CN109376957B - 一种火电厂负荷的预测方法 - Google Patents

一种火电厂负荷的预测方法 Download PDF

Info

Publication number
CN109376957B
CN109376957B CN201811462662.5A CN201811462662A CN109376957B CN 109376957 B CN109376957 B CN 109376957B CN 201811462662 A CN201811462662 A CN 201811462662A CN 109376957 B CN109376957 B CN 109376957B
Authority
CN
China
Prior art keywords
power plant
thermal power
sequence
fractional order
load
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.)
Expired - Fee Related
Application number
CN201811462662.5A
Other languages
English (en)
Other versions
CN109376957A (zh
Inventor
杨洋
刘慧巍
韩志艳
赵震
单瑜阳
张亮
杨友林
王东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bohai University
Original Assignee
Bohai University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bohai University filed Critical Bohai University
Priority to CN201811462662.5A priority Critical patent/CN109376957B/zh
Publication of CN109376957A publication Critical patent/CN109376957A/zh
Application granted granted Critical
Publication of CN109376957B publication Critical patent/CN109376957B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于火电厂技术领域，提供了一种火电厂负荷的在线预测方法，包括：获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值，本发明可以克服灰色关联求解的非线性及相关约束等无法直接求解负荷预测的问题，适用于复杂参数并可扩展为多系统输出的预测问题，具有物理意义清晰，计算量小且精度高等特点。

