CN112434856B - 一种基于设备组合状态转换的钢厂电力负荷预测方法 - Google Patents

Abstract

本发明涉及一种基于设备组合状态转换的钢厂电力负荷预测方法，属于电力负荷预测领域。通过隐马尔可夫HMM模型对钢厂主要用电设备工作状态进行组合转换，对转换后的组合状态进行分组，对于每一组状态，分别构建长短时记忆神经网络进行负荷预测模型的训练。将历史负荷数据分为样本集数据及测试集数据，其中样本集数据用于训练神经网络；测试集数据作为负荷预测输入数据，输入训练完成的神经网络得到负荷预测值。本发明通过针对不同设备组合状态分别构建负荷预测神经网络模型，提高了钢厂电力负荷预测的准确性，各个神经网络采用相同架构进行并行训练，提高了训练效率。

Description

一种基于设备组合状态转换的钢厂电力负荷预测方法

技术领域

本发明属于电力负荷预测领域，涉及一种基于设备组合状态转换的钢厂电力负荷预测方法。

背景技术

目前电力负荷预测方法主要可以分为时间序列预测法、回归分析预测法和人工智能预测法。对于电力用户来说，负荷预测的影响因素具有种类多、突发性和不确定性等特点，就时间序列预测法和回归分析预测法来说，负荷预测的准确度较低且鲁棒性较差，而以神经网络、支持向量机预测为代表的人工智能方法则比以上方法具有更好的表现，在近年来得到快速发展。然而常用的电力负荷预测方法并没有考虑钢厂电力负荷的特殊性，钢厂负荷一般取决于钢铁生产工况，而受天气、温度、季节等环境因素影响不大。因此，大多电力负荷预测方法无法直接套用于钢厂负荷的预测。

对于钢厂电力负荷预测，目前有针对设备类型根据其不同的用电特性进行分别预测，再叠加各个负荷分量构建得到总的钢厂负荷预测值。但单个设备的负荷特性捕捉难度较大，且需要针对各个设备的特点分别构建不同架构的预测模型，效率较低。

发明内容

有鉴于此，本发明的目的在于提供一种基于设备组合状态转换的钢厂电力负荷预测方法，解决现有技术中需要采用多种预测模型架构来分别预测负荷分量，叠加得到负荷预测值的技术问题。

为达到上述目的，本发明提供如下技术方案：

一种基于设备组合状态转换的钢厂电力负荷预测方法，包括以下步骤：

构建模型数据集：获取待预测时刻前钢厂各主要用电设备状态及历史负荷值；

所述主要用电设备包括精炼炉、冷轧机、热轧机等钢厂生产工艺中主要用电负荷。

设备组合状态转换：设备与设备之间进行状态组合，采用隐马尔可夫模型(HMM)通过状态转移矩阵将各个时刻的设备状态连接起来；

所述状态转移矩阵元素为设备由一种状态转移到另一种状态的概率。

所述状态组合具体组合方式为：共有K个设备，设备1共有n₁种状态，设备2共有n₂种状态，设备K共有n_k种状态，则包含K个设备的组合系统进行状态转换后共有n＝n₁×n₂···×n_k种可能的潜在状态。

提取待预测时刻状态：由各设备状态组合转换后的组合状态转移矩阵可以得到设备组合系统由一种状态转移到另一种状态的概率，提取概率最大的状态为待预测时刻状态，并按此状态进行分组，设备经组合状态转换后为相同的状态归为一个组别。

神经网络训练：将历史负荷数据样本集数据按其状态进行分组，分别构建神经网络模型进行训练。神经网络基本架构采用长短时记忆递归循环网络(LSTM)。

钢厂电力负荷预测：判断测试集数据待预测时刻的设备组合状态，并按状态对测试集数据分组，输入每一组状态对应的训练完成的神经网络，输出结果即为预测值。

进一步的，利用隐马尔可夫(HMM)模型对钢厂主要用电设备进行设备组合状态转换，由状态转移矩阵建立状态与状态之间的联系，矩阵元素为一种状态向另一种状态转移的概率，即矩阵元素a_ij表示设备从状态i在下一时刻向状态j转移的概率，如下所示：

式中，A⁽¹⁾表示设备1的状态转移矩阵，设备1共有n₁种状态；a₁₁表示设备从状态1在下一时刻向状态1转移的概率，表示设备从状态1在下一时刻向状态n₁转换的概率，/>表示设备从状态n₁在下一时刻向状态1转移的概率，/>表示设备从状态n₁在下一时刻向状态n₁转换的概率。

