CN112199812A - 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法 - Google Patents

基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法 Download PDF

Info

Publication number
CN112199812A
CN112199812A CN202010832130.7A CN202010832130A CN112199812A CN 112199812 A CN112199812 A CN 112199812A CN 202010832130 A CN202010832130 A CN 202010832130A CN 112199812 A CN112199812 A CN 112199812A
Authority
CN
China
Prior art keywords
data
array
load
time
trend
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
Application number
CN202010832130.7A
Other languages
English (en)
Other versions
CN112199812B (zh
Inventor
王恒涛
孙思宇
柳玉宾
纪宇飞
张宇龙
程思博
王莹
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.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
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 Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202010832130.7A priority Critical patent/CN112199812B/zh
Publication of CN112199812A publication Critical patent/CN112199812A/zh
Application granted granted Critical
Publication of CN112199812B publication Critical patent/CN112199812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，该方法基于历史数据的用能趋势回归分析，实现了工业用户用能特性的历史规律特征提取，基于用户历史数据特征趋势，得到当前时刻未来一时段的预测负荷。本发明方法采用了最小均差计算评价方法和迭代计算方法，为提高预测的精度，算法中采用数据标准化处理技术，即在回归分析中仅提取历史数据的趋势特征，以此去除因用户生产量不同造成的总体数据不匹配问题。本发明对于工业蒸汽的用户负荷预测，具有更加的精确度和适应性。

