CN109165791A - 一种供热机组热电关系预测方法及装置 - Google Patents
一种供热机组热电关系预测方法及装置 Download PDFInfo
- Publication number
- CN109165791A CN109165791A CN201811056091.5A CN201811056091A CN109165791A CN 109165791 A CN109165791 A CN 109165791A CN 201811056091 A CN201811056091 A CN 201811056091A CN 109165791 A CN109165791 A CN 109165791A
- Authority
- CN
- China
- Prior art keywords
- supply unit
- vector machine
- heat supply
- support vector
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005619 thermoelectricity Effects 0.000 title abstract 7
- 238000010248 power generation Methods 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000012843 least square support vector machine Methods 0.000 claims description 103
- 238000010438 heat treatment Methods 0.000 claims description 18
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了基于最小二乘支持向量机的供热机组热电关系预测方法及装置,包括通过获取基于训练样本预先训练确定的最小二乘支持向量机预测模型,该训练样本为供热机组的运行数据,并利用最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,最后在基于预测得到不同热负荷下的最大发电功率和最小发电功率,得到供热机组的热电关系。本发明通过供热机组的实际运行数据确定的热电关系,该方法不仅适用于各类型的供热机组中,而且基于最小二乘支持向量机预测模型确定热电关系大大降低了工作量和确定热电关系的时间,且能够准确得到供热机组热电关系。
Description
技术领域
本发明涉及新能源技术领域,具体涉及一种基于最小二乘支持向量机的供热机组热电关系预测方法及装置。
背景技术
为了实现节能减排和可持续发展,近几年来我国大力发展风力发电、太阳能发电等可再生能源电力。在这多能源结构的时代,为了能满足人们的生活质量,供热机组作为一种十分环保的供热方式,在多数地区的集中供热中被广泛使用。为了保证安全运行且满足热负荷要求的前提下,充分了解供热机的热电关系,对于缓解电网压力具有十分重要意义。
在现有技术中,能够计算供热机组热电关系的方法主要包括:汽轮机热力试验法、工况图分析法以及热力系统计算方法。
其中,热力试验法是利用等效热降理论建立供热机组热力曲线的数学模型,并用试验结果修正模型从而确定机组的调峰范围。但是这种方法需要专业人员现场试验,工作量大、耗费时间,且在现场试验期过程中不断调整热负荷和电负荷,对于热网及用户都有一定的影响。
工况图分析法是对于供热机组汽轮机的工况图进行回归分析,预测不同采暖抽汽量下供热机组的调峰范围,从而得出供热机组的热电关系。但是这种方法只能适用于有工况图的供热机组,对于没有工况图的供热机组则不能不适用。
热力系统计算的方法,是通过对进出汽轮机的能量进行平衡计算,通过平衡计算确定不同采暖抽汽量和工业抽汽量下的供热机组发电量调节范围,从而得出机组热电关系。对于热力系统计算方法,它虽然通用性强,但是计算工作量较大,并且得出的结果会偏离实际运行情况。
综上可知,现有针对供热机组热电关系的预测要么工作量大,耗费时间,要么不通用,要么准确性较差。因此,急需一种能够克服上述问题的供热机组热电关系的预测方式。
发明内容
有鉴于此,本发明提供了基于最小二乘支持向量机的供热机组热电关系预测方法及装置,对供热机组使用最小二乘支持向量机模型进行热电关系预测,以解决现有技术中供热机组热电关系预测时带来的工作量大,不适用于多种供热机组以及供热组热电关系不准确。
为实现上述目的,本发明实施例提供如下技术方案:
一种基于最小二乘支持向量机的供热机组热电关系预测方法,适用于供热机组,包括:
基于训练样本预先训练确定的最小二乘支持向量机预测模型,所述训练样本为所述供热机组的运行数据;
利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
优选的,所述基于训练样本预先训练确定的最小二乘支持向量机预测模型,包括:
获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率;
对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合;
