CN111598302A - 一种基于ap-ts-svr模型的热电厂短期工业热负荷预测方法 - Google Patents

Abstract

一种基于AP‑TS‑SVR模型的热电厂短期工业热负荷预测方法，包括以下步骤：按照设定的采样间隔从热电厂工业用户数据库中读取预测时刻前E天的各个工业用户的历史负荷数据；采用平均比例法分别计算M个工业用户的热负荷占热电厂工业总热负荷的平均比例，剔除平均占比小于设定值Ⅰ的工业用户，保留剩余的K个用户（K<M）；预测K个用户未来24小时的热负荷值；采用支持向量机建模和预测热电厂工业总热负荷。本发明剔除平均占比小的用户并对其余分用户逐一预测，节约预测时间，提高模型辨识度。

Description

一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法

技术领域

本发明涉及热负荷预测领域，尤其是涉及一种基于AP-TS-SVR的模型的热电厂短期工业热负荷预测方法。

背景技术

工业用户是热电厂供热的主要对象，用户热负荷实时变化，且电厂热力系统的热惰性以及管网输送的延迟性导致电厂供热与用户用热之间难以实现供需平衡而造成能源浪费与经济损失。利用工业用户历史热负荷数据，提取用户用热规律，预测用户未来的热负荷，可提前指导电厂做好热能调配，优化系统运行，节约资源，降低能耗。

对工业热负荷而言，通常包含服装加工、饮料生产、制药、建筑材料加工等多个领域的热用户，其用汽特性各不相同，可能同时具有趋势性、周期性和随机性的特点。预测模型通常可较好的识别趋势性与周期性，而对于随机性的识别能力较差。工业热用户的订单量、生产班制、检修周期、上游生产物资的供应以及政治政策等都是影响热负荷的因素，而占据主导因素的订单量和上游物资供应则主要取决于消费者行为以及原材料的市场特性等，由此导致工业热负荷具有较强的随机性，且订单量和上游物资供应难以作为小时等级的因素输入预测模型进行训练，造成预测模型输入的影响因素单一，导致预测难度较大。

对于热电厂而言，预测小时甚至分钟等级的工业总热负荷，才可指导其热力系统运行优化，因此有必要对区域性总的工业热负荷进行小时级别的预测。由于热电厂供给的工业热用户繁多，逐一预测再求取热负荷总和不仅会引起预测误差的不断叠加导致预测精度降低，而且使得预测时间过长。若将所有热用户的热负荷直接相加，再对总热负荷进行预测，又会掩盖各个用户热负荷特性中的细节难以被模型辨识，同样降低预测精度。

发明内容

针对以上存在的问题，本发明的目的在于提供一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，仅需输入用户逐时历史负荷数据，即可预测热电厂短期工业总热负荷，同时模型对工业热负荷的负荷特性进行双重识别，提高预测精度。

本发明采用以下技术方案：

一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，包括以下步骤：

S1：按照设定的采样间隔从热电厂工业用户数据库中读取预测时刻前 E天的各个工业用户的历史负荷数据；所述历史负荷数据为工业用户的蒸汽用量；

S2：采用平均比例法分别计算M个工业用户的热负荷占热电厂工业总热负荷的平均比例，剔除平均占比小于设定值Ⅰ的工业用户，保留剩余的 K个用户(K<M)；

S3：基于工业用户前E天的历史热负荷数据，采用时间序列法分别预测K个用户未来24小时的热负荷值；

S4：采用支持向量机建模和预测热电厂工业总热负荷，建模时，输入为预测时刻K个用户前F天(F<E)的历史实际负荷值，输出为热电厂M 个工业用户前F天的历史总热负荷值；模型预测时，输入为步骤S3中预测的K个用户未来24小时的热负荷值，输出为未来24小时的热电厂工业用户的总热负荷预测值。

所述步骤S1中，获取工业用户的历史负荷数据后，对历史负荷数据进行丢失数据的填充和错误数据的修正；

所述丢失数据的填充包括：假定一列数据中的某个数据出现丢失，以该数据点为中心，取前后G个数据按照数据大小进行排序，然后求取中间两个数据的平均值，得到这列数据的中位数，以此中位数填充缺失的值；

