CN109687447A - 一种电力能耗预测方法及装置 - Google Patents
一种电力能耗预测方法及装置 Download PDFInfo
- Publication number
- CN109687447A CN109687447A CN201811654728.0A CN201811654728A CN109687447A CN 109687447 A CN109687447 A CN 109687447A CN 201811654728 A CN201811654728 A CN 201811654728A CN 109687447 A CN109687447 A CN 109687447A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- history
- sample data
- data
- data set
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 342
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 25
- 210000005036 nerve Anatomy 0.000 claims abstract description 24
- 210000005223 peripheral sensory neuron Anatomy 0.000 claims abstract description 12
- 230000003466 anti-cipated effect Effects 0.000 claims description 19
- 239000012141 concentrate Substances 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力能耗预测方法及装置，涉及电力能耗预测分析领域。该电力能耗预测方法包括：获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集；对第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集；获取各历史能耗数据区间占据第二历史能耗样本数据集的第一比例以及平均值，将第二历史能耗样本数据集、第一比例以及平均值进行第一神经元训练得到第一神经元模型；获取火电机组的计划能耗数据；根据计划能耗数据和第一神经元模型，得到各计划能耗数据区间占据计划能耗数据的比例以及预测值。使用该能耗预测方法，可以更准确、更方便的预测发电计划量。
Description
技术领域
本发明涉及电力能耗预测分析领域，具体而言，涉及一种电力能耗预测方法及装置。
背景技术
能耗水平是火力发电重点控制的关键指标之一，火力发电厂往往会制定机组的年度、季度或者月度的能耗计划目标，该目标的制定既考虑到机组的结构特点、运行条件以及以往的能耗水平，也考虑到对能耗管理提升的目标、设备系统的技改等因素。
现有技术的能耗完成情况的分析，通常是通过在能耗控制目标所规定的时间段内，通过统计该时间段已经累计产生的平均能耗数据，分析该能耗水平与能耗控制目标的差距。
但是，现有技术通过累计产生的平均能耗分析该能耗水平与能耗计划目标的差距，相对准确的比较工作需要一部分人为判断过程，人为判断缺乏准确的量化指标，很难对存在的能耗水平进行定量化的分析判断，另外如果采用人为判断缺乏大量数据的处理能力，判断的准确性受人的经验影响。
发明内容
本发明的目的在于，针对上述现有技术中的不足，提供一种电力能耗预测方法及装置，其能够更准确、更有效的预测能耗的分布状况。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种能耗预测方法，包括：
获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集；
对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集；
获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值，将所述第二历史能耗样本数据集、所述第一比例以及所述平均值进行第一神经元训练得到第一神经元模型；
获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据；
根据所述计划能耗数据和所述第一神经元模型，得到所述计划能耗数据各计划能耗数据区间占据所述计划能耗数据的比例以及预测值。
一种实施方式中，所述对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集的步骤，包括：
获取所述第一历史能耗样本数据集中按照预设历史能耗数据区间分段的各历史能耗区间数据，根据所述各历史能耗区间数据得到各历史能耗区间数据占据所述第一历史能耗样本数据集的第二比例；
将所述第一历史能耗样本数据集、各历史能耗区间数据以及所述第二比例进行第二神经元训练，得到第二神经元模型；
根据所述第一历史能耗样本数据集和所述第二神经元模型，得到基于所述第一历史能耗样本数据集的预期输出的偏差数据；
根据预设的偏差比例和所述预期输出的偏差数据，得到所述第二历史能耗样本数据集。
一种实施方式中，所述根据预设的偏差比例和所述预期输出的偏差数据，得到所述第二历史能耗样本数据集的步骤，包括：
根据所述预期输出的偏差数据得到所述第一历史能耗样本数据集中所对应的历史能耗样本数据；
