CN110197296B - 一种基于时间序列相似性的机组负荷预测方法 - Google Patents

Abstract

本发明涉及一种基于时间序列相似性的机组负荷预测方法，包括步骤1)：获取当前时刻t0，并根据历史匹配时间长度T(单位h)得到历史日对应的时段，从历史数据库中获取前第i天的历史匹配时间序列；步骤2)：根据下式对时间序列按小时进行平均化处理；步骤3)：按下式对时间序列进行差分处理；步骤4)：利用加权欧式距离法进行时间序列相似性匹配，以欧式距离最小为原则，得到最相似日是前第s天。本发明的有益效果是：利用时间序列相似性匹配的方法建立了机组负荷在线预测模型；本发明是一种在线分析方法，能够提取更多的历史负荷变化规律；本发明预测精度高，能满足工程实际需要，而传统的预测误差较大。

Description

一种基于时间序列相似性的机组负荷预测方法

技术领域

本发明涉及一种用于火电机组负荷预测方法，具体涉及一种基于时间序列相似性的机组负荷预测方法。

背景技术

优化运行一直是的燃煤机组提高效率、降低能耗的重要手段。然而，目前大型燃煤机组都要参与深度调峰，机组经常处于动态变化过程中，机组的热力参数也在不断的变化，这给机组的优化运行带来了新的挑战。提出可靠优化策略的前提是要能够对热力参数做出预测，而大多热力参数都与机组负荷密切相关，所以机组负荷预测工作尤为重要。

发电机组负荷预测是根据机组的运行特性、电网的调度指令、能源结构、社会经济发展等诸多因素，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，其中负荷是指发电功率或发电量。发电负荷预测是电厂的重要工作之一，准确的负荷预测，可以经济合理地安排电厂内部发电机组及辅机的启停，保持机组运行的安全稳定性，减少不必要的资源浪费，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。

机组负荷预测是通过分析负荷历史数据研究负荷的发展变化规律，建立合适的模型从而预估未来一段时间内的机组发电负荷变化趋势。目前，负荷预测在电网企业研究较多，主要分为两大类，一类是利用大数据技术从电力用户需求角度分析用户的潜在需求，“以需定电”，从而对电力负荷进行预测；另一类是利用一些智能算法分析历史用电负荷，建立智能预测模型，从而完成负荷预测。但这些预测都是从电力用户的角度出发，无论是用户的潜在需求还是用户历史需求。这些方法力求去分析用户需求的对电网负荷的影响，如天气、节假日等，而电厂的发电负荷由AGC指令控制，主要受电网调度的影响，远离用户侧，这些方法并不适用。

电厂机组负荷预测也存在着一些经典预测方法，例如ARMA模型、指数平滑模型等。但是经典模型建模过程比较复杂，方法对历史数据的准确性要求高，异常数据对预测影响很大；在天气和温度变化不大的时候，该模型容易取得比较满意的结果；当天气变化较大或遇到节假日等情况，这种方法存在较大的预测误差，而且预测步数越长，预测精度越差。

发明内容

本发明的目的是克服现有技术中的不足，提供一种用于火电机组负荷预测方法，通过在电厂运行数据库中获取历史负荷数据，经过平均化、差分等初步预处理，然后依据时间序列相似性匹配得到历史最相似日，利用历史最相似日的未来负荷增量数据对未来几个小时的负荷进行预测。