Description

基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法
技术领域
本发明涉及一种方法，尤其是涉及一种基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，它是一种燃气分布式能能源系统工业蒸汽负荷预测技术，该方法基于历史数据的趋势回归分析，实现了工业用户用能特性的历史规律特征提取，从而基于历史数据特征回归得到当前时刻下一时段的预测负荷。
背景技术
目前在燃气分布式负荷预测方面采用较多的是基于时间、季节、气候等关联的负荷预测方法，该类方法适合处理居民用户负荷技术，而对于工业蒸汽负荷与时间、季节、气候等的关联性差，而更多的与自身生产计划和规模相关。
历史负荷数据记录所反应的正是用户工业生产计划与规模等特性，因此提供一种基于历史数据回归分析的负荷预测方法，显得尤为必要。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种具有更加的精确度和适应性的基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法。
本发明解决上述问题所采用的技术方案是：该基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：具体步骤如下：
S1)：参数初始化
1)预测时间长度τ，默认选择τ＝24小时；
2)历史数据截取时刻点T0＝t-τ；
3)历史数据截取计数k＝1；
4)移动步长S，默认S＝1分钟；
5)前n个匹配好的数据数组DTop[n,m](n行m列的二维数组)；
6)前n个匹配好的数据对应时刻数组TTop[n](大小为n的一维数组)；
7)前n个匹配好的数据对应均差数组StdTop[n](大小为n的一维数组)；
S2)：提取当前时刻t之前T时间内的负荷数据，作为匹配数据D(m)，m表示T数据内数据点数，并将D标准化；
S3)：从T0开始往过去时间截取时间长度T,即[T0-T,T0]的数据，得到数据Dk(m)，并将Dk标准化；
S4)：计算均差，公式如下：
Figure BDA0002638382640000021
S5)：按照Std(|D-Dk|)，在StdTop[n,1]数组中进行冒泡排序(均差越小，排序越前)，确定出Dk的排序位置；如果超出n则丢弃；如果Dk与DTop中的数据有重叠的数据段，则保留排序前的，丢弃排序后的；按照新的排序，更新DTop、TTop和StdTop数组；
S6)：k＝k+1；T0＝T0-S·k，重复进行S2)—S6)步骤，直到T0遍历完近K年(默认K＝2)的负荷数据，进入S7)；
S7)：将TTop中的时刻点的后τ时间长度的数据提取出来，得到DTop数据对应的τ时长的负荷趋势Dtop,τ[n,s]，s表示τ时间内数据点数，并进行标准化后加权平均，作为当前时刻t未来τ时间的负荷趋势Dt,τ[s]。其中加权平均计算方法为：
Figure BDA0002638382640000022
其中
Figure BDA0002638382640000023
S8)：将S7)得到的负荷趋势进行逆标准化到D的数据范围内，即[0,1]线性映射到[Dmin,Dmax]，得到当前时刻t未来τ时间的预测负荷。
作为优选，本发明所述数组定义为D(n：m)表示n行，m列的数组。
作为优选，本发明所述的数组标准化和逆标准化具体定义如下：标准化：对于数组D标准化，计算数组D的平均值e和标准差δ，将其中每个元素进行变换
Figure BDA0002638382640000024
x∈D，z为变换后的新值；如果δ<ε(ε为根据实际应用定义的阈值范围)，数据统一变换为0；逆标准化：对于标准化后的数组D的逆操作，将数组D中的每个元素进行逆变换x＝z·δ+e,z∈D。
作为优选，本发明的S2)—S6)是个迭代计算过程，不断迭代更新DTop、TTop和StdTop数组。
作为优选，本发明的S7)中：将TTop时刻后未来τ时间负荷归一化后加权平均值作为未来τ时间的负荷趋势，其中参数αi最后加1是为了保证n＝1时ωo为有效值。
作为优选，本发明的S8)中：S7)得到的未来τ时间的负荷趋势通过逆标准化生成当前时刻t未来τ时间的预测负荷。
本发明与现有技术相比，具有以下优点和效果：对于工业蒸汽的用户负荷预测，具有更加的精确度和适应性；采用了最小均差计算评价方法和迭代计算方法，为提高预测的精度，算法中采用数据标准化处理技术，即在回归分析中仅提取历史数据的趋势特征，以此去除因用户生产量不同造成的总体数据不匹配问题。
具体实施方式
下面结合并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例。
本实施例基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：具体步骤如下：
S1)：参数初始化
1)预测时间长度τ，默认选择τ＝24小时；
2)历史数据截取时刻点T0＝t-τ；
3)历史数据截取计数k＝1；
4)移动步长S，默认S＝1分钟；
5)前n个匹配好的数据数组DTop[n,m](n行m列的二维数组)；
6)前n个匹配好的数据对应时刻数组TTop[n](大小为n的一维数组)；
7)前n个匹配好的数据对应均差数组StdTop[n](大小为n的一维数组)。
S2)：提取当前时刻t之前T时间内的负荷数据，作为匹配数据D(m)，m表示T数据内数据点数，并将D标准化。
S3)：从T0开始往过去时间截取时间长度T,即[T0-T,T0]的数据，得到数据Dk(m)，并将Dk标准化。
S4)：计算均差，公式如下：
Figure BDA0002638382640000041
S5)：按照Std(|D-Dk|)，在StdTop[n,1]数组中进行冒泡排序(均差越小，排序越前)，确定出Dk的排序位置；如果超出n则丢弃；如果Dk与DTop中的数据有重叠的数据段，则保留排序前的，丢弃排序后的；按照新的排序，更新DTop、TTop和StdTop数组。
S6)：k＝k+1；T0＝T0-S·k，重复进行S2)—S6)步骤，直到T0遍历完近K年(默认K＝2)的负荷数据，进入S7)。