从所述第一历史能耗样本数据集中剔除大于所述偏差比例所对应的历史能耗样本数据，得到第二历史能耗样本数据集。
一种实施方式中，所述能耗样本数据包括用电负荷和供电流量。
一种实施方式中，所述火电机组包括发电机组和供热机组。
一种实施方式中，所述预设时间类别包括工作日、节假日和正常休假日中至少一种时间类别。
一种实施方式中，所述获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值的步骤，包括：
获取所述第二历史能耗样本数据集中所述各历史能耗数据区间的能耗数据、能耗数据数量以及所述第二历史能耗样本数据集的能耗数据总数量；
根据所述历史能耗数据区间中能耗数据数量与所述第二历史能耗样本数据集能耗数据总数量的比值得到所述第一比例，根据所述历史能耗数据区间的各能耗数据进行平均值计算，得到各所述历史能耗数据区间的平均值。
第二方面，本发明实施例还提供了一种能耗预测装置，包括：
第一获取模块，用于获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集；
预处理模块，用于对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集；
第一训练模块，用于获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值，将所述第二历史能耗样本数据集、所述第一比例以及所述平均值进行第一神经元训练得到第一神经元模型；
第二获取模块，用于获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据；
确定模块，用于根据所述计划能耗数据和所述第一神经元模型，得到所述计划能耗数据各计划能耗数据区间占据所述计划能耗数据的比例以及预测值。
第三方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器读取并运行时，实现第一方面所述的电力能耗预测方法。
第四方面，本发明实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行第一方面所述的电力能耗预测方法的步骤。
本发明的有益效果是：
本发明实施例提供的一种电力能耗预测方法及装置，采集火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集，并对第一历史能耗样本数据集进行预处理得到第二历史能耗样本数据集，然后对第二历史能耗样本数据集进行分类计算第一比例和平均值，通过第二历史能耗样本数据集、第一比例以及平均值进行第一神经元训练得到第一神经元模型，采集计划能耗数据，并根据计划能耗数据和第一神经元得到计划能耗数据的比例以及预测值，通过根据历史能耗数据按照预设时间分类，获取各预设时间间隔的分布比例和平均值，通过第一神经元训练得到合适的第一神经元模型，再将计划能耗数据输入该第一神经元模型得到计划能耗数据的比例以及预测值，使得对未来的能耗数据的预测计划更有效、更准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的能耗预测方法步骤流程示意图；
图2为本发明实施例提供的第二历史能耗样本数据集的计算步骤示意图；
图3为本发明实施例提供的第一比例及平均值计算步骤流程示意图；
图4为本发明实施例提供的能耗预测装置模块示意图。
图标：101-第一获取模块；102-预处理模块；103-第一训练模块；104-第二获取模块；105-确定模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例提供的能耗预测方法步骤流程示意图，请参照图1，本发明实施例提供一种能耗预测方法，包括：
S101、获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集。
具体的，历史预设时间可以是以前使用的能耗样本数据中的一年、六个月、五个月或者四个月，预设时间类别可以是按照工作日、节假日或者正常休假日进行分类，预设时间间隔可以是一周、一天、5分钟或者1分钟，在本实施例中，为了使能耗预测数据更加准确，历史预设时间以一年为例，预设时间间隔以1分钟的时间间隔为例，获取火电机组在一年内工作日中周一每1分钟的第一历史能耗样本数据，得到一个第一历史能耗样本数据集。
S102、对第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集。
具体的，预处理是删除第一历史能耗样本数据集中不符合条件的第一历史能耗样本数据，得到符合条件的第二历史能耗样本数据集。
S103、获取第二历史能耗样本数据集中各历史能耗数据区间占据第二历史能耗样本数据集的第一比例以及平均值，将第二历史能耗样本数据集、第一比例以及平均值进行第一神经元训练得到第一神经元模型。
首先，按照第二历史能耗样本数据集中第二历史能耗样本数据的取值，计算第二历史能耗样本数据集中能耗数据的总数量；其次，根据第二历史能耗样本数据的分布情况对第二历史能耗样本数据进行区间划分得到多个历史能耗数据区间，例如：10kw·h、20kw·h、30kw·h或者50kw·h等，分别计算出各历史能耗数据区间内第二历史能耗数据的数量；再次，分别计算各历史能耗数据区间中能耗数量占据第二历史能耗样本数据集中能耗数据的总数量得到第一比例，通过计算各历史能耗数据区间能耗数据的累计值，并用历史能耗数据区间能耗数据的累计值和对应历史能耗数据区间能耗数据的能耗数量得到该历史能耗数据区间的平均值。进一步的，通过输入第二历史能耗样本数据集，输出第一比例和平均值，进行神经元训练得到第一神经元模型。