所述错误数据的修正包括：若某个用户某时刻的历史负荷值与读取的该用户的所有负荷数据的中位数之间的差值超过设定倍数的经过换算的中位数绝对偏差MAD，则该时刻的历史负荷值被定义为错误值，采用与填充丢失数据相同的方法修正；

MAD的计算式为：

MAD＝median(|X_t-median(X)|)

式中：X_t表示某个用户t某时刻的负荷值，X表示读取的某个用户的所有负荷值，median表示求取数据的中位数操作，当某时刻的负荷值 |X_t-median(X)|＞3MAD被认为是错误数据。

所述步骤S2中的平均比例法用于计算工业用户热负荷在该区域工业总热负荷中的平均占比，计算方法为：

假设某热电厂供给的区域共有M个工业热用户，读取了M个用户的 N个历史时刻的用汽量数据，则该区域工业用户样本集合X可表示为：

式中：X₁₁表示第一个时刻第一个用户的用汽量数据，X₁₂表示第一个时刻第二个用户的用汽量数据，X₂₁表示第二个时刻第一个用户的用汽量数据，其余由此类推；

M个用户N个时刻的用汽量占总用汽量的比例为：

式中：P_ij表示第i时刻的第j个工业用户的用汽量占比；

M个用户用汽量的平均占比分别为：

当

时，可忽略该热用户负荷，C为常数。

所述的时间序列模型的通用表达式可表示为：

Φ(L^S)(1-L^S)^DX_t＝Θ(L^S)ε_t

Φ(L^S)＝1-Φ₁L^S-Φ₂L^2S-…Φ_PL^PS

Θ(L^S)＝1-Θ₁L^S-Θ₂L^2S-…Θ_PL^qS

式中：{ε_t}～WN(0,σ²)，D为差分次数，L为滞后算子，S为周期，p为自回归阶数，q为滑动阶数。

所述的支持向量机模型表示为：

式中：α_i和

为拉格朗日乘子，b为偏移量，K(x_i,x)为核函数，选用为标准差为σ的高斯径向基函数

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述方法的步骤。

本发明的有益效果：

1.剔除平均占比小的用户并对其余分用户逐一预测，节约预测时间，提高模型辨识度。

2.模型只需输入热用户历史负荷数据即可预测热电厂工业总热负荷，极大降低信息收集的难度。

3.模型中的时间序列与支持向量机对工业热负荷中的随机性进行双重识别，提高预测精度。

附图说明

图1为本发明实施例的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

应该指出，以下详细说明都是例式性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的技术含义相同。

具体来说，本发明提供一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，包括以下步骤：

S1：按照设定的采样间隔从热电厂工业用户数据库中读取预测时刻前 E天的各个工业用户的历史负荷数据；所述历史负荷数据为工业用户的蒸汽用量；

S2：采用平均比例法分别计算M个工业用户的热负荷占热电厂工业总热负荷的平均比例，剔除平均占比小于设定值Ⅰ的工业用户，保留剩余的 K个用户(K<M)；

S3：基于工业用户前E天的历史热负荷数据，采用时间序列法分别预测K个用户未来24小时的热负荷值；

S4：采用支持向量机建模和预测热电厂工业总热负荷，建模时，输入为预测时刻K个用户前F天(F<E)的历史实际负荷值，输出为热电厂M 个工业用户前F天的历史总热负荷值；模型预测时，输入为步骤S3中预测的K个用户未来24小时的热负荷值，输出为未来24小时的热电厂工业用户的总热负荷预测值。

上述的步骤S1中，获取工业用户的历史负荷数据后，对历史负荷数据进行丢失数据的填充和错误数据的修正；

所述丢失数据的填充包括：假定一列数据中的某个数据出现丢失，以该数据点为中心，取前后G个数据按照数据大小进行排序，然后求取中间两个数据的平均值，得到这列数据的中位数，以此中位数填充缺失的值；

所述错误数据的修正包括：若某个用户某时刻的历史负荷值与读取的该用户的所有负荷数据的中位数之间的差值超过设定倍数的经过换算的中位数绝对偏差MAD，则该时刻的历史负荷值被定义为错误值，采用与填充丢失数据相同的方法修正；

MAD的计算式为：

MAD＝median(|X_t-median(X)|)

式中：X_t表示某个用户t某时刻的负荷值，X表示读取的某个用户的所有负荷值，median表示求取数据的中位数操作，当某时刻的负荷值 |X_t-median(X)|＞3MAD被认为是错误数据。