Description

一种火电厂负荷的预测方法
技术领域
本发明属于火电厂技术领域，尤其涉及一种火电厂负荷的预测方法。
背景技术
在火电厂生产过程中，负荷是运行机组的重要参数之一。快速、有效且准确的预测负荷对火电厂的生产运行调度具有重要的指导作用，不仅有利于生产企业节约原料、降低发电成本、同时也能对设备的故障诊断起到辅助监测及预警作用。实际生产过程中，火电厂机组负荷的数值变化受电网调度、机组设备运行情况、水汽质量以及不同工况条件等因素影响，在一段时间内负荷整体呈现波动，这样也给负荷数据的挖掘及预测带来一定困难。
以往的火电厂负荷预测问题大多通过对数据建立数学模型，如基于微分方程的灰色模型、基于自回归滑动平均的ARMA(auto-regressive and moving average model)模型以及非线性映射的神经网络模型，进而对数据进行建模和预测分析。灰色系统理论是一种处理小样本不确定问题的重要方法，由于模型方程物理意义清晰，在小样本数据的预测问题中发挥了重要作用，常用的预测模型包括GM(1，1)模型、GM(2，1)模型、灰色Verhulst模型等，上述模型建立在光滑离散函数和灰微分方程概念的基础上，通常数据变换后需要满足“指数型”变换规律，而对于负荷等振荡时间序列(Oscillating time series)，即时间序列的描述形式中包含上升(upward trend)和下降(downward trend)趋势，有些情况下效果并不理想，且这类序列是大量存在于工业生产实际中的。鉴于此，本发明给出一种火电厂负荷的预测方法，通过灰色关联度分析对火电厂机组系统负荷在随时间变化过程中参数变化规律的关联性进行量度，该方法尤其适用于振荡时间序列。
灰色系统理论中，灰色关联分析是对信息不完全以及少数据不确定系统进行因子量化分析的一种方法，可以应用于曲线相似度分析，特征选择及因素关联度量等问题。由于火电厂生产过程中，机组负荷参数随时间变化时，具有相同的动态行为特性，所以可以将灰色关联分析应用于火电厂负荷的动态历程分析及预测。在基本灰色关联度(或邓氏关联度)中，位移差反映了参考序列和比较序列之间发展趋势的接近程度，因而基本灰色关联度在实际应用中表现出来的不足有以下几方面：(1)基本灰色关联度的结果受到两极最小绝对差和两极最大绝对差的影响较大；(2)基本灰色关联度的结果与样本量有关；(3)基本灰色关联度的结果无法克服趋势相似而距离差异较大的情形，即不能体现与相对距离无关的思想；(4)基本灰色关联度的计算采用均值方法使得旧样本和新样本对灰色关联度的结果影响相同，并且可能出现对整体发展趋势的不准确判断。
发明内容
本发明实施例提供一种火电厂负荷的在线预测方法，旨在解决火电厂负荷在线预测的问题。
本发明提供了一种火电厂负荷的在线预测方法，包括：
获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；
利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；
通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。
更进一步地，所述火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。
更进一步地，所述火电厂负荷数据预测模型的建立方法如下：
确定长度相同的参考序列、第一比较序列和第二比较序列；所述参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，所述第一比较序列包含从初始数据到第n-p个的历史火电厂负荷的分数阶累加生成数据，所述第二比较序列包含从第2p+1个到第n+p个的火电厂负荷的分数阶累加生成数据；分别计算第一比较序列与参考序列的灰色关联系数，第二比较序列与参考序列的灰色关联系数；
计算第一比较序列与参考序列的灰色关联度，确定第二比较序列与参考序列的灰色关联度表达式，即所述火电厂负荷数据预测模型。
更进一步地，利用所述火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列，具体包括：
设定适应度函数，使第一比较序列与参考序列的灰色关联度与第二比较序列与参考序列的灰色关联度尽可能接近；
设定约束条件为：预测的火电厂负荷的分数阶累加生成序列中的第1个、第2个、……、第p个火电厂负荷的分数阶累加生成数据依次递增，且均大于历史火电厂负荷的分数阶累加生成序列中第n个数据；预测的火电厂负荷的分数阶累加生成序列中的数据在设定范围内；
利用优化算法对所述火电厂负荷数据预测模型进行优化求解，得到预测的火电厂负荷的分数阶累加生成序列。