需要说明的是，上述第一神经元模型可以采用反向传播算法训练(BackPropagation，BP)、反向神经网络传播(Levenberg-marquardt back propagation，LM-BP)、径向基函数神经网络(Radical Basis Function，RBF)等多种模型训练方式，不限于上述模型训练方式。
S104、获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据。
具体的，获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据的方法和获取第一历史能耗样本数据的方法一样，在此不一一赘述。
例如，按照获取第一历史能耗样本数据的方法获取到火电机组在工作日的周一的计划能耗数据为102kw·h，103kw·h，106kw·h，115kw·h，154kw·h，···，223kw·h，本实施例能耗数据的单位均为kw·h，下文没有标识单位的数据均是采用该kw·h，就不再赘述。
S105、根据计划能耗数据和第一神经元模型，得到计划能耗数据各计划能耗数据区间占据计划能耗数据的比例以及预测值。
具体的，根据S104得到计划能耗数据102，103，106，115，154，···，223，S103得到第一神经元模型，并根据计划能耗数据102，103，106，115，154，···，223和第一神经元模型，得到计划能耗数据各计划能耗数据区间占据所述计划能耗数据的比例以及预测值。
本发明实施例提供的一种能耗预测方法，采集火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集，并对第一历史能耗样本数据集进行预处理得到第二历史能耗样本数据集，然后对第二历史能耗样本数据集进行分类计算第一比例和平均值，通过第二历史能耗样本数据集、第一比例以及平均值进行第一神经元训练得到第一神经元模型，采集计划能耗数据，并根据计划能耗数据和第一神经元得到计划能耗数据的比例以及预测值，通过根据历史能耗数据按照预设时间分类，获取各预设时间间隔的分布比例和平均值，通过第一神经元训练得到合适的第一神经元模型，再将计划能耗数据输入该第一神经元模型得到计划能耗数据的比例以及预测值，使得对未来的能耗数据的预测计划更有效、更准确。
一种实施方式中，图2为本发明实施例提供的第二历史能耗样本数据集的计算步骤示意图，请参照图2，对第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集的步骤，包括：
S201、获取第一历史能耗样本数据集中按照预设历史能耗数据区间分段的各历史能耗区间数据，根据各历史能耗区间数据得到各历史能耗区间数据占据第一历史能耗样本数据集的第二比例。
具体的，获取第一历史能耗样本数据集按照预设历史能耗数据区间分段的各历史能耗数据区间，首先，计算出第一历史能耗样本数据集的总数量和各历史能耗数据区间能耗数据的数量，其次，根据各历史能耗数据区间能耗数据的数量与第一历史能耗样本数据集的总数量，分别计算出各历史能耗数据区间能耗数据的数量占据第一历史能耗样本数据集的总数量得到第二比例。
例如，第一历史能耗样本数据集＝{103，107，114，121，···，212}，计算第一历史能耗样本数据集中能耗数据的总数量为1440个，各历史能耗数据区间分别为[100，120)、[120，140)、···、[200，220)，其中，预设历史能耗区间为[100，120)、[120，140)、···、[200，220)，得到预设历史能耗区间[100，120)的数量为72个；预设历史能耗区间[120，140)的数量是115个；依次计算预设历史能耗区间[200，220)的数量230个，计算预设历史能耗区间在[100，120)数据的分布比例为72/1440*100％＝5％，预设历史能耗区间在[120，140)数据的分布比例为115/1440*100％＝8％，依次计算，预设历史能耗区间在[200，220)数据的分布比例为230/1440*100％＝16％。
S202、将第一历史能耗样本数据集、各历史能耗区间数据以及第二比例进行第二神经元训练，得到第二神经元模型。
具体的，根据S101获取的第一历史能耗样本数据集＝{103，107，114，121，···，212}和第二比例5％、8％、···、16％，输入第一历史能耗样本数据集＝{103，107，114，121，···，212}，输出第二比例5％、8％、···、16％，进行神经元训练，得到第二神经元模型。
S203、根据第一历史能耗样本数据集和第二神经元模型，得到基于第一历史能耗样本数据集的预期输出的偏差数据。
具体的，根据第一历史能耗样本数据集和第二神经元模型，得到基于第一历史能耗样本数据集的预期输出的偏差数据，其中，预期输出的偏差数据是在第二神经元模型训练稳定后不在训练模型上的数据。
S204、根据预设的偏差比例和预期输出的偏差数据，得到所述第二历史能耗样本数据集。
具体的，根据预设的偏差比例和S203得到的预期输出的偏差数据，如果预期输出的偏差数据上的偏差比例超出了预设的偏差比例，那么剔除预期输出的偏差数据中的偏差大于预设的偏差比例的数据。
一种实施方式中，根据预设的偏差比例和预期输出的偏差数据，得到第二历史能耗样本数据集的步骤，包括：
根据预期输出的偏差数据得到第一历史能耗样本数据集中所对应的历史能耗样本数据，从第一历史能耗样本数据集中剔除大于偏差比例所对应的历史能耗样本数据，得到第二历史能耗样本数据集。