建立最小二乘支持向量机模型;
从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
优选的,还包括:
基于所述最小二乘支持向量机预测模型,预测选取的训练样本的预测结果;
将所述预测结果与所述运行数据进行比较,获取每一预测结果的相对误差的绝对值;
基于所述每一预测结果的相对误差绝对值计算所有所述预测结果的相对误差的平均值;
判断所述相对误差的绝对值和所述相对误差的平均值是否满足预测需求;
若不满足,则调整所述最小二乘支持向量机预测模型中的参数进行重新训练,直至确定符合预测需求的最小二乘支持向量机预测模型。
优选的,所述基于所述最小二乘支持向量机预测模型预测选取的训练样本的预测结果,包括:
基于所述最小二乘支持向量机预测模型,预测选取的训练样本中不同热负荷下所述供热机组的最大发电功率和最小发电功率。
优选的,所述利用所述最小二乘支持向量机预测模型,预测供热机组的电功率和热负荷的对应关系,得到所述供热机组的热电关系,包括:
利用所述最小二乘支持向量机预测模型对所述供热机组的所有能达到的热负荷进行预测,获取不同热负荷下的最大发电功率和最小发电功率;
基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
本发明第二方面公开了一种基于最小二乘支持向量机的供热机组热电关系预测装置,其特征在于,适用于供热机组,包括:
预测模型训练单元,用于基于训练样本预先训练确定的最小二乘支持向量机预测模型,所述训练样本为所述供热机组的运行数据;
热电关系处理单元,用于利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
优选的,所述预测模型训练单元,包括:
数据获取单元,用于获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率;
数据分类单元,用于对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合;
模型建立单元,用于建立最小二乘支持向量机模型;
样本训练单元,用于从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
优选的,所述预测模型训练单元,还包括:
预测单元,用于基于所述最小二乘支持向量机预测模型,预测选取的训练样本的预测结果;
比较单元,用于将所述预测结果与所述运行数据进行比较,获取每一预测结果的相对误差的绝对值;
计算单元,用于基于所述每一预测结果的相对误差绝对值计算所有所述预测结果的相对误差的平均值;
判断单元,用于判断所述相对误差的绝对值和所述相对误差的平均值是否满足预测需求;
参数调整单元,用于所述平均值不满足预测需求时,调整所述最小二乘支持向量机预测模型中的参数,直至确定符合预测需求的最小二乘支持向量机预测模型。
优选的,所述预测单元,用于基于所述最小二乘支持向量机预测模型,预测选取的训练样本中不同热负荷下所述供热机组的最大发电功率和最小发电功率。
优选的,所述热电关系处理单元,包括:
电功率预测单元,用于利用所述最小二乘支持向量机预测模型对所述供热机组的所有能达到的热负荷进行预测,获取不同热负荷下的最大发电功率和最小发电功率;
热电关系确定单元,用于基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
由上述内容可知,本发明提供的基于最小二乘支持向量机的供热机组热电关系预测方法及装置,包括通过获取基于训练样本预先训练确定的最小二乘支持向量机预测模型,该训练样本为供热机组的运行数据,并利用最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,最后在基于预测得到不同热负荷下的最大发电功率和最小发电功率,得到供热机组的热电关系。本发明通过供热机组的实际运行数据确定的热电关系,该方法不仅适用于各类型的供热机组中,而且基于最小二乘支持向量机预测模型确定热电关系大大降低了工作量和确定热电关系的时间,且能够准确得到供热机组热电关系。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一提供的一种基于最小二乘支持向量机的供热机组热电关系预测方法流程图;
图2为本发明实施例一提供的另一种基于最小二乘支持向量机的供热机组热电关系预测方法流程图;
图3为本发明实施例二提供的另一种基于最小二乘支持向量机的供热机组热电关系预测方法流程图;
图4为本发明实施例三提供的一种基于最小二乘支持向量机的供热机组热电关系预测装置结构示意图;
图5为本发明实施例三提供的另一种基于最小二乘支持向量机的供热机组热电关系预测装置结构示意图;
图6为本发明实施例三提供的另一种基于最小二乘支持向量机的供热机组热电关系预测装置结构示意图;
图7为本发明实施例三提供的另一种基于最小二乘支持向量机的供热机组热电关系预测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