本发明采用小样本的历史火电厂负荷数据，通过分数阶累加变换获得历史火电厂负荷数据的分数阶累加生成序列，采用火电厂负荷数据预测模型进行预测，有效提高了火电厂负荷数据的柔性特征及新信息的利用率，由于变换后的历史火电厂负荷的分数阶累加生成序列具有递增趋势，可以更为深入的挖掘火电厂负荷数据的内在规律和发展趋势。由于火电厂负荷参数的发展趋势应保持相似或一致，本发明从曲线相似度出发，利用灰色系统的关联分析对火电厂负荷的分数阶累加生成序列曲线变化规律和发展趋势进行挖掘和分析，建立预测火电厂负荷的分数阶累加生成序列的灰色预测模型，优化求解获得未来时刻火电厂负荷预测的分数阶累加生成序列，进而获得未来时刻火电厂负荷的预测值。本发明可以克服灰色关联求解的非线性及相关约束等无法直接求解负荷预测的问题，适用于复杂参数并可扩展为多系统输出的预测问题，具有物理意义清晰，计算量小且精度高等特点。
附图说明
图1是本发明实施例1提供的电厂负荷的在线预测方法流程图；
图2是本发明实施例1提供的历史火电厂负荷数据曲线图；
图3是本发明实施例1提供的历史火电厂负荷数据的分数阶累加生成序列曲线图；
图4是本发明实施例4提供的火电厂负荷数据预测模型的建立方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明实施例提供了一种火电厂负荷的在线预测方法，如图1所示，包括：
步骤S100、获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；
步骤S200、利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；
步骤S300、通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。
本实施例中，采用小样本的历史火电厂负荷数据，通过分数阶累加变换获得历史火电厂负荷数据的分数阶累加生成序列，采用火电厂负荷数据预测模型进行预测，有效提高了火电厂负荷数据的柔性特征及新信息的利用率，由于变换后的分数阶累加生成序列具有递增趋势，可以更为深入的挖掘火电厂负荷数据的内在规律和发展趋势。
以某火电厂为例，通过传感器网络采集火电厂机组运行数据，如图1所示，时间为2015年某月，采样时间为30分钟，历史火电厂负荷数据个数为8。步骤S100中获取的历史火电厂负荷数据为x＝(x(1)，x(2)，…，x(n))，n为历史火电厂负荷数据的个数，历史火电厂负荷数据的分数阶累加生成序列x(k)＝(x(k)(1)，x(k)(2)，…，x(k)(n))，其中k为分数阶累加阶次，k一般选择在0.2～1之间，能够体现灰色系统理论中新数据优先原则。具体k的数值选取和历史火电厂负荷数据x＝(x(1)，x(2)，…，x(n))的变换规律有关，当k的数值较小时，容易挖掘历史火电厂负荷数据的变化规律和内在特征，当k的数值越接近于1时，历史火电厂负荷数据的累加效果越好，但当k的数值为1时，新旧信息的累加权重相等。实际应用中，可以对k的数值不断调整，以便选择合适的k值，最终得到的历史火电厂负荷分数阶累加生成序列需要满足递增序列的条件。
对于历史火电厂负荷数据x＝(x(1)，x(2)，…，x(m)…，x(n))，1≤m≤n，历史火电厂负荷数据的分数阶累加生成序列(分数阶累加阶次为k)可以表示为：x(k)＝(x(k)(1)，x(k)(2)，…，x(k)(m)，…，x(k)(n))，1≤m≤n，n为历史火电厂负荷数据的个数，一般n取8～20。
其中：
Figure BDA0001888955430000061
上式中，ωj为分数阶累加权重系数，其中
Figure BDA0001888955430000062
Γ(·)为Gamma函数，是分数阶微积分的基本函数，完全的Gamma函数是以极限的形式给出的，其形式为：
Figure BDA0001888955430000063
本实施例中，设分数阶累加阶次k＝0.9，得到历史火电厂负荷数据的分数阶累加生成序列如图3所示。
实施例2
本发明实施例提供了一种火电厂负荷的在线预测方法，在实施例1的基础上，火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。
本实施例中，将x(k)＝(x(k)(1)，x(k)(2)，…，x(k)(n))作为火电厂负荷数据预测模型的输入，预测的火电厂负荷的分数阶累加生成序列作
Figure BDA0001888955430000071
为预测模型的输出，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数。通过该火电厂负荷数据预测模型对未来的火电厂负荷的分数阶累加生成序列进行准确预测，为火电厂负荷的在线预测值提供可靠的数据基础。