例如，预设的偏差比例为0.7％，如果计算预期输出的偏差数据的偏差比例大于0.7％，那么去掉该预期输出的偏差数据的偏差比例大于0.7％的能耗数据；如果计算预期输出的偏差数据的偏差比例小于0.7％，那么保留该预期输出的偏差数据的偏差比例小于0.7％的能耗数据，最终得到第二历史能耗样本数据集。
一种实施方式中，所述能耗样本数据包括用电负荷和供电流量。
具体的，能耗数据包括燃煤量、发电量、用电负荷和供热流量等，本实施例是以火电机组的能耗数据为例进行说明的，因此，能耗数据是用电负荷和供热流量。
一种实施方式中，所述火电机组包括发电机组和供热机组。
具体的，火电机组包括发电机组和供热机组，发电机组用于燃煤烧水产生水蒸气，水蒸气进入汽轮车间的汽轮机使转子快速转动发电，供热机组用于燃煤烧水产生水蒸气，水蒸气进入供热管道进行供热，发电机组可以是一个或多个，供热机组可以是一个或多个。
一种实施方式中，所述预设时间类别包括工作日、节假日和正常休假日中至少一种时间类别。
具体的，由于工作日、节假日和正常休假日的用电负荷和供热流量会有差距，因此将工作日、节假日和正常休假日的用电负荷和供热流量进行分类计算，能够更加准确地预测用电负荷和供热流量分布。
一种实施方式中，图3为本发明实施例提供的第一比例及平均值计算步骤流程示意图，请参照图3，所述获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值的步骤，包括：
S301、获取所述第二历史能耗样本数据集中所述各历史能耗数据区间的能耗数据、能耗数据数量以及所述第二历史能耗样本数据集的能耗数据总数量。
S302、根据所述历史能耗数据区间中能耗数据数量与所述第二历史能耗样本数据集能耗数据总数量的比值得到所述第一比例，根据所述历史能耗数据区间的各能耗数据进行平均值计算，得到各所述历史能耗数据区间的平均值。
例如，第二历史能耗样本数据集＝{100，101，105，106，134，···，212}，计算得到第二历史能耗样本数据集的总数量为1440个，对第二历史能耗样本数据集中的能耗数据按照预设历史能耗区间进行分类，其中，预设历史能耗区间为[100，120)、[120，140)、···、[200，220)，得到预设历史能耗区间[100，120)的数量为144个，预设历史能耗区间[100，120)的能耗数据为101、102、103、104、···、118，平均值为(101+102+103+104+···+118)/144＝110；预设历史能耗区间[120，140)的数量是201个，预设历史能耗区间[120，140)的能耗数据为121、122、133、124、···、138，平均值为(121+122+133+124+···+138)/201＝130；依次计算预设历史能耗区间[200，220)的数量288个，预设历史能耗区间[200，220)的能耗数据为201、212、205、214、···、219，平均值为(201+212+205+214+···+219)/288＝210。计算预设历史能耗区间在[100，120)数据的分布比例为144/1440*100％＝10％，预设历史能耗区间在[120，140)数据的分布比例为201/1440*100％＝14％，依次计算，预设历史能耗区间在[200，220)数据的分布比例为288/1440*100％＝20％。进一步的，输入第二历史能耗样本数据集＝{100，101，105，106，···，134，212}，分别输出各预设历史能耗区间的第一比例(10％，14％，···，20％)和平均值(110，130，···，210)，进行神经元训练得到输入和输出对应的第一神经元模型。
需要说明的是，上述分布比例和平均值只是在列举实施例，分布比例和平均值在实际计算过程中为了准确度会保留两位小数。
图4为本发明实施例提供的能耗预测装置模块示意图，请参照图4，本发明实施例还提供了一种能耗预测装置，包括：
第一获取模块101，用于获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集。
预处理模块102，用于对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集。
第一训练模块103，用于获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值，将所述第二历史能耗样本数据集、所述第一比例以及所述平均值进行第一神经元训练得到第一神经元模型。
第二获取模块104，用于获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据。
确定模块105，用于根据所述计划能耗数据和所述第一神经元模型，得到所述计划能耗数据各计划能耗数据区间占据所述计划能耗数据的比例以及预测值。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述的能耗预测方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行上述的能耗预测方法的步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种电力能耗预测方法，其特征在于，包括：
获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集；
对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集；
获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值，将所述第二历史能耗样本数据集、所述第一比例以及所述平均值进行第一神经元训练得到第一神经元模型；