本发明实施例一提供一种基于最小二乘支持向量机的供热机组热电关系预测方法,适用于供热机组,参见图1,该方法至少包括如下步骤:
步骤S101:基于训练样本预先训练确定的最小二乘支持向量机预测模型。
在步骤S101中,训练样本指的是供热机组实际的运行数据。
需要说明的是,最小二乘支持向量机是指最小二乘支持向量机是一种基于核函数的机器学习方法。对于小样本、非线性问题具有十分突出的解决能力。在具体实现中,最小二乘支持向量机将标准支持向量机的不等式约束替换为等式约束,大大提高了求解的速度和收敛的精度,并且最小二乘支持向量机在构造决策函数时,结合了结构风险最小化原则,从而提高了泛化能力和预测精度。
步骤S102:利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
在执行步骤S102过程中,包括以下步骤:
首先,利用所述最小二乘支持向量机预测模型对所述供热机组的所有能达到的热负荷进行预测,获取不同热负荷下的最大发电功率和最小发电功率。
需要说明的是,由于供热机组在不同热负荷下会产生最大发电功率和最小发电功率,但是,若供热机组的热负荷超过了该供热机组的最大热负荷,其热负荷数据也无实际意义。为保证供热机组的热负荷数据有效,因此不能超出热负荷最大值进行计算。然后,基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
然后,基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
需要说明的是,预测模型是通过供热机组中的历史数据进行训练得到的,因此,此时的最小二乘支持向量机预测模型是符合该供热机组,通过预测该供热机组不同热负荷下的最大发电功率和最小发电功率,将该预测供热机组的不同热负荷下的最大发电功率和最小发电功率带入预测模型中,即可得到该供热机组的热电关系。
本发明实施例通过获取基于训练样本预先训练确定的最小二乘支持向量机预测模型,并利用最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,最后在基于预测得到不同热负荷下的最大发电功率和最小发电功率,得到供热机组的热电关系。通过上述本发明实施例一公开的一种供热机组热电关系的方法,能够将得到的预测模型适用于相同的供热机组中,且能够准确得到供热机组热电关系。
优选的,上述图1中示出的步骤S101的具体执行过程为,如图2所示,包括以下步骤:
步骤S201:获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率。
在步骤S201中,供热机组的运行数据并不仅限于当前的运行数据,在供热机组不断的运行过程中,获取不断积累的运行数据,基于不断积累的运行数据执行后续的最小二乘支持向量机预测模型的训练,可以不断的提高最终确定的热电关系的准确性。
需要说明的是,热负荷数据是通过供热机在实际运行中,由热网加热器的水侧吸热量来计算供热机组实际热负荷,供热机组的热负荷的计算公式(1)具体为:
在公式(1)中,Q为热负荷,单位为MW;D为热网水流量,单位为t/h;ho热网加热器出口水的焓值,单位为kJ/kg;hi为热网加热器入口水的焓值,单位为kJ/kg。其中,热网加热器出口或入口水的焓值可以由热网加热器出口或入口的压力和温度查水蒸气表得出,而压力和温度则是通过测量热网加热器出口或入口水得到。
在步骤S201中,需要说明的是,发电功率是在供热机组运行时自动记录的数据。
步骤S202:对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合。
在步骤S202中,对所述运行数据分类,是由于供热机组的热电关系,需要分别对不同热负荷下的供热机组的最大、最小电负荷进行预测,因此需要得到不同热负荷下供热机组的最大发电功率和不同热负荷下供热机组的最小发电功率。
步骤S203:建立最小二乘支持向量机模型。
步骤S204:从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
在步骤S204中,需要说明的是,最后确认的最小二乘支持向量机预测模型为机组所需要的预测模型。
对于步骤S203中的最小二乘支持向量机模型的建立,以及基于设定的训练样本集执行步骤S204中对最小二乘支持向量机模型的训练。具体通过以下方式进行说明:
设定建立最小二乘支持向量机模型所需的训练样本集S为:
S={(xi,yi)|i=1,2,3,…,n}
其中,xi∈Rn,yi∈R,R为实数集。
基于最小二乘支持向量机模型的构建原理,在特征空间中构造的最优决策函数如公式(2)所示。
其中,ω为权向量,b为偏置量,是核空间映射函数,公式(2)可以用来估计未知的非线性函数。
根据结构风险最小化原理,确定最小二乘支持向量机的回归问题,实际上为确定最小函数的过程,即公式(3)。
其中,ei≥0;i=1,2,…,l。,γ是惩罚系数,该惩罚系数用于控制对超出误差e的训练样本的惩罚程度,J(ω,e,b)为损失函数。
需要说明的是,公式(3)中的ω和e可以采用拉格朗日乘子法将其转化为一个等价的二次规划问题求解。拉格朗日函数如公式(4)所示。