基于时间序列相似性的机组负荷预测方法，包括以下步骤：

1)获取当前时刻t₀，并根据历史匹配时间长度T(单位h)得到历史日对应的时段，即t₀-60×T时刻到t₀时刻，分别从历史数据库中获取前第i天的历史匹配时间序列

其中，取数间隔为1min，t₀-60×T＜j≤t₀，j表示分钟的序号；0≤i≤365，i表示天的序号；

2)根据下式对时间序列

按小时进行平均化处理得到

其中，1≤k≤T，k表示小时的序号；

3)按下式对时间序列

进行差分处理得到

其中

4)利用加权欧式距离法将当天最近时段的

分别与

(i≠0)进行时间序列相似性匹配，以欧式距离最小为原则，得到最相似日是前第s天；

加权欧式距离法的计算公式如下：

其中：D_edclidean指欧式距离，用来衡量两个时间序列之间的相似性；A、B为两个时间序列；T指时间序列长度；w_i指加权系数；λ指加权指数，用于生成不同的加权系数；N₀是常数；

w_i确定方法如下：

w_i＝N₀×e^λi；

5)获取前第s天t₀时刻的负荷

及未来的负荷

其中，1≤n≤T₁×60，n表示未来时刻，间隔为1min，T₁为预测时长；按下式得到负荷增量数据{ΔP_n}；

6)按下式得到预测当天未来第n时刻的预测值P_n，P₀表示当前t₀时刻的实际负荷；

P_n＝P_n-1+ΔP_n

7)按下式计算未来实际负荷与负荷预测结果的平均误差；

式中：MSE是平均预测误差，

是未来n时刻的实际负荷值；

8)改变时间序列长度T、加权指数λ，多次试验，根据最小MSE确定最佳模型参数T、λ，从而建立负荷预测模型。

作为优选：步骤1)中，历史负荷数据所取的时段为当前时刻往前T小时。

作为优选：步骤4)中，加权欧氏距离法的加权系数w_i是由指数函数获得，与当前时刻越近则加权系数越大。

作为优选：步骤5)中，负荷增量数据是由最相似日t₀时刻以后的负荷相减得到。

作为优选：步骤6)中，负荷预测值是由当前负荷与负荷增量数据相加得到。

作为优选：步骤7)中，预测平均误差是由预测值与实际值的平均平方差得到。

作为优选：步骤8)中，历史匹配时间长度与加权指数λ是由最小训练平均误差得到。

本发明的有益效果是：本发明借助历史负荷数据，依据日负荷的相似性，利用时间序列相似性匹配的方法建立了机组负荷在线预测模型。本发明无需复杂的硬件设备，价格低廉。本发明相较于传统的预测方法速度更快，是一种在线分析方法，能够提取更多的历史负荷变化规律。本发明预测精度高，能满足工程实际需要，而传统的预测误差较大。

附图说明

图1为本发明负荷预测方法和训练流程图。

图2为实施例中λ＝0.15时不同T下的平均误差折线图。

图3为实施例中T＝6h时不同λ下的平均误差折线图。

图4为实施例中的不同预测时长下的平均预测误差曲线图。

图5为实施例中某时刻的预测效果图。

图6为实施例中本算法与ARMA算法的预测误差对比图。

图7为实施例中负荷上升期的预测效果对比。

图8为实施例中负荷下降期的预测效果对比。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

如图1所示，现场DCS采样数据存入厂级监控信息系统(SIS)的历史数据库，获取历史负荷数据建立负荷预测模型。例如当前时刻是2018年1月1号8:00，历史匹配时间长度T设为6h，从而得到历史日对应时段2:00-8:00，接着从历史数据库中筛选出前一年每天2:00-8:00的历史负荷数据(1min取数间隔)

(2:00＜j≤8:00，0≤i≤365)，共366组，将其作为历史匹配时间序列。接着对2:00到8:00的负荷数据按小时进行平均化处理得到时间序列

(1≤k≤6，

即表示第前i天7:00到8:00的平均负荷)，然后对

进行差分处理得到

(

即表示7:00到8:00的平均负荷减去6:00到7:00的平均负荷,

将

与

分别按照加权欧式距离法进行相似性匹配，其中加权指数λ设为0.15，以欧氏距离最小为原则得到最相似日S，利用最相似日未来增量负荷进行负荷预测。

以预测3小时为例，获取前第S日8点到11点的负荷数据(1min取数间隔)，并计算负荷增量{ΔP_n}(1≤n≤3×60)，由当前时刻的负荷P₀逐个累加负荷增量即可得到2018年1月1号8点到11点的负荷预测结果。

