、管理系统模块；

数据采集模块用于采集历史数据；

数据预处理模块用于处理原始数据中的不良数据；

预测执行模块用于从数据库中提取历史发电数据以及水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力、进煤量、存煤量、降雨量、蓄能值、铝价格、煤价格和气象影响因素的历史数据，采用数据挖掘中的强关联分析算法，分别对水电发电量，火电发电量，风电发电量，光伏发电量四类发电量的历史数据进行强关联分析，选取各自的强关联影响因素，最后与各自的发电量构成预测输入量，采用智能算法分别预测水、火、风、光伏的发电量，得到预测结果并传入数据库，智能算法包括人工神经网络、灰色理论、回归分析、支持向量机算法；

数据库模块用于存储历史发电数据，即水、火、风、光伏发电装机容量，水、火、风、光伏发电可调出力、进煤量、存煤量、降雨量、蓄能值、铝价格、煤价格和气象影响因素的历史数据以及负荷预测结果数据，供预测执行模块和管理系统模块调用数据；

管理系统模块用于预测方法选择和数据显示，数据显示包括发电量曲线比较图以及误差分析对比。