需要说明的是,在数学中,Karush-Kuhn-Tucher(KKT)最优化条件是在满足一些有规则的条件下非线性布局具有最优化解的充要条件,用它对式(4)进行优化,并采用核函数变换,核函数由公式(5)表示。
其中,为高斯径向基核函数。
基于上述公式(2)至公式(5),可以确定最小二乘向量机的拟合函数由公式(6)表示。
进一步的,基于上述确定的最小二乘向量机预测模型中所包含的各个公式,通过对供热机组的历史运行数据进行选择和处理,确定训练样本集T,该训练样本集T包含n个进行最小二乘向量机模型训练的训练样本,确定训练后得到的最小二乘向量机预测模型。其中,训练样本集T为:
T={(Q1,E1),(Q2,E2),…,(Qn,En)}
将该训练样本集T中的(Qi,Ei)带入公式(3)中,进行优化,可以得到E与Q的映射函数如公式(7)所示。
其中,
本发明实施例通过获取基于训练样本预先训练确定的最小二乘支持向量机预测模型,并利用最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,最后在基于预测得到不同热负荷下的最大发电功率和最小发电功率,得到供热机组的热电关系。通过上述本发明实施例一公开的一种供热机组热电关系的方法,能够将得到的预测模型适用于相同的供热机组中,且能够准确得到供热机组热电关系。
实施例二
基于上述本发明实施例公开的一种基于最小二乘支持向量机的供热机组热电关系预测方法,本发明实施例还公开了另一种基于最小二乘支持向量机的供热机组热电关系预测方法,如图3所示,包括:
步骤S301:获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率。
步骤S302:对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合。
步骤S303:建立最小二乘支持向量机模型。
步骤S304:从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
需要说明的是,步骤S301至步骤S304的执行原理与实施例一种步骤S201至步骤S204的执行原理相同,这里就不再过多赘述。
步骤S305:基于所述最小二乘支持向量机预测模型预测选取的训练样本的预测结果。
在步骤S305中,需要说明的是,供热机组实际运行中,供热机组不同热负荷会产生不同的发电功率,但是不同热负荷下会有最大发电功率和最小发电功率,因此,这里优选的,基于所述最小二乘支持向量机预测模型预测选取的训练样本中不同热负荷下所述供热机组的最大发电功率和最小发电功率。
步骤S306:将所述预测结果与所述运行数据进行比较,获取每一预测结果的相对误差的绝对值。
需要说明的是,在步骤S306中,对预测结果与所述运行数据进行比较,其比较方法有差值比较,比值比较等。在这里优选为差值比较,在不限定预测结果与运行数据如何进行运算比较,而最后的比较结果可能为负数,因此本方案中是取相对误差的绝对值。
步骤S307:基于所述每一预测结果的相对误差绝对值计算所有所述预测结果的相对误差的平均值。
需要说明的是,在步骤S307中,由于热负荷是通过供热机在实际运行中,由热网加热器的水侧吸热量来计算供热机组实际热负荷,因此,在测量供热机热负荷时,会存在着不可避免的测量误差。故需要对该供热机组的多组数据的相对误差进行取平均值。
步骤S308:判断所述相对误差的绝对值和所述相对误差的平均值是否满足预测需求。
步骤S309:若不满足预测需求,则调整所述最小二乘支持向量机预测模型中的参数进行重新训练。
需要说明的是,在执行步骤S309时,当调整完所述最小二乘支持向量机预测模型中的参数后则返回步骤S304中重新训练样本。
步骤S310:若满足预测需求,则确定最小二乘支持向量机预测模型。
步骤S311:利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
需要说明的是,步骤S311与实施例一中步骤S102的执行原理相同,这里就不再进行过多赘述。
本发明实施例通过训练样本预先训练确定的最小二乘支持向量机预测模型,在训练确定预测模型的过程中,对预测模型进行参数调整,并利用最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,最后在基于预测得到不同热负荷下的最大发电功率和最小发电功率,得到供热机组的热电关系。通过上述本发明实施例公开的一种供热机组热电关系的方法,由于在训练确定预测模型过程中,对预测模型参数进行调整,能够将得到的预测模型适用于相同的供热机组中,且能够准确得到供热机组热电关系。
实施例三
与上述申请实施例一和实施例二提供的基于最小二乘支持向量机的供热机组热电关系预测方法相对应,本申请实施例还提供了相应的一种基于最小二乘支持向量机的供热机组热电关系预测装置。如图4所示,为本申请实施例三公开的一种基于最小二乘支持向量机的供热机组热电关系预测装置,该装置适用于供热机组,该装置包括:
预测模型训练单元401,用于获取基于训练样本预先训练确定的最小二乘支持向量机预测模型,所述训练样本为所述供热机组的运行数据。
热电关系处理单元402,用于利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