实施例3
本发明实施例提供了一种火电厂负荷的在线预测方法，如图4所示，在实施例1的基础上，火电厂负荷数据预测模型的建立方法如下：
步骤S201、确定长度相同的参考序列、第一比较序列和第二比较序列；参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，第一比较序列包含从初始数据到第n-p个的历史火电厂负荷的分数阶累加生成数据，第二比较序列包含从第2p+1个到第n+p个的火电厂负荷的分数阶累加生成数据；
步骤S202、分别计算第一比较序列与参考序列的灰色关联系数，第二比较序列与参考序列的灰色关联系数；
步骤S203、计算第一比较序列与参考序列的灰色关联度，确定第二比较序列与参考序列的灰色关联度表达式，即火电厂负荷数据预测模型。
本实施例中，对参考序列、第一比较序列和第二比较序列进行举例说明：
若预测的火电厂负荷的分数阶累加生成值为
Figure BDA0001888955430000081
则设历史火电厂负荷的分数阶累加生成序列X1＝(x(k)(2)，x(k)(3)，…，x(k)(n))为参考序列，历史火电厂负荷的分数阶累加生成序列X2＝(x(k)(1)，x(k)(2)，…，x(k)(n-1))和火电厂负荷的分数阶累加生成序列
Figure BDA0001888955430000082
分别为第一比较序列和第二比较序列；
若预测的火电厂负荷的分数阶累加生成值为
Figure BDA0001888955430000083
则相应的设历史火电厂负荷的分数阶累加生成序列X1＝(x(k)(3)，x(k)(4)，…，x(k)(n))为参考序列，历史火电厂负荷的分数阶累加生成序列X2＝(x(k)(1)，x(k)(2)，…，x(k)(n-2))和火电厂负荷的分数阶累加生成序列
Figure BDA0001888955430000084
分别为第一比较序列和第二比较序列；
以此类推，可以获得未来多个时刻的比较序列和参考序列。
本实施例结合空间向量夹角的余弦值给出新的灰色关联系数计算公式，进一步改善了灰色关联系数与参考序列和第一比较序列和第二比较序列的相对距离有关这一局限性。由于参考序列和第一比较序列、第二比较序列的物理意义相同，但数据范围有所差别，因而在灰色关联度分析时，首先要将参考序列X1及第一比较序列X2、第二比较序列X3进行规范化或标准化处理。新的灰色关联系数的计算公式为：
Figure BDA0001888955430000085
上式中，
Figure BDA0001888955430000086
为采用已有灰色关联系数计算公式的计算结果，δi(j)为利用空间向量夹角的余弦值得到的灰色关联系数，θ为调整因子，通常0≤θ≤1，为简化运算，本实施例中θ＝0.5，q为参考序列X1和第一比较序列X2、第二比较序列X3中数据的个数。
已有灰色关联系数计算公式为：
Figure BDA0001888955430000091
其中ρ为分辨系数，其取值通常为0.5，i＝2，3。
将参考序列和比较序列看作空间向量
Figure BDA0001888955430000092
利用空间向量夹角的余弦值得到的灰色关联系数计算公式为：
Figure BDA0001888955430000093
其中，δi(j)为空间向量
Figure BDA0001888955430000094
和空间向量
Figure BDA0001888955430000095
之间夹角的余弦值，i＝2，3，q为参考序列X1和第一比较序列X2、第二比较序列X3中数据的个数，δi(q)＝1。结合空间向量夹角的余弦值的得到的灰色关联系数可以全面的考虑序列之间的相似度和接近度。
计算灰色关联度：
设r2、r3分别为参考序列X1和第一比较序列X2的灰色关联度，参考序列X1和第二比较序列X3的灰色关联度，则本实施例的灰色关联度的计算公式为
Figure BDA0001888955430000096
其中，λ(j)为灰色关联度权重因子，其表达式为
Figure BDA0001888955430000097
且满足
Figure BDA0001888955430000098
本实施例中求得λ＝[0.1139 0.1156 0.1175 0.1199 0.1230 0.1272 0.13390.1488]。