包含K个设备的组合系统总状态转移矩阵如下式所示：

式中，表示克罗内克积；A为设备组合系统的总状态转移矩阵，A⁽¹⁾、A⁽²⁾、A^(K)分别表示第1个设备、第2个设备、第K个设备的状态转移矩阵。设备1共有n₁种状态，设备2共有n₂种状态，设备K共有n_k种状态，则组合状态后，设备组合系统共有n＝n₁×n₂···×n_k种可能的潜在状态。

设备进行组合状态转换后，得到的总状态转移矩阵A矩阵元素a_ij表示设备组合系统从状态i在下一时刻向状态j转移的概率，对应每一输入状态，提取概率最大的状态作为转换后的组合状态，设备经组合状态转换后为相同的状态分为一个组别。

进一步的，对应每一个组合状态分别构建神经网络模型，采用的神经网络架构为长短时记忆递归神经网络(LSTM)。将历史负荷数据分为样本集数据和测试集数据，其中样本集数据用于神经网络的训练。样本集数据中，一组输入数据对应一个输出数据，训练过程中，神经网络输出数据拟合t时刻的负荷值，则将上一时刻的设备状态进行组合转换后提取t时刻的组合状态，将样本集数据按此状态进行分组，对于每一组状态构建相应的神经网络模型，对多组神经网络进行并行训练。LSTM通过“门”控制信息的传递，实现对记忆单元状态的遗忘或记忆，进而实现对长序列数据的信息记忆能力。单个LSTM基本单元包括遗忘门f_t、输入门i_t、输出门o_t、候选门将样本集负荷数据输入LSTM网络，具体运算公式如下所示：

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t·tanh(c_t)

式中，σ表示激活函数；x_t为输入数据，h_t、h_t-1为当前时刻和上一时刻的输出数据，f_t为遗忘门输出变量，i_t为输入门输出变量，o_t为输出门输出变量，为候选门输出变量；W_f、W_i、W_o、W_c分别为f_t、i_t、o_t、/>对应x_t的权重参数，U_f、U_i、U_o、U_c分别为f_t、i_t、o_t、/>对应h_t-1的权重参数，b_f、b_i、b_o、b_c分别为f_t、i_t、o_t、/>的偏置参数。

每一时刻，LSTM单元通过4个门接收当前时刻的输入x_t和上一时刻的输出h_t-1。此外，每一个门还接收一个记忆单元的状态c_t-1。输入门的输入经过非线性函数的变换及与候选门处理过的候选状态结合后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状态c_t。最终，记忆单元状态c_t通过非线性函数的运算和输出门的控制形成LSTM的输出h_t。

本发明的有益效果在于：

1、本发明通过对钢厂主要设备的状态进行组合转换，对待预测时刻的设备组合状态进行提取，从整体系统层面而非单个设备挖掘钢厂电力负荷特性，相比对单个钢厂设备进行负荷建模，更易挖掘到钢厂电力负荷特性，降低了钢厂负荷特性获取的难度。

2、本发明的钢厂电力负荷预测方法对每一个组合状态分别构建神经网络模型进行负荷预测，对不同的组合状态可以更有针对性地进行参数训练和拟合，进而实现更精确的负荷预测，提高了钢厂电力负荷预测的准确性。

3、本发明的钢厂电力负荷概率预测方法对多个神经网络模型进行并行训练，不同的组合状态均包含了所有设备，都可以采用相同的网络架构，提高了训练效率，更适用于大量负荷数据的训练。

4、本发明的钢厂电力负荷概率预测方法采用的神经网络架构为长短时记忆神经网络(LSTM)，相比传统单一的递归神经网络(RNN)，LSTM能够保留长时间的信息记忆，挖掘较长时间序列数据间的依赖性，记忆更多长时间的历史数据信息，适用于具有明显周期性且输入特征数据较为单一的钢厂负荷预测，准确度及效率都较高。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本具体实施方式中钢厂电力负荷预测模型的架构图；