获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据；
根据所述计划能耗数据和所述第一神经元模型，得到所述计划能耗数据各计划能耗数据区间占据所述计划能耗数据的比例以及预测值。
2.根据权利要求1所述的电力能耗预测方法，其特征在于，所述对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集的步骤，包括：
获取所述第一历史能耗样本数据集中按照预设历史能耗数据区间分段的各历史能耗区间数据，根据所述各历史能耗区间数据得到各历史能耗区间数据占据所述第一历史能耗样本数据集的第二比例；
将所述第一历史能耗样本数据集、各历史能耗区间数据以及所述第二比例进行第二神经元训练，得到第二神经元模型；
根据所述第一历史能耗样本数据集和所述第二神经元模型，得到基于所述第一历史能耗样本数据集的预期输出的偏差数据；
根据预设的偏差比例和所述预期输出的偏差数据，得到所述第二历史能耗样本数据集。
3.根据权利要求2所述的电力能耗预测方法，其特征在于，所述根据预设的偏差比例和所述预期输出的偏差数据，得到所述第二历史能耗样本数据集的步骤，包括：
根据所述预期输出的偏差数据得到所述第一历史能耗样本数据集中所对应的历史能耗样本数据；
从所述第一历史能耗样本数据集中剔除大于所述偏差比例所对应的历史能耗样本数据，得到第二历史能耗样本数据集。
4.根据权利要求1所述的电力能耗预测方法，其特征在于，所述能耗样本数据包括用电负荷和供电流量。
5.根据权利要求1所述的电力能耗预测方法，其特征在于，所述火电机组包括发电机组和供热机组。
6.根据权利要求1所述的电力能耗预测方法，其特征在于，所述预设时间类别包括工作日、节假日和正常休假日中至少一种时间类别。
7.根据权利要求1所述的电力能耗预测方法，其特征在于，所述获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值的步骤，包括：
获取所述第二历史能耗样本数据集中所述各历史能耗数据区间的能耗数据、能耗数据数量以及所述第二历史能耗样本数据集的能耗数据总数量；
根据所述历史能耗数据区间中能耗数据数量与所述第二历史能耗样本数据集能耗数据总数量的比值得到所述第一比例，根据所述历史能耗数据区间的各能耗数据进行平均值计算，得到各所述历史能耗数据区间的平均值。
8.一种电力能耗预测装置，其特征在于，包括：
第一获取模块，用于获取火电机组在历史预设时间段内按照各预设时间类别和各预设时间间隔的第一历史能耗样本数据集；
预处理模块，用于对所述第一历史能耗样本数据集进行预处理，得到处理后的第二历史能耗样本数据集；
第一训练模块，用于获取所述第二历史能耗样本数据集中各历史能耗数据区间占据所述第二历史能耗样本数据集的第一比例以及平均值，将所述第二历史能耗样本数据集、所述第一比例以及所述平均值进行第一神经元训练得到第一神经元模型；
第二获取模块，用于获取火电机组在计划预设时间段内按照各预设时间类别和各预设时间间隔的计划能耗数据；
确定模块，用于根据所述计划能耗数据和所述第一神经元模型，得到所述计划能耗数据各计划能耗数据区间占据所述计划能耗数据的比例以及预测值。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器读取并运行时，实现如权利要求1-7任一项所述的电力能耗预测方法。
10.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-7任一所述的电力能耗预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811654728.0A CN109687447B (zh) | 2018-12-29 | 2018-12-29 | 一种电力能耗预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811654728.0A CN109687447B (zh) | 2018-12-29 | 2018-12-29 | 一种电力能耗预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109687447A true CN109687447A (zh) | 2019-04-26 |
| CN109687447B CN109687447B (zh) | 2021-01-01 |
Family
ID=66190424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811654728.0A Active CN109687447B (zh) | 2018-12-29 | 2018-12-29 | 一种电力能耗预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109687447B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915089A (zh) * | 2020-08-07 | 2020-11-10 | 青岛洪锦智慧能源技术有限公司 | 一种污水处理厂泵组能耗的预测方法及其装置 |
| CN112036085A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢燃耗参数推荐方法、系统、介质及终端 |
| CN112257015A (zh) * | 2020-10-28 | 2021-01-22 | 华润电力技术研究院有限公司 | 一种火电机组数据获取方法、系统及数据处理方法 |