已有的基本灰色关联度计算公式主要采用层次分析法和熵权法确定灰色关联度计算中的权重问题，计算相对复杂。本实施例在基本灰色关联度的计算基础上，结合向量夹角的余弦值给出新的灰色关联系数计算方法，并利用分数阶累加权重系数获得加权灰色关联度权重因子的确定方法，物理意义清晰，求解方便，能够有效提升新样本或新数据的利用率，降低两极最小绝对差和两极最大绝对差对灰色关联度的影响，解决了灰色关联度计算中权重不易确定的问题，避免出现灰色关联度结果由关联系数大的旧数据决定，从而造成灰色关联度出现局部关联偏差的情形。因而，本发明给出的新的灰色关联度方法对序列的发展趋势判断更为准确。本实施例提供的新的灰色关联度公式中，灰色关联度权重因子借助分数阶累加权重系数，给出灰色关联度权重因子，更能反映数据的新旧信息差异对灰色关联度的不同影响。可以看出，本实施例计算的灰色关联度更为客观，其求解是对历史数据的灰色关联系数根据不同权重获得的。在对序列整体的接近性和相似程度描述方面更为可靠，进而可以对未来趋势做出准确的判断。
实施例4
本发明实施例提供了一种火电厂负荷的在线预测方法，在实施例3的基础上，利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列，具体包括：
设定适应度函数，使第一比较序列与参考序列的灰色关联度与第二比较序列与参考序列的灰色关联度尽可能接近，通常适应度函数可以表示为fitness＝min|r2-r3|或fitness＝min(r2-r3)2；
设定约束条件为：预测的火电厂负荷的分数阶累加生成序列中的第1个、第2个、……、第p个火电厂负荷的分数阶累加生成数据依次递增，且均大于历史火电厂负荷的分数阶累加生成序列中第n个数据；预测的火电厂负荷的分数阶累加生成序列中的数据在设定范围内；本发明中具体的约束条件表示为
Figure BDA0001888955430000101
和
Figure BDA0001888955430000102
利用优化算法对火电厂负荷数据预测模型进行优化求解，得到预测的火电厂负荷的分数阶累加生成序列。
由于灰色关联度的求解及相关约束条件使得灰色关联度分析预测模型具有非线性，本实施例中，利用遗传优化算法寻优，以克服灰色关联度求解的非线性及相关约束等无法直接求解负荷预测的问题，使得预测的火电厂负荷的分数阶累加生成序列中的数据满足设定约束条件，使得火电厂负荷分数阶累加曲线发展趋势与前一阶段的发展态势最为接近，便于程序的在线计算和扩展。本实施例增加了对新信息的利用率，提高了对负荷数据变化的挖掘能力，再通过分数阶累减还原得到火电厂负荷预测值，并反馈给机组运行分析人员。根据预测及分析结果，机组运行人员可以进而预先掌握负荷数据的变化趋势，做好设备的启动，检修及各种应急预案的处理。
利用如下公式可以优化求解
Figure BDA0001888955430000111
和
Figure BDA0001888955430000112
Figure BDA0001888955430000113
Figure BDA0001888955430000114
其中
Figure BDA0001888955430000115
和
Figure BDA0001888955430000116
为火电厂负荷的在线预测值，分别表示预测的火电厂负荷序列中的第1个和第2个数据，n为历史火电厂负荷数据的个数。
利用本实施例的灰色关联度，经过迭代步数为56代，得到适应度函数值约为3.2208×10-7，求得
Figure BDA0001888955430000117
r2＝0.6224，r3＝0.6826；
在求解过程中，规范后的比较序列、参考序列以及灰色关联度求解参数，如表1所示。
表1规范后的比较序列和参考序列
Figure BDA0001888955430000118
Figure BDA0001888955430000121
为了验证本发明预测模型的预测效果，可以通过传感器网络采集获得未来时刻火电厂负荷的真实值，通过计算真实值与预测值的相对误差，可以评价火电厂负荷预测结果的好坏。其中相对误差的定义为：
Figure BDA0001888955430000122
本发明得到的预测的火电厂负荷数据
Figure BDA0001888955430000123
为267.4838Mw，利用经典灰色GM(1，1)模型、基本灰色关联度模型的比较结果如表2所示。
表2预测结果及误差分析
模型 预测值(Mw) 相对误差％
灰色GM(1，1)模型 255.1211 2.4564
基本灰色关联度 256.9971 2.4632
本发明的灰色关联度 267.4838 1.9786
因此，本发明预测模型相对误差为1.9786％，该数值是较为理想的，通过大量负荷数据的建模和预测也验证了本发明方法可以满足火电厂负荷数据预测及分析实际需要，证实了预测模型的有效性。