优选的,所述预测模型训练单元401,如图5所示,包括:
数据获取单元501,用于获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率。
数据分类单元502,用于对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合。
模型建立单元503,用于建立最小二乘支持向量机模型。
样本训练单元504,用于从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
优选的,所述预测模型训练单元401,如图6所示,还包括:
预测单元601,用于基于所述最小二乘支持向量机预测模型,预测选取的训练样本的预测结果。
比较单元602,用于将所述预测结果与所述运行数据进行比较,获取每一预测结果的相对误差的绝对值。
计算单元603,用于基于所述每一预测结果的相对误差绝对值计算所有所述预测结果的相对误差的平均值。
判断单元604,用于判断所述相对误差的绝对值和所述相对误差的平均值是否满足预测需求。
参数调整单元605,用于所述平均值不满足预测需求,调整所述最小二乘支持向量机预测模型中的参数,直至确定符合预测需求的最小二乘支持向量机预测模型。
优选的,所述预测单元601,用于基于所述最小二乘支持向量机预测模型,预测选取的训练样本中不同热负荷下所述供热机组的最大发电功率和最小发电功率。
优选的,所述热电关系处理单元402,如图7所示,包括:
电功率预测单元701,用于利用所述最小二乘支持向量机预测模型对所述供热机组的所有能达到的热负荷进行预测,获取不同热负荷下的最大发电功率和最小发电功率。
热电关系确定单元702,用于基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
以上本发明公开的基于最小二乘支持向量机的供热机组热电关系预测装置中的预测模型训练单元401和热电关系处理单元402,预测模型训练单元401和热电关系处理单元402的具体执行过程以及执行原理,可参见本发明上述实施例公开的基于最小二乘支持向量机的供热机组热电关系预测方法中有关预测模型训练以及热电关系处理的相应部分,这里就不再过多赘述。
本发明实施例通过该预测模型训练单元获取基于训练样本预先训练确定的最小二乘支持向量机预测模型,并利用最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,最后该热电关系处理单元在基于预测得到不同热负荷下的最大发电功率和最小发电功率,得到供热机组的热电关系。通过上述本发明实施例公开的一种供热机组热电关系的装置,能够将得到的预测模型适用于相同的供热机组中,且能够准确得到供热机组热电关系。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于最小二乘支持向量机的供热机组热电关系预测方法,其特征在于,适用于供热机组,包括:
基于训练样本预先训练确定的最小二乘支持向量机预测模型,所述训练样本为所述供热机组的运行数据;
利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
2.根据权利要求1所述的方法,其特征在于,所述基于训练样本预先训练确定的最小二乘支持向量机预测模型,包括:
获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率;
对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合;
建立最小二乘支持向量机模型;
从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
3.根据权利要求2所述的方法,其特征在于,还包括:
基于所述最小二乘支持向量机预测模型,预测选取的训练样本的预测结果;
将所述预测结果与所述运行数据进行比较,获取每一预测结果的相对误差的绝对值;
基于所述每一预测结果的相对误差绝对值计算所有所述预测结果的相对误差的平均值;
判断所述相对误差的绝对值和所述相对误差的平均值是否满足预测需求;
若不满足,则调整所述最小二乘支持向量机预测模型中的参数进行重新训练,直至确定符合预测需求的最小二乘支持向量机预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述最小二乘支持向量机预测模型预测选取的训练样本的预测结果,包括:
基于所述最小二乘支持向量机预测模型,预测选取的训练样本中不同热负荷下所述供热机组的最大发电功率和最小发电功率。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述利用所述最小二乘支持向量机预测模型,预测供热机组的电功率和热负荷的对应关系,得到所述供热机组的热电关系,包括:
利用所述最小二乘支持向量机预测模型对所述供热机组的所有能达到的热负荷进行预测,获取不同热负荷下的最大发电功率和最小发电功率;
基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