上述的步骤S2中的平均比例法用于计算工业用户热负荷在该区域工业总热负荷中的平均占比，计算方法为：

假设某热电厂供给的区域共有M个工业热用户，读取了M个用户的 N个历史时刻的用汽量数据，则该区域工业用户样本集合X可表示为：

式中：X₁₁表示第一个时刻第一个用户的用汽量数据，X₁₂表示第一个时刻第二个用户的用汽量数据，X₂₁表示第二个时刻第一个用户的用汽量数据，其余由此类推；

M个用户N个时刻的用汽量占总用汽量的比例为：

式中：P_ij表示第i时刻的第j个工业用户的用汽量占比；

M个用户用汽量的平均占比分别为：

当

时，可忽略该热用户负荷，C为常数。

上述的所述的时间序列模型的通用表达式可表示为：

Φ(L^S)(1-L^S)^DX_t＝Θ(L^S)ε_t

Φ(L^S)＝1-Φ₁L^S-Φ₂L^2S-…Φ_PL^PS

Θ(L^S)＝1-Θ₁L^S-Θ₂L^2S-…Θ_PL^qS

式中：{ε_t}～WN(0,σ²)，D为差分次数，L为滞后算子，S为周期，p为自回归阶数，q为滑动阶数。

上述的所述的支持向量机模型表示为：

式中：α_i和

为拉格朗日乘子，b为偏移量，K(x_i,x)为核函数，选用为标准差为σ的高斯径向基函数

如图1为本发明的一种具体的实施例，下面以该实施例说明本发明的具体实施过程。

该实施例包括以下步骤：

S1从热电厂工业用户数据库中读取预测时刻之前15天(360小时) 的各个工业用户历史热负荷数据(用户的蒸汽用量)，采样隔为小时，并对数据进行预处理，将读取数据中的丢失数据和错误数据进行填充和修正。

其中，对丢失数据的填充使用窗口长度为5的移动窗口中位数法进行填充，即一列数据中的某个数据出现了丢失，以该数据点为中心，取前后四个数据进行排序，然后求取中间两个数据的平均值得到这列数据的中位数，以此中位数填充缺失的值。

若某个时刻历史负荷值与读取的所有数据的中位数相差超过三倍经过换算的中位数绝对偏差(MAD)则被定义为错误值，采用与填充丢失数据相同的方法修正；MAD的计算式为：

MAD＝median(X_t-median(X))

式中：X_t表示某时刻的负荷值，X表示读取的某个用户的所有负荷值， median表示求取中位数，当某时刻的负荷值|X_t-median(X)|＞3MAD被认为是错误数据进行修正；

S2：采用平均比例法(AP)分别计算热电厂M个工业用户热负荷占热电厂工业总热负荷的平均比例，假设某热电厂供给的区域共有M个工业热用户，采集了M个用户的N(N＝360)个历史时刻的用汽量数据，则该区域用户样本集合X可表示为：

式中：X₁₁表示第一个时刻第一个用户的用汽量数据，X₁₂表示第一个时刻第二个用户的用汽量数据，X₂₁表示第二个时刻第一个用户的用汽量数据，其余由此类推；

M个用户N个时刻的用汽量占总用汽量的比例为：

式中：P_ij表示第i时刻的第j个工业用户的用汽量占比；

M个用户用汽量的平均占比分别为：

当

时，可剔除这些工业用户的热负荷，保留其余平均占比大的K个用户(K<M)，C为常数且可根据热电厂工业用户的具体的负荷特性而定；

S3：基于用户前15天的历史热负荷数据，采用时间序列法(TS)中的非平稳季节性模型(SARIMA)，分别预测K个用户未来24小时的热负荷值，模型的表达式可表示为：

Φ(L^S)(1-L^S)^DX_t＝Θ(L^S)ε_t

Φ(L^S)＝1-Φ₁L^S-Φ₂L^2S-…Φ_PL^PS

Θ(L^S)＝1-Θ₁L^S-Θ₂L^2S-…Θ_PL^qS

式中：{ε_t}～WN(0,σ²)，D为差分次数，L为滞后算子，S为周期，p为自回归阶数，q为滑动阶数：建模之前需多用户数据进行ADF检测判断数据的平稳性，若数据平稳则D＝0，若数据不平稳则需要对数据进行差分处理， D一般小于3；