| CN112506134A (zh) * | 2019-09-16 | 2021-03-16 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
| CN115310811A (zh) * | 2022-08-08 | 2022-11-08 | 国网山东省电力公司潍坊供电公司 | 一种微电网电力能源公平调度方法 |
| CN117828307A (zh) * | 2024-03-04 | 2024-04-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于机器学习的给水厂全生命周期能耗预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1591950A (zh) * | 2003-08-28 | 2005-03-09 | 松下电器产业株式会社 | 燃料电池发电系统及其控制方法 |
| CN101288089A (zh) * | 2005-07-28 | 2008-10-15 | 西门子电力输送及配电有限公司 | 基于负荷预测的神经网络的在线和离线训练 |
| JP2017011988A (ja) * | 2015-06-16 | 2017-01-12 | 住友電気工業株式会社 | 電力管理装置、発電制御装置、表示装置、電力管理方法、発電制御方法、表示制御方法、電力管理プログラム、発電制御プログラムおよび表示制御プログラム |
-
2018
- 2018-12-29 CN CN201811654728.0A patent/CN109687447B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1591950A (zh) * | 2003-08-28 | 2005-03-09 | 松下电器产业株式会社 | 燃料电池发电系统及其控制方法 |
| CN101288089A (zh) * | 2005-07-28 | 2008-10-15 | 西门子电力输送及配电有限公司 | 基于负荷预测的神经网络的在线和离线训练 |
| JP2017011988A (ja) * | 2015-06-16 | 2017-01-12 | 住友電気工業株式会社 | 電力管理装置、発電制御装置、表示装置、電力管理方法、発電制御方法、表示制御方法、電力管理プログラム、発電制御プログラムおよび表示制御プログラム |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112506134A (zh) * | 2019-09-16 | 2021-03-16 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
| CN111915089A (zh) * | 2020-08-07 | 2020-11-10 | 青岛洪锦智慧能源技术有限公司 | 一种污水处理厂泵组能耗的预测方法及其装置 |
| CN112036085A (zh) * | 2020-08-31 | 2020-12-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢燃耗参数推荐方法、系统、介质及终端 |
| CN112257015A (zh) * | 2020-10-28 | 2021-01-22 | 华润电力技术研究院有限公司 | 一种火电机组数据获取方法、系统及数据处理方法 |
| CN112257015B (zh) * | 2020-10-28 | 2023-08-15 | 华润电力技术研究院有限公司 | 一种火电机组数据获取方法、系统及数据处理方法 |
| CN115310811A (zh) * | 2022-08-08 | 2022-11-08 | 国网山东省电力公司潍坊供电公司 | 一种微电网电力能源公平调度方法 |
| CN115310811B (zh) * | 2022-08-08 | 2024-05-10 | 国网山东省电力公司潍坊供电公司 | 一种微电网电力能源公平调度方法 |
| CN117828307A (zh) * | 2024-03-04 | 2024-04-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于机器学习的给水厂全生命周期能耗预测方法 |
| CN117828307B (zh) * | 2024-03-04 | 2024-05-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于机器学习的给水厂全生命周期能耗预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109687447B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109687447A (zh) | 一种电力能耗预测方法及装置 | |
| Feng et al. | Optimization of hydropower reservoirs operation balancing generation benefit and ecological requirement with parallel multi-objective genetic algorithm | |