为了保证负荷预测模型具有较高的准确率，利用2018年1月1号到2月1号作为模型训练数据，计算未来实际负荷与负荷预测结果的平均预测误差，以平均预测误差最小为原则得到最佳的模型参数T，λ。

算例：

本文结合浙江某电厂的负荷数据分析本发明方法的实用性。首先是模型训练，本文的训练数据为2018年1月1号-2018年1月7号的历史负荷数据，设置了54组试验用以确定最佳的历史匹配时间长度T和加权指数λ。

训练试验组合如表1：

表1模型训练参数表

训练参数	T＝2	T＝3	T＝4	T＝5	T＝6	T＝7	T＝8	T＝9	T＝10
										λ＝0.05	(2,0.05)	(3,0.05)	(4,0.05)	(5,0.05)	(6,0.05)	(7,0.05)	(8,0.05)	(9,0.05)	(10,0.05)
λ＝0.1	(2,0.1)	(3,0.1)	(4,0.1)	(5,0.1)	(6,0.1)	(7,0.1)	(8,0.1)	(9,0.1)	(10,0.1)
										λ＝0.15	(2,0.15)	(3,0.15)	(4,0.15)	(5,0.15)	(6,0.15)	(7,0.15)	(8,0.15)	(9,0.15)	(10,0.15)
λ＝0.2	(2,0.2)	(3,0.2)	(4,0.2)	(5,0.2)	(6,0.2)	(7,0.2)	(8,0.2)	(9,0.2)	(10,0.2)
										λ＝0.25	(2,0.25)	(3,0.25)	(4,0.25)	(5,0.25)	(6,0.25)	(7,0.25)	(8,0.25)	(9,0.25)	(10,0.25)
λ＝0.3	(2,0.3)	(3,0.3)	(4,0.3)	(5,0.3)	(6,0.3)	(7,0.3)	(8,0.3)	(9,0.3)	(10,0.3)

图2为λ＝0.15时，不同T下分别预测1h、2h、3h的平均误差对比，从图中可以看出，当T＝6h时，平均误差最小；图3为T＝6时，不同λ下分别预测1h、2h、3h的平均误差对比，当λ＝0.15时的预测误差最小。因此当T＝6h，λ＝0.15时预测平均误差最小，未来1h、2h、3h平均预测误差分别为2.35％，3.33％，4.09％。因此，所建立的负荷预测模型的历史匹配时间长度为6h，加权指数为0.15。

为验证模型的可靠性，本文还对建立的(6,0.15)负荷预测模型进行了测试，测试数据为该机组2018年1月8号的负荷数据，每半个小时预测一次，每次预测未来3小时的负荷，共48次预测结果。将预测负荷与实际负荷进行对比计算平均预测误差，如图4给出了不同预测时长下的预测误差曲线，三小时平均预测误差为4.4％，1小时最大预测误差为3.2％，2小时最大预测误差为5.5％，3小时最大预测误差为7.9％，与训练误差接近，预测效果较理想，预测精度满足工程需要。此外，本文所提预测算法还能对负荷变化较大的情况做出准确预测，如图5给出了1月8日9:30-12:30的预测负荷与实际负荷的对比曲线，本文建立的(6,0.15)预测模型根据该日3:30-9:30的历史负荷数据成功地匹配到了历史相似日，尤其是预测出了11:30的陡降负荷，这对电厂运行具有很强的指导意义，电厂可根据预测结果提前制定措施优化控制及运行。