S4：采用支持向量机(SVR)建模和预测，建模时，输入为预测时刻 K个用户前7天(168小时)的历史实际负荷值，输出为热电厂M个工业用户前7天的历史总热负荷值；模型预测时，输入为步骤S3中预测的K 个用户未来n小时的热负荷值，输出为未来n小时的热电厂工业用户的总热负荷预测值，支持向量机模型表示为：

式中：α_i和

为拉格朗日乘子，b为偏移量，K(x_i,x)为核函数，选用为标准差为σ的高斯径向基函数

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法的步骤。

其中，所述存储介质为一种存储器，可用于存储所述计算机程序和/或模块，所述通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述方法步骤。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，其特征在于，包括以下步骤：

S1：按照设定的采样间隔从热电厂工业用户数据库中读取预测时刻前E天的各个工业用户的历史负荷数据；所述历史负荷数据为工业用户的蒸汽用量；

S2：采用平均比例法分别计算M个工业用户的热负荷占热电厂工业总热负荷的平均比例，剔除平均占比小于设定值Ⅰ的工业用户，保留剩余的K个用户(K<M)；

S3：基于工业用户前E天的历史热负荷数据，采用时间序列法分别预测K个用户未来24小时的热负荷值；

S4：采用支持向量机建模和预测热电厂工业总热负荷，建模时，输入为预测时刻K个用户前F天(F<E)的历史实际负荷值，输出为热电厂M个工业用户前F天的历史总热负荷值；模型预测时，输入为步骤S3中预测的K个用户未来24小时的热负荷值，输出为未来24小时的热电厂工业用户的总热负荷预测值。

2.根据权利要求1所述的一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，其特征在于：

所述步骤S1中，获取工业用户的历史负荷数据后，对历史负荷数据进行丢失数据的填充和错误数据的修正；

所述丢失数据的填充包括：假定一列数据中的某个数据出现丢失，以该数据点为中心，取前后G个数据按照数据大小进行排序，然后求取中间两个数据的平均值，得到这列数据的中位数，以此中位数填充缺失的值；

所述错误数据的修正包括：若某个用户某时刻的历史负荷值与读取的该用户的所有负荷数据的中位数之间的差值超过设定倍数的经过换算的中位数绝对偏差MAD，则该时刻的历史负荷值被定义为错误值，采用与填充丢失数据相同的方法修正；

MAD的计算式为：

MAD＝median(|X_t-median(X)|)

式中：X_t表示某个用户t某时刻的负荷值，X表示读取的某个用户的所有负荷值，median表示求取数据的中位数操作，当某时刻的负荷值|X_t-median(X)|＞3MAD被认为是错误数据。

3.根据权利要求1所述的一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，其特征在于：

所述步骤S2中的平均比例法用于计算工业用户热负荷在该区域工业总热负荷中的平均占比，计算方法为：

假设某热电厂供给的区域共有M个工业热用户，读取了M个用户的N个历史时刻的用汽量数据，则该区域工业用户样本集合X可表示为：

式中：X₁₁表示第一个时刻第一个用户的用汽量数据，X₁₂表示第一个时刻第二个用户的用汽量数据，X₂₁表示第二个时刻第一个用户的用汽量数据，其余由此类推；

M个用户N个时刻的用汽量占总用汽量的比例为：

式中：P_ij表示第i时刻的第j个工业用户的用汽量占比；

M个用户用汽量的平均占比分别为：

当

时，可忽略该热用户负荷，C为常数。

4.根据权利要求1所述的一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，其特征在于：

所述的时间序列模型的通用表达式可表示为：

Φ(L^S)(1-L^S)^DX_t＝Θ(L^S)ε_t

Φ(L^S)＝1-Φ₁L^S-Φ₂L^2S-…Φ_PL^PS

Θ(L^S)＝1-Θ₁L^S-Θ₂L^2S-…Θ_PL^qS

式中：{ε_t}～WN(0,σ²)，D为差分次数，L为滞后算子，S为周期，p为自回归阶数，q为滑动阶数。

5.根据权利要求1所述的一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，其特征在于：

所述的支持向量机模型表示为：

式中：α_i和

为拉格朗日乘子，b为偏移量，K(x_i,x)为核函数，选用为标准差为σ的高斯径向基函数

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或5所述方法的步骤。

Images