| Garg | An efficient biogeography based optimization algorithm for solving reliability optimization problems | |
| Su et al. | A systematic data-driven Demand Side Management method for smart natural gas supply systems | |
| Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
| Mohammadi et al. | Optimal scheduling of energy hubs in the presence of uncertainty-a review | |
| He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
| Niu et al. | Parallel computing and swarm intelligence based artificial intelligence model for multi-step-ahead hydrological time series prediction | |
| KR102346188B1 (ko) | 전력 수요 예측 방법 및 장치 | |
| Danish et al. | Shaping the future of sustainable energy through AI-enabled circular economy policies | |
| Staudt et al. | Predicting redispatch in the German electricity market using Information Systems based on Machine Learning | |
| Akarslan et al. | A novel short-term load forecasting approach using Adaptive Neuro-Fuzzy Inference System | |
| CN111313449B (zh) | 一种基于机器学习的集群电动汽车功率优化管理方法 | |
| Georgopoulou et al. | Metamodel-assisted evolutionary algorithms for the unit commitment problem with probabilistic outages | |
| Safari et al. | Optimal load sharing strategy for a wind/diesel/battery hybrid power system based on imperialist competitive neural network algorithm | |
| Shabbir et al. | Forecasting of energy consumption and production using recurrent neural networks | |
| Ram et al. | Reliability evaluation and cost optimization of solar road studs | |
| CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
| Cao et al. | A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution | |
| Songpu et al. | Domestic demand predictions considering influence of external environmental parameters | |
| Razmjooy et al. | A new home energy management system for smart home using improved multi-objective antlion optimization algorithm | |
| Xu et al. | An LSTM approach for predicting the short-time passenger flow of urban bus |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240408 Address after: 518066 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee after: Shenzhen goes out new knowledge property right management Co.,Ltd. Country or region after: China Address before: 523000 Room 302, building 18, songkeyuan, Songshanhu high tech Industrial Development Zone, Dongguan City, Guangdong Province Patentee before: CR POWER TECHNOLOGY INSTITUTE Co.,Ltd. Country or region before: China |