图2为设备组合状态转换模型示意图；

图3为长短时记忆递归神经网络基本结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

参考图1所示，一种基于设备组合状态转换的钢厂电力负荷预测方法，包括设备组合状态转换模块及神经网络模块。输入设备状态数据进行组合转换得到设备组合系统的组合状态，对于每一个组合状态分别构建长短时记忆神经网络(LSTM)进行并行训练。将历史负荷数据进行按组合状态分组后输入神经网络进行训练和测试，输出预测负荷值。

本具体实施方式中，利用隐马尔可夫(HMM)模型对钢厂主要用电设备进行设备组合状态转换，由状态转移矩阵建立状态与状态之间的联系，矩阵元素为一种状态向另一种状态转移的概率，即矩阵元素a_ij表示设备从状态i在下一时刻向状态j转移的概率，如下所示：

式中，A⁽¹⁾表示设备1的状态转移矩阵，设备1共有n₁种状态；a₁₁表示设备从状态1在下一时刻向状态1转移的概率，表示设备从状态1在下一时刻向状态n₁转换的概率，/>表示设备从状态n₁在下一时刻向状态1转移的概率，/>表示设备从状态n₁在下一时刻向状态n₁转换的概率。

包含K个设备的组合系统总状态转移矩阵如下式所示：

式中，表示克罗内克积；A为设备组合系统的总状态转移矩阵，A⁽¹⁾、A⁽²⁾、A^(K)分别表示第1个设备、第2个设备、第K个设备的状态转移矩阵。设备1共有n₁种状态，设备2共有n₂种状态，设备K共有n_k种状态，则组合状态后，设备组合系统共有n＝n₁×n₂…×n_k种可能的潜在状态。

参考图2所示，设备1共有2种状态，设备2共有3种状态，则将两个设备进行组合后系统共有6种可能的潜在状态；各潜在状态之间的箭头表示存在转移概率，状态与状态之间以状态转移矩阵联系起来。

设备进行组合状态转换后，得到的总状态转移矩阵A矩阵元素a_ij表示设备组合系统从状态i在下一时刻向状态j转移的概率，对应每一输入状态，提取概率最大的状态作为转换后的组合状态，设备经组合状态转换后为相同的状态分为一个组别。

参考图3所示，本具体实施方式采用的神经网络架构为长短时记忆递归神经网络(LSTM)。将历史负荷数据分为样本集数据和测试集数据，其中样本集数据用于神经网络的训练。样本集数据中，一组输入数据对应一个输出数据，训练过程中，神经网络输出数据拟合t时刻的负荷值，则将上一时刻的设备状态进行组合转换后提取t时刻的组合状态，将样本集数据按此状态进行分组，对于每一组状态构建相应的神经网络模型，对多组神经网络进行并行训练。LSTM通过“门”控制信息的传递，实现对记忆单元状态的遗忘或记忆，进而实现对长序列数据的信息记忆能力。单个LSTM基本单元包括遗忘门f_t、输入门i_t、输出门o_t、候选门将样本集负荷数据输入LSTM网络，具体运算公式如下所示：

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t·tanh(c_t)

式中，σ表示激活函数；x_t为输入数据，h_t、h_t-1为当前时刻和上一时刻的输出数据，f_t为遗忘门输出变量，i_t为输入门输出变量，o_t为输出门输出变量，为候选门输出变量；W_f、W_i、W_o、W_c分别为f_t、i_t、o_t、/>对应x_t的权重参数，U_f、U_i、U_o、U_c分别为f_t、i_t、o_t、/>对应h_t-1的权重参数，b_f、b_i、b_o、b_c分别为f_t、i_t、o_t、/>的偏置参数。

每一时刻，LSTM单元通过4个门接收当前时刻的输入x_t和上一时刻的输出h_t-1。此外，每一个门还接收一个记忆单元的状态c_t-1。输入门的输入经过非线性函数的变换及与候选门处理过的候选状态结合后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状态c_t。最终，记忆单元状态c_t通过非线性函数的运算和输出门的控制形成LSTM的输出h_t。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于设备组合状态转换的钢厂电力负荷预测方法，其特征在于：该方法包括以下步骤：

构建模型数据集：获取待预测时刻前钢厂各用电设备状态及历史负荷值；

所述用电设备包括精炼炉、冷轧机和热轧机；

设备组合状态转换：设备与设备之间进行状态组合，采用隐马尔可夫模型HMM通过状态转移矩阵将各个时刻的设备状态连接起来；

所述状态转移矩阵元素为设备由一种状态转移到另一种状态的概率；

所述状态组合具体组合方式为：共有K个设备，设备1共有n₁种状态，设备2共有n₂种状态，设备K共有n_k种状态，则包含K个设备的组合系统进行状态转换后共有n＝n₁×n₂···×n_k种可能的潜在状态；