本发明为火电厂机组负荷数据的预测提供了一种方便有效的方法，除了应用曲线相似度的分析除灰色关联度外，还可以辅助使用绝对灰关联度、趋势关联度、欧式距离等其它定义及线性及非线性描述对曲线特征及发展态势进行分析，在建模方面，也可以根据实际需要给出不同的约束条件，提高火电厂负荷预测的准确度和有效性以及针对不同问题的扩展能力。本发明不仅适用于负荷的预测问题，同样也适用于其它复杂参数变化及多系统输出的预测问题，具有物理意义清晰、适用范围广、解释程度高及预测精度高等特点，可广泛应用于火电厂数据的预测、分析与控制，各类小样本的短期数据预测、模型寻优、数据分析等相关问题中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种火电厂负荷的在线预测方法，其特征在于，包括：
获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；
利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；
通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值；
所述火电厂负荷数据预测模型的建立方法如下：
确定长度相同的参考序列、第一比较序列和第二比较序列；所述参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，所述第一比较序列包含从初始数据到第n-p个的历史火电厂负荷的分数阶累加生成数据，所述第二比较序列包含从第2p+1个到第n+p个的火电厂负荷的分数阶累加生成数据；分别计算第一比较序列与参考序列的灰色关联系数，第二比较序列与参考序列的灰色关联系数；
计算第一比较序列与参考序列的灰色关联度，确定第二比较序列与参考序列的灰色关联度表达式，即所述火电厂负荷数据预测模型；
设r2、r3分别为参考序列X1和第一比较序列X2的灰色关联度，参考序列X1和第二比较序列X3的灰色关联度，则灰色关联度的计算公式为
Figure FDA0002671158160000011
其中，λ(j)为灰色关联度权重因子，其表达式为
Figure FDA0002671158160000021
且满足
Figure FDA0002671158160000022
k为分数阶累加阶次；
灰色关联系数的计算公式为：
Figure FDA0002671158160000023
Figure FDA0002671158160000024
为采用已有灰色关联系数计算公式的计算结果，δi(j)为利用空间向量夹角的余弦值得到的灰色关联系数，θ为调整因子，q为参考序列X1和第一比较序列X2、第二比较序列X3中数据的个数，将参考序列和比较序列看作空间向量
Figure FDA0002671158160000025
利用空间向量夹角的余弦值得到的灰色关联系数计算公式为：
Figure FDA0002671158160000026
δi(j)为空间向量
Figure FDA0002671158160000027
和空间向量
Figure FDA0002671158160000028
之间夹角的余弦值，i＝2,3。
2.如权利要求1所述的方法，其特征在于，所述火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。
3.如权利要求1所述的方法，其特征在于，利用所述火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列，具体包括：
设定适应度函数，使第一比较序列与参考序列的灰色关联度与第二比较序列与参考序列的灰色关联度尽可能接近；
设定约束条件为：预测的火电厂负荷的分数阶累加生成序列中的第1个、第2个、……、第p个火电厂负荷的分数阶累加生成数据依次递增，且均大于历史火电厂负荷的分数阶累加生成序列中第n个数据；预测的火电厂负荷的分数阶累加生成序列中的数据在设定范围内；
利用优化算法对所述火电厂负荷数据预测模型进行优化求解，得到预测的火电厂负荷的分数阶累加生成序列。
CN201811462662.5A 2018-12-03 2018-12-03 一种火电厂负荷的预测方法 Expired - Fee Related CN109376957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811462662.5A CN109376957B (zh) 2018-12-03 2018-12-03 一种火电厂负荷的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811462662.5A CN109376957B (zh) 2018-12-03 2018-12-03 一种火电厂负荷的预测方法