为对比本文所提预测方法的预测性能，本文将其与传统的时间序列方法—ARMA算法进行对比。ARMA模型训练数据同样采用2018年1月1号-2018年1月7号的历史负荷数据，用AIC准则进行模型定阶，向前预测三小时。测试数据也同样为2018年1月8号的负荷数据，半小时预测一次，共48组测试样本，分别计算预测误差。图6给出了本文算法与ARMA算法在不同预测时长下的预测误差对比，本文算法预测误差随着预测时长的增加而增加，即预测时间越靠近，精度越高；而ARMA的预测误差存在很大的波动性和不确定性，预测精度时好时坏。此外，本文算法的预测误差远低于ARMA算法，其3小时平均预测误差为4.4％，而ARMA算法的平均预测误差为8.5％。

图7给出了2018年1月8号5:00的预测曲线，在该时段负荷随着时间上升，本文算法预测负荷与实际负荷较接近，而ARMA算法基本按照原来的趋势进行顺延，预测效果较差；图8给出了2018年1月8号0:30的预测曲线，在该时段负荷随着时间下降，本文算法准确地预测出了下降期的负荷，而ARMA算法则不能较好地预测出下降趋势。总体来说，本文算法能够精确地预测出未来的趋势，且预测精度很高。ARMA算法只是以最近一段负荷数据为输入进行预测，即使其网络结构很好、特征学习很好，也存在很大的局限性。而本文算法利用了过去一年的历史负荷数据进行相似性匹配，其得到的有效信息更多，且本文算法计算量较小，算法的实时性更高。

Claims (5)

1.一种基于时间序列相似性的机组负荷预测方法，其特征在于，包括以下步骤：

1)获取当前时刻t₀，并根据历史匹配时间长度T得到历史日对应的时段，即t₀-60×T时刻到t₀时刻，分别从历史数据库中获取前第i天的历史匹配时间序列

其中，取数间隔为1min，t₀-60×T＜j≤t₀，j表示分钟的序号；0≤i≤365，i表示天的序号；

2)根据下式对时间序列

按小时进行平均化处理得到

其中，1≤k≤T，k表示小时的序号；

3)按下式对时间序列

进行差分处理得到

其中

4)利用加权欧式距离法将当天最近时段的

分别与

其中i≠0进行时间序列相似性匹配，以欧式距离最小为原则，得到最相似日是前第s天；

加权欧式距离法的计算公式如下：

其中：D_edclidean指欧式距离，用来衡量两个时间序列之间的相似性；A、B为两个时间序列；T指时间序列长度；w_i指加权系数；λ指加权指数，用于生成不同的加权系数；N₀是常数；

w_i确定方法如下：

w_i＝N₀×e^λi；

5)获取前第s天t₀时刻的负荷

及未来的负荷

其中，1≤n≤T₁×60，n表示未来时刻，间隔为1min，T₁为预测时长；按下式得到负荷增量数据{ΔP_n}；

6)按下式得到预测当天未来第n时刻的预测值P_n，P₀表示当前t₀时刻的实际负荷；

P_n＝P_n-1+ΔP_n

7)按下式计算未来实际负荷与负荷预测结果的平均误差；

式中：MSE是平均预测误差，

是未来n时刻的实际负荷值；

8)改变时间序列长度T、加权指数λ，多次试验，根据最小MSE确定最佳模型参数T、λ，从而建立负荷预测模型。

2.根据权利要求1所述的基于时间序列相似性的机组负荷预测方法，其特征在于，步骤1)中，历史负荷数据所取的时段为当前时刻往前T小时。

3.根据权利要求1所述的基于时间序列相似性的机组负荷预测方法，其特征在于，步骤4)中，加权欧氏距离法的加权系数w_i是由指数函数获得，与当前时刻越近则加权系数越大。

4.根据权利要求1所述的基于时间序列相似性的机组负荷预测方法，其特征在于，步骤5)中，负荷增量数据是由最相似日t₀时刻以后的负荷相减得到。

5.根据权利要求1所述的基于时间序列相似性的机组负荷预测方法，其特征在于，步骤7)中，预测平均误差是由预测值与实际值的平均平方差得到。

Images