提取待预测时刻状态：由各设备状态组合转换后的组合状态转移矩阵得到设备组合系统由一种状态转移到另一种状态的概率，提取概率最大的状态为待预测时刻状态，并按此状态进行分组，设备经组合状态转换后为相同的状态归为一个组别；

神经网络训练：将历史负荷数据样本集数据按其状态进行分组，分别构建神经网络模型进行训练；神经网络基本架构采用长短时记忆递归循环网络LSTM；

钢厂电力负荷预测：判断测试集数据待预测时刻的设备组合状态，并按状态对测试集数据分组，输入每一组状态对应的训练完成的神经网络，输出结果即为预测值；

利用所述隐马尔可夫模型HMM对钢厂主要用电设备进行设备组合状态转换，由状态转移矩阵建立状态与状态之间的联系，矩阵元素为一种状态向另一种状态转移的概率，即矩阵元素a_ij表示设备从状态i在下一时刻向状态j转移的概率，如下所示：

式中，A⁽¹⁾表示设备1的状态转移矩阵，设备1共有n₁种状态；a₁₁表示设备从状态1在下一时刻向状态1转移的概率，表示设备从状态1在下一时刻向状态n₁转换的概率，/>表示设备从状态n₁在下一时刻向状态1转移的概率，/>表示设备从状态n₁在下一时刻向状态n₁转换的概率；

包含K个设备的组合系统总状态转移矩阵如下：

式中，表示克罗内克积；A为设备组合系统的总状态转移矩阵，A⁽¹⁾、A⁽²⁾、A^(K)分别表示第1个设备、第2个设备、第K个设备的状态转移矩阵；设备1共有n₁种状态，设备2共有n₂种状态，设备K共有n_k种状态，则组合状态后，设备组合系统共有n＝n₁×n₂···×n_k种可能的潜在状态；

设备进行组合状态转换后，得到的总状态转移矩阵A矩阵元素a_ij表示设备组合系统从状态i在下一时刻向状态j转移的概率，对应每一输入状态，提取概率最大的状态作为转换后的组合状态，设备经组合状态转换后为相同的状态分为一个组别；

对应每一个所述组合状态分别构建神经网络模型，采用的神经网络架构为长短时记忆递归神经网络LSTM；将历史负荷数据分为样本集数据和测试集数据，其中样本集数据用于神经网络的训练；样本集数据中，一组输入数据对应一个输出数据，训练过程中，神经网络输出数据拟合t时刻的负荷值，则将上一时刻的设备状态进行组合转换后提取t时刻的组合状态，将样本集数据按此状态进行分组，对于每一组状态构建相应的神经网络模型，对多组神经网络进行并行训练。

2.根据权利要求1所述的一种基于设备组合状态转换的钢厂电力负荷预测方法，其特征在于：所述LSTM通过“门”控制信息的传递，实现对记忆单元状态的遗忘或记忆，进而实现对长序列数据的信息记忆能力；单个LSTM基本单元包括遗忘门f_t、输入门i_t、输出门o_t、候选门将样本集负荷数据输入LSTM网络，具体运算公式如下所示：

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

h_t＝o_t·tanh(c_t)

式中，σ表示激活函数；x_t为输入数据，h_t、h_t-1为当前时刻和上一时刻的输出数据，f_t为遗忘门输出变量，i_t为输入门输出变量，o_t为输出门输出变量，为候选门输出变量；W_f、W_i、W_o、W_c分别为f_t、i_t、o_t、/>对应x_t的权重参数，U_f、U_i、U_o、U_c分别为f_t、i_t、o_t、/>对应h_t-1的权重参数，b_f、b_i、b_o、b_c分别为f_t、i_t、o_t、/>的偏置参数；

每一时刻，LSTM单元通过4个门接收当前时刻的输入x_t和上一时刻的输出h_t-1；每一个门还接收一个记忆单元的状态c_t-1；输入门的输入经过非线性函数的变换及与候选门处理过的候选状态结合后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状态c_t；最终，记忆单元状态c_t通过非线性函数的运算和输出门的控制形成LSTM的输出h_t。