Publications (2)

Publication Number Publication Date
CN109376957A CN109376957A (zh) 2019-02-22
CN109376957B true CN109376957B (zh) 2020-11-20

Family

ID=65375213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811462662.5A Expired - Fee Related CN109376957B (zh) 2018-12-03 2018-12-03 一种火电厂负荷的预测方法

Country Status (1)

Country Link
CN (1) CN109376957B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754776A (zh) * 2020-07-07 2020-10-09 南通大学 一种基于加权分数阶灰色模型的交通流预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103138293A (zh) * 2013-03-04 2013-06-05 中国神华能源股份有限公司 火电厂厂级负荷优化分配方法及系统
CN103971175A (zh) * 2014-05-06 2014-08-06 华中科技大学 一种多级变电站的短期负荷预测方法
CN105205326A (zh) * 2015-09-24 2015-12-30 渤海大学 一种电厂实时负荷在线预测方法
CN105760947A (zh) * 2016-02-02 2016-07-13 国网江苏省电力公司 一种分析气象环境对电网负荷的影响因素的方法
CN106990214A (zh) * 2017-05-08 2017-07-28 云南民族大学 一种评价中药材质量的方法
CN107704958A (zh) * 2017-09-30 2018-02-16 渤海大学 一种多变量建模的火电厂发电量预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103138293A (zh) * 2013-03-04 2013-06-05 中国神华能源股份有限公司 火电厂厂级负荷优化分配方法及系统
CN103971175A (zh) * 2014-05-06 2014-08-06 华中科技大学 一种多级变电站的短期负荷预测方法
CN105205326A (zh) * 2015-09-24 2015-12-30 渤海大学 一种电厂实时负荷在线预测方法
CN105760947A (zh) * 2016-02-02 2016-07-13 国网江苏省电力公司 一种分析气象环境对电网负荷的影响因素的方法
CN106990214A (zh) * 2017-05-08 2017-07-28 云南民族大学 一种评价中药材质量的方法
CN107704958A (zh) * 2017-09-30 2018-02-16 渤海大学 一种多变量建模的火电厂发电量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Comprehensive Evaluation of Coal-Fired Power Units Using Grey Relational Analysis and a Hybrid Entropy-Based Weighting Method;Dianfa Wu et al.;《entropy》;20180323;第20卷(第4期);C042-260 *
中长期电力负荷组合预测模型与方法的研究;孙广强;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110415;1-23 *

Also Published As

Publication number Publication date
CN109376957A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
He et al. A generic energy prediction model of machine tools using deep learning algorithms
Shi et al. Evaluation of hybrid forecasting approaches for wind speed and power generation time series
CN102763048B (zh) 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
JP5751045B2 (ja) プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム
CN112365029B (zh) 用于空调负荷预测的缺失值处理方法及空调负荷预测系统
CN101436057A (zh) 数控机床热误差贝叶斯网络补偿方法
CN106980910B (zh) 中长期电力负荷测算系统及方法
JP2012027683A (ja) 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
Ye et al. An environmental pollution management method based on extended belief rule base and data envelopment analysis under interval uncertainty
CN114329347B (zh) 一种电能表计量误差预测方法、装置及存储介质
US7155367B1 (en) Method for evaluating relative efficiency of equipment
CN109376957B (zh) 一种火电厂负荷的预测方法
CN109523077B (zh) 一种风电功率预测方法
CN112580844A (zh) 气象数据处理方法、装置、设备及计算机可读存储介质
Daroogheh et al. An improved particle filtering-based approach for health prediction and prognosis of nonlinear systems
CN112700050A (zh) 一种光伏电站超短期第1点功率预测方法及系统
Fehlmann et al. A new approach for continuously monitoring project deadlines in software development
Zhao et al. An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees
CN114912335B (zh) 一种基于缺失数据的煤气发生量预测方法
CN113435653B (zh) 一种基于logistic模型的饱和用电量预测方法及系统
Safarudin et al. The Number of Nodes Effect to Predict the Electrical Consumption in Seven Distinct Countries
CN117495435B (zh) 基于fig-irelm的售电量区间预测方法和装置
Rozy et al. Development of Accuracy for the Weighted Fuzzy Time Series Forecasting Model Using Lagrange Quadratic Programming
WO2023053236A1 (ja) 需要予測装置及び需要予測方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201120

Termination date: 20211203

CF01 Termination of patent right due to non-payment of annual fee