6.一种基于最小二乘支持向量机的供热机组热电关系预测装置,其特征在于,适用于供热机组,包括:
预测模型训练单元,用于基于训练样本预先训练确定的最小二乘支持向量机预测模型,所述训练样本为所述供热机组的运行数据;
热电关系处理单元,用于利用所述最小二乘支持向量机预测模型,预测供热机组不同热负荷下的最大发电功率和最小发电功率,并基于所述预测得到的不同热负荷下的最大发电功率和最小发电功率,得到所述供热机组的热电关系。
7.根据权利要求6所述的装置,其特征在于,所述预测模型训练单元,包括:
数据获取单元,用于获取供热机组的运行数据,所述运行数据包括热负荷数据和发电功率;
数据分类单元,用于对所述运行数据进行分类,确定不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合;
模型建立单元,用于建立最小二乘支持向量机模型;
样本训练单元,用于从所述不同热负荷下所述供热机组的最大发电功率集合和不同热负荷下所述供热机组的最小发电功率集合中选取训练样本,训练所述最小二乘支持向量机模型,确定最小二乘支持向量机预测模型。
8.根据权利要求7所述的装置,其特征在于,所述预测模型训练单元,还包括:
预测单元,用于基于所述最小二乘支持向量机预测模型,预测选取的训练样本的预测结果;
比较单元,用于将所述预测结果与所述运行数据进行比较,获取每一预测结果的相对误差的绝对值;
计算单元,用于基于所述每一预测结果的相对误差绝对值计算所有所述预测结果的相对误差的平均值;
判断单元,用于判断所述相对误差的绝对值和所述相对误差的平均值是否满足预测需求;
参数调整单元,用于所述平均值不满足预测需求时,调整所述最小二乘支持向量机预测模型中的参数,直至确定符合预测需求的最小二乘支持向量机预测模型。
9.根据权利要求8所述的装置,其特征在于,所述预测单元,用于基于所述最小二乘支持向量机预测模型,预测选取的训练样本中不同热负荷下所述供热机组的最大发电功率和最小发电功率。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述热电关系处理单元,包括:
电功率预测单元,用于利用所述最小二乘支持向量机预测模型对所述供热机组的所有能达到的热负荷进行预测,获取不同热负荷下的最大发电功率和最小发电功率;
热电关系确定单元,用于基于所述不同热负荷下的最大发电功率和最小发电功率,确定所述供热机组的热电关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811056091.5A CN109165791A (zh) | 2018-09-11 | 2018-09-11 | 一种供热机组热电关系预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811056091.5A CN109165791A (zh) | 2018-09-11 | 2018-09-11 | 一种供热机组热电关系预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165791A true CN109165791A (zh) | 2019-01-08 |
Family
ID=64894793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811056091.5A Pending CN109165791A (zh) | 2018-09-11 | 2018-09-11 | 一种供热机组热电关系预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165791A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855412A (zh) * | 2012-09-21 | 2013-01-02 | 广西电网公司电力科学研究院 | 一种风电功率预测方法及其装置 |
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN104899665A (zh) * | 2015-06-19 | 2015-09-09 | 国网四川省电力公司经济技术研究院 | 风电功率短期预测方法 |
CN106447063A (zh) * | 2015-08-11 | 2017-02-22 | 华北电力大学(保定) | 一种并网型风电场短期风速组合预测方法 |
CN106446571A (zh) * | 2016-10-08 | 2017-02-22 | 华北电力科学研究院有限责任公司 | 风电场功率预测的误差评价方法 |
CN106779203A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于不同风速段的高原山区风电功率预测方法 |
CN106778846A (zh) * | 2016-12-02 | 2017-05-31 | 华北电力大学 | 一种基于支持向量机的风电场风速预测方法 |
-
2018