S7)：将TTop中的时刻点的后τ时间长度的数据提取出来，得到DTop数据对应的τ时长的负荷趋势Dtop,τ[n,s]，s表示τ时间内数据点数，并进行标准化后加权平均，作为当前时刻t未来τ时间的负荷趋势Dt,τ[s]。其中加权平均计算方法为：
Figure BDA0002638382640000042
其中
Figure BDA0002638382640000043
S8)：将S7)得到的负荷趋势进行逆标准化到D的数据范围内，即[0,1]线性映射到[Dmin,Dmax]，得到当前时刻t未来τ时间的预测负荷。
本实施例数组定义为D(n：m)表示n行，m列的数组。
本实施例的数组标准化和逆标准化具体定义如下：标准化：对于数组d标准化，计算数组D的平均值e和标准差δ，将其中每个元素进行变换
Figure BDA0002638382640000044
x∈D，z为变换后的新值；如果δ<ε(ε为根据实际应用定义的阈值范围)，数据统一变换为0；逆标准化：对于标准化后的数组D的逆操作，将数组D中的每个元素进行逆变换x＝z·δ+e,z∈D。
本实施例的S2)—S6)是个迭代计算过程，不断迭代更新更新DTop、TTop和StdTop数组。
本实施例的S7)中：将TTop时刻后未来τ时间负荷归一化后加权平均值作为未来τ时间的负荷趋势，其中参数αi最后加1是为了保证n＝1时ωi为有效值。
本实施例的S8)中：S7)得到的未来τ时间的负荷趋势通过逆标准化生成当前时刻t未来τ时间的预测负荷。
本实施例基于大数据的建模分析，利用历史数据回归分析的方法，得到历史上同样生产计划和规模下的负荷情况，通过数据匹配回归分析得到当前时刻下一步的预测负荷情况。
通过上述阐述，本领域的技术人员已能实施。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：具体步骤如下：
S1)：参数初始化
1)预测时间长度τ，默认选择τ＝24小时；
2)历史数据截取时刻点T0＝t-τ；
3)历史数据截取计数k＝1；
4)移动步长S，默认S＝1分钟；
5)前n个匹配好的数据数组DTop[n,m]；
6)前n个匹配好的数据对应时刻数组TTop[n]；
7)前n个匹配好的数据对应均差数组StdTop[n]；
S2)：提取当前时刻t之前T时间内的负荷数据，作为匹配数据D(m)，m表示T数据内数据点数，并将D标准化；
S3)：从T0开始往过去时间截取时间长度T,即[T0-T,T0]的数据，得到数据Dk(m)，并将Dk标准化；
S4)：计算均差，公式如下：
Figure FDA0002638382630000011
S5)：按照Std(|D-Dk|)，在StdTop[n,1]数组中进行冒泡排序，确定出Dk的排序位置；如果超出n则丢弃；如果Dk与DTop中的数据有重叠的数据段，则保留排序前的，丢弃排序后的；按照新的排序，更新DTop、TTop和StdTop数组；
S6)：k＝k+1；T0＝T0-S·k，重复进行S2)—S6)步骤，直到T0遍历完近K年的负荷数据，默认K＝2，进入S7)；
S7)：将TTop中的时刻点的后τ时间长度的数据提取出来，得到DTop数据对应的τ时长的负荷趋势Dtop,τ[n,s]，s表示τ时间内数据点数，并进行标准化后加权平均，作为当前时刻t未来τ时间的负荷趋势Dt,τ[s]；其中加权平均计算方法为：
Figure FDA0002638382630000012
其中
Figure FDA0002638382630000021
S8)：将S7)得到的负荷趋势进行逆标准化到D的数据范围内，即[0,1]线性映射到[Dmin,Dma4]，得到当前时刻t未来τ时间的预测负荷。
2.根据权利要求1所述的基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：所述数组定义为D(n：m)表示n行，m列的数组。
3.根据权利要求1所述的基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：所述的数组标准化和逆标准化具体定义如下：
标准化：对于数组D标准化，计算数组D的平均值e和标准差δ，将其中每个元素进行变换
Figure FDA0002638382630000022
z为变换后的新值；如果δ<ε；ε为根据实际应用定义的阈值范围，数据统一变换为0；
逆标准化：对于标准化后的数组D的逆操作，将数组D中的每个元素进行逆变换x＝z·δ+e,z∈D。
4.根据权利要求1所述的基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：S2)—S6)是个迭代计算过程，不断迭代更新DTop、TTop和StdTop数组。
5.根据权利要求1所述的基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：S7)中：将TTop时刻后未来τ时间负荷归一化后加权平均值作为未来τ时间的负荷趋势，其中参数αi最后加1是为了保证n＝1时(i为有效值。
6.根据权利要求1所述的基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法，其特征在于：S8)中：S7)得到的未来τ时间的负荷趋势通过逆标准化生成当前时刻t未来τ时间的预测负荷。
CN202010832130.7A 2020-08-18 2020-08-18 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法 Active CN112199812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832130.7A CN112199812B (zh) 2020-08-18 2020-08-18 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832130.7A CN112199812B (zh) 2020-08-18 2020-08-18 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法

Publications (2)

Publication Number Publication Date
CN112199812A true CN112199812A (zh) 2021-01-08
CN112199812B CN112199812B (zh) 2022-10-28

Family

ID=74005573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832130.7A Active CN112199812B (zh) 2020-08-18 2020-08-18 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法

Country Status (1)

Country Link
CN (1) CN112199812B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
CN110197296A (zh) * 2019-04-25 2019-09-03 浙江浙能技术研究院有限公司 一种基于时间序列相似性的机组负荷预测方法
CN110210661A (zh) * 2019-05-28 2019-09-06 新奥数能科技有限公司 一种基于用户用能特性的中长期负荷预测方法及装置
WO2019200742A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 短期盈利的预测方法、装置、计算机设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6611726B1 (en) * 1999-09-17 2003-08-26 Carl E. Crosswhite Method for determining optimal time series forecasting parameters
WO2019200742A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 短期盈利的预测方法、装置、计算机设备和存储介质
CN110197296A (zh) * 2019-04-25 2019-09-03 浙江浙能技术研究院有限公司 一种基于时间序列相似性的机组负荷预测方法
CN110210661A (zh) * 2019-05-28 2019-09-06 新奥数能科技有限公司 一种基于用户用能特性的中长期负荷预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李富鹏等: "基于大数据和多因素组合分析的单元制配电网精细化负荷预测", 《智慧电力》 *
黄玉龙等: "基于可信区间的模糊线性回归动态负荷参数预测", 《电工技术学报》 *

Also Published As

Publication number Publication date
CN112199812B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN111488984B (zh) 一种用于训练轨迹预测模型的方法和轨迹预测方法
CN112699913A (zh) 一种台区户变关系异常诊断方法及装置
CN111401599B (zh) 一种基于相似性搜索和lstm神经网络的水位预测方法
KR100915339B1 (ko) 이중 단계 가상 계측 방법
CN110442911B (zh) 一种基于统计机器学习的高维复杂系统不确定性分析方法
CN113743013A (zh) 一种基于XGBoost气温预测数据修正的方法
CN113065223B (zh) 一种塔桅集群数字孪生模型多等级概率修正方法
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN113779113B (zh) 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统
CN113095547B (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
CN112199812B (zh) 基于趋势回归分析的燃气能源系统工业蒸汽负荷预测方法
CN114706900B (zh) 一种基于图像特征组合的降水相似预报方法
CN116050652A (zh) 基于局部注意力增强模型的径流预测方法
CN116384538A (zh) 一种流域径流预报方法、装置及存储介质
CN113707213B (zh) 基于对比图神经网络的蛋白质结构快速分类方法
CN112466410B (zh) 蛋白质与配体分子结合自由能的预测方法及装置
CN110673470B (zh) 基于局部加权因子模型的工业非平稳过程软测量建模方法
CN113701711A (zh) 基于北斗定位与气压计的高精度定位方法及系统
CN114741548A (zh) 一种基于小样本学习的桑叶病虫害检测方法
CN113138395A (zh) 一种基于全站仪的激光雷达数据融合的点云地图构建方法
Kesavavarthini et al. Bias correction of CMIP6 simulations of precipitation over Indian monsoon core region using deep learning algorithms
CN112580899A (zh) 一种融合机器学习模型的中长期风力发电预测方法及系统
CN113971372B (zh) 基于神经网络的风速预测方法及装置
CN117808175B (zh) 一种基于DTformer的短期多能源负荷预测方法
CN115186941B (zh) 基于多种时空指标及综合排序的变量优选气候模式的方法

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