- 2018-09-11 CN CN201811056091.5A patent/CN109165791A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
CN102855412A (zh) * | 2012-09-21 | 2013-01-02 | 广西电网公司电力科学研究院 | 一种风电功率预测方法及其装置 |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN104899665A (zh) * | 2015-06-19 | 2015-09-09 | 国网四川省电力公司经济技术研究院 | 风电功率短期预测方法 |
CN106447063A (zh) * | 2015-08-11 | 2017-02-22 | 华北电力大学(保定) | 一种并网型风电场短期风速组合预测方法 |
CN106446571A (zh) * | 2016-10-08 | 2017-02-22 | 华北电力科学研究院有限责任公司 | 风电场功率预测的误差评价方法 |
CN106778846A (zh) * | 2016-12-02 | 2017-05-31 | 华北电力大学 | 一种基于支持向量机的风电场风速预测方法 |
CN106779203A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于不同风速段的高原山区风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
张妍等: "基于变分模态分解和LSSVM的风电场短期风速预测", 《太阳能学报》 * |
李勇等: "基于气象数据的供热机组调峰能力预测方法", 《汽轮机技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106300394B (zh) | 一种新能源电站的一次调频控制方法及系统 | |
CN109253494B (zh) | 一种基于热负荷预测的电蓄热装置的控制方法 | |
CN103017253A (zh) | 一种集中供热全网热平衡控制方法 | |
CN103591637A (zh) | 一种集中供热二次网运行调节方法 | |
CN113158573A (zh) | 一种基于深度学习的小水电群区域配网最优潮流获取方法 | |
CN104102840A (zh) | 配电网对光伏电源接纳能力的测评方法 | |
CN106707756B (zh) | 融合扩张观测器的超临界火电机组机炉协调控制方法 | |
CN108964061A (zh) | 一种考虑负荷频率电压静特性的含风电交直流电力系统概率动态连续潮流新方法 | |
CN116544934B (zh) | 根据电力负荷预测的电力调度方法及系统 | |
CN103178522B (zh) | 计及分布式电源特性的电网电压稳定连续潮流计算方法 | |
CN107221935B (zh) | 基于置信度变换的交直流混联输电系统区间潮流方法 | |
CN109615246B (zh) | 一种主动配电网经济运行状态确定方法 | |
Tan et al. | Room thermal load prediction based on analytic hierarchy process and back-propagation neural networks | |
CN107292434A (zh) | 一种风电出力的智能预测方法 | |
El Bakali et al. | Efficient real-time cost optimization of a two-layer electric water heater system under model uncertainties | |
Qi et al. | Application of indoor temperature prediction based on SVM and BPNN | |
CN110460085A (zh) | 一种考虑风电和负荷特性对电力系统影响的方法 | |
CN112923435B (zh) | 一种基于人工智能和优化算法的集中供热二次侧调控方法 | |
CN109165791A (zh) | 一种供热机组热电关系预测方法及装置 | |
CN115800306A (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
CN113036801B (zh) | 一种考虑时间特性的分布式多能系统及其控制方法 | |
Ling et al. | A thermal load forecasting algorithm based on trajectory tracking | |
CN111064234B (zh) | 一种新能源电站的一次调频控制方法及系统 | |
CN107783941A (zh) | 一种基于谷电价格变化的太阳能补偿型电锅炉供热控制方法 | |
CN106524281A (zh) | 预购清洁能源的电加热蓄热供暖系统及控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |