CN113837459B - 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 - Google Patents
一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 Download PDFInfo
- Publication number
- CN113837459B CN113837459B CN202111084120.0A CN202111084120A CN113837459B CN 113837459 B CN113837459 B CN 113837459B CN 202111084120 A CN202111084120 A CN 202111084120A CN 113837459 B CN113837459 B CN 113837459B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- predicted
- time
- unit
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000001556 precipitation Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003442 weekly effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 6
- 239000003245 coal Substances 0.000 abstract description 3
- 238000006477 desulfuration reaction Methods 0.000 abstract description 3
- 230000023556 desulfurization Effects 0.000 abstract description 3
- 239000002002 slurry Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种基于RF‑DTW的智能电厂燃煤发电机组短期负荷预测方法,包括步骤:获取当前时间作为预测时刻;从机组的数据库中获取历史数据;对历史数据进行预处理;根据预测时刻计算预测时刻前一周的平均负荷。本发明的有益效果是:本发明克服了仅用机组历史负荷数据预测机组负荷的局限性,本发明基于RF‑DTW算法,给出了任意当前时间点24小时内的机组负荷预测值,确保了未来24小时内机组负荷预测的最大误差小于5%;据此可以为燃煤发电机组的循环水泵、磨煤机、脱硫浆液循环泵等重要辅机的启停优化操作提供决策支撑,对燃煤发电机组在确保安全的基础上尽可能提高机组的经济运行水平具有重要意义,具有广阔的推广前景。
Description
技术领域
本发明属于燃煤发电过程控制领域,尤其涉及一种融合RF和DTW的智能电厂燃煤发电机组短期负荷预测方法。
背景技术
当今正处于智能化时代,各行各业都在积极争取向智能化转型升级,具有资金密集型和技术密集型双重特征的燃煤发电企业也开始由传统电厂向智能电厂迈进。智能电厂的核心在发电过程控制的智能化。其中:随着机组负荷的改变,汽机侧的循环水泵和锅炉侧的磨煤机、脱硫浆液循环泵等重要辅机的启停优化具有可观的经济效益,因而成为智能电厂建设的重点内容之一。这些辅机的连续稳定运行对整个机组的安全生产至关重要,而且它们的电机属于高压电机,不容许频繁启停。这就离不开对机组负荷的短期(根据电厂实际,此处短期指24小时以内)精准预测。
目前对燃煤发电机组短期负荷预测的研究应用主要分以下两个方面:
1)通过机组的实时图像和运行参数软测量机组负荷。比如:采用SVM方法并通过辨识锅炉炉膛火焰辐射图像以软测量机组负荷;通过主蒸汽压力、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、高压调节阀开度、凝汽器真空、凝结水流量、给水流量等8个运行参数软测量机组负荷;等等。
2)通过机组历史负荷数据预测机组负荷。比如:利用HMF算法将预测时间点之前几个小时的负荷序列与同时段的历史负荷数据进行相似性匹配,利用最相似日的负荷变化趋势对未来负荷做出预测;通过分数阶累加生成变换得到机组历史负荷数据的分数阶累加生成序列,再利用机组负荷数据预测模型预测机组负荷的分数阶累加生成序列,最后通过对预测的机组负荷的分数阶累加生成序列进行分数阶累减后还原得到火电厂负荷的在线预测值;等等。
对机组负荷的软测量本质上是对实时值的预估,因预测时间过短不能满足燃煤发电机组循环水泵等重要辅机启停优化的需要。在我国努力建设资源节约型和环境友好型社会的发展战略下,太阳能、风能、水能等清洁能源发电占比在不断增加,燃煤发电量占比相应地逐年下降。而且,清洁能源发电量具有随天气而变的不确定性,比如风能发电量与风速之间、水能发电量与降水之间存在直接关联。这样,燃煤发电机组的负荷预测仅仅依据于历史负荷数据的预测已经缺乏足够的说服力。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法。
这种基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,包括以下步骤:
步骤1、获取当前时间作为预测时刻Tnow;
步骤2、从机组的数据库中获取历史数据,历史数据的形式为:
上式中,历史数据矩阵Fa1中各列分别表示机组负荷、降水、气压、风速、气温、湿度数据;历史数据矩阵Fa1中各行分别表示不同时间的机组负荷、降水、气压、风速、气温、湿度数据;历史数据矩阵Fa1为历史数据组成的矩阵;
步骤3、对历史数据进行预处理;
步骤4、根据预测时刻Tnow计算预测时刻前一周的平均负荷Fweek-mean:
Fweek-mean=[uj1,uj2,...ujn]
上式中,uj1,uj2,...ujn指前一周每半小时的平均负荷,其中j是计算的首字母,n为计算的平均负荷次数;实际上为7*24*2=336;
步骤5、使用随机森林算法计算气象数据和机组负荷之间的权重因子VIMm;
首先计算Gini指数:
上式中,K表示有K个类别,pmk表示节点m中类别k所占的比例;GIm指节点m的基尼数;气象数据包括:气温、气压、风温、湿度和降水数据;
然后计算机组负荷在节点中的权重:
VIMm=GIm-GIl-GIr
上式中,GIl和GIr分别表示分枝后两个新节点后,两个新节点的Gini指数;
步骤6、对历史负荷数据Fa1进行数据归一化处理,得到归一化数据矩阵Fa-norm,消除量纲对相似度计算的影响;
上式中,Fa-norm为历史数据的归一化数值,Fa-max为最大值,Fa-min为最小值;上式将历史数据矩阵Fa1映射到[0,1]区间;其中历史数据包括负荷、降水、气压、风速、气温、湿度数据;
步骤7、根据当前的预测时刻Tnow获取相似时刻数据,取相似时刻数据所在日的前一年同期、前一年同期前后设定时间段的数据和预测时刻所在日前设定天数的数据;
步骤8、加入权重因子VIMm,根据DTW原理计算多元数据之间的相似矩阵B,将之转换为相似度输出相似度最大的曲线;其中dist为欧式距离;
步骤9、使用周平均负荷对应时刻的值跟最相似曲线的乘积作为预测负荷,将预测负荷追加到历史数据库中,预测负荷参与每一次的预测数据合并;
步骤10、判断循环迭代次数是否达到48次(预测时刻后24小时的计算值,每半小时的负荷预测计算一次,合计计算48次),若循环迭代次数未达到48次则执行步骤7至步骤9,直至循环迭代次数达到48次;若循环迭代次数达到48次,则执行步骤11;
步骤11、将预测负荷合并,读入前一日的预测误差,根据前一日的预测误差进行修正,并将修正后的24小时预测负荷进行卡尔曼滤波平滑处理;其中修正的具体方式为前一日的预测误差与对应预测时刻的预测值之和;
步骤12、输出预测负荷和实际负荷的误差:
Ferror(i)=Fpra-Fforecast
上式中,Fpra为预测负荷;
步骤13、将预测负荷Fpra写入数据库,用于软件绘图展示。
作为优选,步骤2中数据库为PI数据库;步骤2选取的历史数据包括时间、降水、气压、风速、气温和湿度数据。
作为优选,步骤3中的数据预处理包括缺失值填充,缺失值填充具体为将历史数据中负荷值小于0MW的值替换为0MW。
作为优选,步骤5中的气象数据包括气温、气压、风温、湿度和降水数据。
作为优选,步骤7中相似时刻数据为预测时刻所在日的前一年同期、预测时刻所在日前一年同期前后各10天的历史数据和预测时刻所在日的前7天的历史数据,历史数据包括负荷、降水、气压、风速、气温、湿度数据;步骤7具体为:根据当前的预测时刻Tnow获取相似前一年同期的历史数据、前一年同期前后各10天的历史数据和预测时刻所在日期前7天历史负荷数据;步骤7具体包括以下步骤:
步骤7.1、根据相似性原理,从历史数据中搜索出历史中21天数据,组成相似数据矩阵Fyear:
上式中,矩阵Fyear中6列分别表示机组负荷和5类气象数据,5类气象数据包括降水、气压、风速、气温和湿度数据;21行代表的是去年同期及去年同期前后各10天总共21天的机组负荷和气象数据;
步骤7.2、根据相似性原理,从历史数据中搜索出前7天数据,组成相似数据矩阵Fweek:
矩阵Fweek中6列分别表示机组负荷和5类气象数据;7行代表的是预测时刻前一周共7天的机组负荷和5类气象数据。
作为优选,步骤8具体包括如下步骤:
步骤8.1、引入权重因子VIMm,将每一个特征的权重因子添加到特征上计算出相似矩阵B:
上式中,d(xi,yj)为两个做相似性比较的时序序列各点之间的欧式距离,其中i为1至m之间的正整数,j为1至n之间的正整数;
步骤8.2、根据相似性矩阵B计算相似度相似度数值最大的曲线S(tj)为最相似曲线S(tj):
S(tj)=[sj1,sj2,...sjn]
上式中,sj1,sj2,...sjn表示时刻tj的相似日负荷曲线由n个相似度数据组成(欧式距离dist越小相似度越高)。
作为优选,步骤11具体包括如下步骤:
步骤11.1、将每一预测的数据进行合并,组合成完整的负荷预测负荷矩阵Fforecast':
Fforecast'=[u1,u2,...u97]T
上式中,u1,u2,...u97表示24小时每一刻钟取一个预测负荷,加上收尾合计97个数据点;
步骤11.2、引入前一日预测的误差Ferror(i-1):
Ferror(i-1)=[sj-11,sj-12,...sj-1n]
将对应时刻的Ferror(i-1)到预测负荷上
Fforecast=Fforecast'+Ferror(i-1)
上式中,Fforecast为实际预测负荷值,Fforecast'为预估值,Ferror(i-1)为前一日预测负荷与实际负荷的偏差值;sj1,sj2,...sjn表示时刻tj的相似日负荷曲线由n个相似度数据组成(欧式距离dist越小相似度越高);u1,u2,...u97表示24小时的每一刻钟选取一个数据,加上收尾合计97个数据点;
步骤11.3、根据卡尔曼滤波原理,对预测负荷进行滤波平滑处理:
xk=Axk-1+Buk+wk
上式中,xk、xk-1分别是k时刻、k-1时刻的系统状态,uk是k时刻对系统的控制量,wk是过程噪声,A和B是系统参数。
本发明的有益效果是:
本发明将机组历史负荷数据、实时负荷数据与气象数据结合起来,用随机森林算法(RF)计算机组负荷和气温、气压、风速、湿度、降水等气象数据之间的相关性,用动态时间规整算法(DTW)预测短期机组负荷;本发明兼顾了机组历史负荷数据、机组实时负荷数据和天气预报数据。
本发明克服了仅用机组历史负荷数据预测机组负荷的局限性,本发明基于RF-DTW算法,给出了任意当前时间点24小时内的机组负荷预测值,确保了未来24小时内机组负荷预测的最大误差小于5%;据此可以为燃煤发电机组的循环水泵、磨煤机、脱硫浆液循环泵等重要辅机的启停优化操作提供决策支撑,对燃煤发电机组在确保安全的基础上尽可能提高机组的经济运行水平具有重要意义,具有广阔的推广前景。
本发明基于机组负荷历史数据、实时数据和未来一天的天气预报,给出了未来一天24小时内的负荷预测数据;本发明体现了将历史大数据和天气预报数据相结合的思想,相对于只依据机组历史负荷数据的负荷预测,其预测结果更加精准,本发明不仅适用于1000MW燃煤发电机组,也适用于600MW、300MW等其它等级燃煤发电机组,具有极强的实用推广价值。
附图说明
图1为基于RF-DTW的负荷预测建模参数图;
图2为基于RF-DTW算法的负荷预测的流程图;
图3-1为2020年8月7日半小时内机组负荷预测值与实际值最大误差示意图;图3-2为2020年8月11日半小时内机组负荷预测值与实际值最大误差示意图;图3-3为2020年8月12日半小时内机组负荷预测值与实际值最大误差示意图;图3-4为2020年8月25日半小时内机组负荷预测值与实际值最大误差示意图;
图4-1为2020年8月6日24小时内机组负荷预测值与实际值最大误差示意图;图4-2为2020年8月10日24小时内机组负荷预测值与实际值最大误差示意图;图4-3为2020年8月21日24小时内机组负荷预测值与实际值最大误差示意图;图4-4为2020年8月22日24小时内机组负荷预测值与实际值最大误差示意图。
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。
本发明提出一种基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,将机组历史负荷数据、机组实时负荷数据与气象预报数据(包括气温、气压、风速、湿度和降水等5个因素)三者紧密结合起来,预测未来24小时内的机组负荷,进而满足智能电厂燃煤发电机组循环水泵等重要辅机智能启停优化的需要。
实施例一
本申请实施例一提供了一种如图2所示基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,具体包括如下步骤:
步骤1、获取当前时间作为预测时刻Tnow;
步骤2、从机组的数据库中获取历史数据,历史数据的形式为:
上式中,历史数据矩阵Fa1中各列分别表示机组负荷、降水、气压、风速、气温、湿度数据;历史数据矩阵Fa1中各行分别表示不同时间的机组负荷、降水、气压、风速、气温、湿度数据;历史数据矩阵Fa1为历史数据组成的矩阵;
步骤3、对历史数据进行预处理;
步骤4、根据预测时刻Tnow计算预测时刻前一周的平均负荷Fweek-mean:
Fweek-mean=[uj1,uj2,...ujn]
上式中,uj1,uj2,...ujn指前一周每半小时的平均负荷,其中j是计算的首字母,n为计算的平均负荷次数;实际上为7*24*2=336;
步骤5、使用随机森林算法计算气象数据和机组负荷之间的权重因子VIMm;
首先计算Gini指数:
上式中,K表示有K个类别,pmk表示节点m中类别k所占的比例;GIm指节点m的基尼数;气象数据包括:气温、气压、风温、湿度和降水数据;
然后计算机组负荷在节点中的权重:
VIMm=GIm-GIl-GIr
上式中,GIl和GIr分别表示分枝后两个新节点后,两个新节点的Gini指数;
步骤6、对历史负荷数据Fa1进行数据归一化处理,得到归一化数据矩阵Fa-norm,消除量纲对相似度计算的影响;
上式中,Fa-norm为历史数据的归一化数值,Fa-max为最大值,Fa-min为最小值;上式将历史数据矩阵Fa1映射到[0,1]区间;其中历史数据包括负荷、降水、气压、风速、气温、湿度数据;
步骤7、根据当前的预测时刻Tnow获取相似时刻数据,取相似时刻数据所在日的前一年同期、前一年同期前后设定时间段的数据和预测时刻所在日前设定天数的数据;
步骤8、加入权重因子VIMm,根据DTW原理计算多元数据之间的相似矩阵B,将之转换为相似度输出相似度最大的曲线;其中dist为欧式距离;
步骤9、使用周平均负荷对应时刻的值跟最相似曲线的乘积作为预测负荷,将预测负荷追加到历史数据库中,预测负荷参与每一次的预测数据合并;
步骤10、判断循环迭代次数是否达到48次(预测时刻后24小时的计算值,每半小时的负荷预测计算一次,合计计算48次),若循环迭代次数未达到48次则执行步骤7至步骤9,直至循环迭代次数达到48次;若循环迭代次数达到48次,则执行步骤11;
步骤11、将预测负荷合并,读入前一日的预测误差,根据前一日的预测误差进行修正,并将修正后的24小时预测负荷进行卡尔曼滤波平滑处理;其中修正的具体方式为前一日的预测误差与对应预测时刻的预测值之和;
步骤12、输出预测负荷和实际负荷的误差:
Ferror(i)=Fpra-Fforecast
上式中,Fpra为预测负荷;
步骤13、将预测负荷Fpra写入数据库,用于软件绘图展示。
实施例二
在实施例一的基础上,本申请实施例二提供了实施例一中基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法在某电厂中的应用:
某电厂两台1050MW燃煤发电机组,所用数据是2018年1月1日至2020年7月1日之间的气象数据和这两台机组的负荷数据,目标是实现电厂要求的时段(24小时)内的负荷预测,便于根据负荷预测结果决定循环水泵等重要辅机的启停。
历史数据中,2018年1月1日至2019年6月30日作为建模数据,2020年6月1日至6月30日作为测试数据。
基于RF-DTW算法的机组负荷预测具体过程如下:
步骤1、获取当前时间作为预测时刻Tnow;
步骤2、从PI数据库中获取2018年1月1日至2019年6月30日数据,选取时间机组负荷、降水、气压、风速、气温、湿度作为特征,具体形式如下:
上式中,矩阵Fa1中各列分别表示机组负荷、降水、气压、风速、气温、湿度数据;矩阵Fa1中各行分别表示不同时间的机组负荷、降水、气压、风速、气温、湿度数据;Fa1为历史数据组成的矩阵;
步骤3、数据预处理,主要包括缺失值填充,负荷值小于0MW的值替换为0MW;
步骤4、根据当前预测时刻Tnow,计算预测时刻前一周的平均负荷Fweek-mean
Fweek-mean=[uj1,uj2,...ujn]
上式中,uj1,uj2,...ujn指前一周每半小时的平均负荷,其中j是计算的首字母,n为计算的平均负荷次数;
步骤5、使用随机森林计算气象数据、负荷之间的权重因子VIMm;
首先根据Gini指数计算公式
其中,K表示有K个类别,pmk表示节点m中类别k所占的比例;GIm指节点m的基尼数。
然后计算特征在节点中的权重:
VIMm=GIm-GIl-GIr
其中,GIl和GIr分别表示分枝后两个新节点的Gini指数。
步骤6、将数据进行归一化,消除量纲对相似度计算的影响;
对数据Fa1进行数据归一化处理,得到归一化数据矩阵Fa-norm。按照下面公式对训练数据Fa1进行数据映射到[0,1]区间
其中,Fa-norm为历史数据的归一化数值,Fa-max为最大值,Fa-min为最小值。
步骤7、根据当前的预测时刻,获取相似时刻数据(前一年同期及其前后各10天,预测时刻所在日期前7天)
步骤7.1、根据相似性原理,从历史数据(负荷数据、气温、降水、风速等)中搜索出历史中21天数据,组成相似数据矩阵Fyear
矩阵Fyear中6列分别表示机组负荷和5类气象数据;21行代表的是去年同期及其前后各10天总共21天的这6类数据;
步骤7.2、根据相似性原理,从历史数据中搜索出前7天数据,组成相似数据矩阵Fweek
矩阵Fweek中6列分别表示机组负荷和5类气象数据;7行代表的是预测时刻前一周共7天的这6类数据。换为Fweek更合适一些。
步骤8、加入权重因子VIMm,根据DTW原理计算多元数据之间的相似矩阵B,将之转换为相似度输出相似度最小的曲线。
步骤8.1、引入权重因子VIMm,将每一个特征的权重因子添加到特征上计算出相似矩阵B
步骤8.2、根据相似性矩阵,计算数值最大的曲线S(tj)即为最相似曲线S(tj)
最相似曲线为:S(tj)=[sj1,sj2,...sjn]
步骤9、使用周平均负荷对应时刻的值跟最相似曲线的乘积作为预测负荷,将预测负荷追加到历史数据中,参与后面的计算,每一次的预测数据合并;
步骤10、判断循环迭代次数是否达到48次,不满足返回步骤7,满足进入步骤11;
步骤11、将预测数据合并,读入前一日的预测误差,将误差带入修正,将修正后的完整24小时预测数据进行卡尔曼滤波平滑处理;
步骤11.1、将每一预测的数据进行合并,组合成完整的负荷预测数据矩阵Fforecast':
Fforecast'=[u1,u2,...u97]T
步骤11.2、引入前一日预测的误差Ferror(i-1):
Ferror(i-1)=[sj-11,sj-12,...sj-1n]
将对应时刻的Ferror(i-1)到预测负荷上
Fforecast=Fforecast'+Ferror(i-1)
步骤11.3、根据卡尔曼滤波原理,对预测负荷进行滤波平滑处理:
xk=Axk-1+Buk+wk
上式中,xk、xk-1分别是k时刻、k-1时刻的机组预测负荷uk是k时刻对机组预测负荷的控制量,机组预测负荷的控制量是影响机组预测负荷的时间、气温等数据;wk是过程噪声;A和B是机组预测负荷的参数;
步骤12、输出预测值和实际值的误差Ferror(i)
Ferror(i)=Fpra-Fforecast
步骤13、将预测数据Fpra写入数据库/绘图展示。
在24小时负荷预测前先对0.5小时的负荷进行了预测,预测结果随机抽取如图3-1至图3-4。
从图3-1至图3-4可见:0.5小时内机组负荷预测值与实际值最大误差小于0.5%,能满足该电厂对机组重要辅机启停决策的要求。说明方法可行。于是在此基础上对未来24小时的机组负荷进行预测。24小时负荷预测基于0.5小时负荷预测得叠加,循环48次得到,如图4-1至图4-4所示。
从整个趋势看,24小时机组负荷预测值与实际值具有很好的跟踪性,误差范围能满足智能电厂对机组重要辅机启停优化的要求。既可以指导运行人员的辅机启停优化操作,又可以参与辅机启停的闭环控制。
Claims (7)
1.一种基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于,包括以下步骤:
步骤1、获取当前时间作为预测时刻Tnow;
步骤2、从机组的数据库中获取历史数据,历史数据的形式为:
上式中,历史数据矩阵Fa1中各列分别表示机组负荷、降水、气压、风速、气温、湿度数据;历史数据矩阵Fa1中各行分别表示不同时间的机组负荷、降水、气压、风速、气温、湿度数据;历史数据矩阵Fa1为历史数据组成的矩阵;
步骤3、对历史数据进行预处理;
步骤4、根据预测时刻Tnow计算预测时刻前一周的平均负荷Fweek-mean:
Fweek-mean=[uj1,uj2,...ujn]
上式中,uj1,uj2,...ujn指前一周每半小时的平均负荷,其中j是计算的首字母,n为计算的平均负荷次数;
步骤5、使用随机森林算法计算气象数据和机组负荷之间的权重因子VIMm;
首先计算Gini指数:
上式中,K表示有K个类别,pmk表示节点m中类别k所占的比例;CIm指节点m的基尼数;气象数据包括:气温、气压、风温、湿度和降水数据;
然后计算机组负荷在节点中的权重:
VIMm=GIm-GIl-GIr
上式中,GIl和GIr分别表示分枝后两个新节点后,两个新节点的Gini指数;
步骤6、对历史负荷数据Fa1进行数据归一化处理,得到归一化数据矩阵Fa-norm;
上式中,Fa-norm为历史数据的归一化数值,Fa-max为最大值,Fa-min为最小值;上式将历史数据矩阵Fa1映射到[0,1]区间;其中历史数据包括负荷、降水、气压、风速、气温、湿度数据;
步骤7、根据当前的预测时刻Tnow获取相似时刻数据,取相似时刻数据所在日的前一年同期、前一年同期前后设定时间段的数据和预测时刻所在日前设定天数的数据;
步骤8、加入权重因子VIMm,根据DTW原理计算多元数据之间的相似矩阵B,将之转换为相似度输出相似度最大的曲线;其中dist为欧式距离;
步骤9、使用周平均负荷对应时刻的值跟最相似曲线的乘积作为预测负荷,将预测负荷追加到历史数据库中,预测负荷参与每一次的预测数据合并;
步骤10、判断循环迭代次数是否达到48次,若循环迭代次数未达到48次则执行步骤7至步骤9,直至循环迭代次数达到48次;若循环迭代次数达到48次,则执行步骤11;
步骤11、将预测负荷合并,读入前一日的预测误差,根据前一日的预测误差进行修正,并将修正后的24小时预测负荷进行卡尔曼滤波平滑处理;其中修正的具体方式为前一日的预测误差与对应预测时刻的预测值之和;
步骤12、输出预测负荷和实际负荷的误差:
Ferror(i)=Fpra-Fforecast
上式中,Fpra为预测负荷;
步骤13、将预测负荷Fpra写入数据库,用于软件绘图展示。
2.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于:步骤2中数据库为PI数据库;步骤2选取的历史数据包括时间、降水、气压、风速、气温和湿度数据。
3.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于:步骤3中的数据预处理包括缺失值填充,缺失值填充具体为将历史数据中负荷值小于0MW的值替换为0MW。
4.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于:步骤5中的气象数据包括气温、气压、风温、湿度和降水数据。
5.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于,步骤7中相似时刻数据为预测时刻所在日的前一年同期、预测时刻所在日前一年同期前后各10天的历史数据和预测时刻所在日的前7天的历史数据,历史数据包括负荷、降水、气压、风速、气温、湿度数据;步骤7具体为:根据当前的预测时刻Tnow获取相似前一年同期的历史数据、前一年同期前后各10天的历史数据和预测时刻所在日期前7天历史负荷数据;步骤7具体包括以下步骤:
步骤7.1、从历史数据中搜索出历史中21天数据,组成相似数据矩阵Fyear:
上式中,矩阵Fyear中6列分别表示机组负荷和5类气象数据,5类气象数据包括降水、气压、风速、气温和湿度数据;21行代表的是去年同期及去年同期前后各10天总共21天的机组负荷和气象数据;
步骤7.2、根据相似性原理,从历史数据中搜索出前7天数据,组成相似数据矩阵Fweek:
矩阵Fweek中6列分别表示机组负荷和5类气象数据;7行代表的是预测时刻前一周共7天的机组负荷和5类气象数据。
6.根据权利要求1或5所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于,步骤8具体包括如下步骤:
步骤8.1、引入权重因子VIMm,将每一个特征的权重因子添加到特征上计算出相似矩阵B:
上式中,d(xi,yj)为两个做相似性比较的时序序列各点之间的欧式距离,其中i为1至m之间的正整数,j为1至n之间的正整数;
步骤8.2、根据相似性矩阵B计算相似度相似度数值最大的曲线S(tj)为最相似曲线S(tj):
S(tj)=[sj1,sj2,...sjn]
上式中,sj1,sj2,...sjn表示时刻tj的相似日负荷曲线由n个相似度数据组成。
7.根据权利要求1所述基于RF-DTW的智能电厂燃煤发电机组短期负荷预测方法,其特征在于,步骤11具体包括如下步骤:
步骤11.1、将每一预测的数据进行合并,组合成完整的负荷预测负荷矩阵Fforecast':
Fforecast'=[u1,u2,...u97]T
上式中,u1,u2,...u97表示24小时每一刻钟取一个预测负荷,加上收尾合计97个数据点;
步骤11.2、引入前一日预测的误差Ferror(i-1):
Ferror(i-1)=[sj-11,sj-12,...sj-1n]
将对应时刻的Ferror(i-1)到预测负荷上
Fforecast=Fforecast'+Ferror(i-1)
上式中,Fforecast为实际预测负荷值,Fforecast'为预估值,Ferror(i-1)为前一日预测负荷与实际负荷的偏差值;sj1,sj2,...sjn表示时刻tj的相似日负荷曲线由n个相似度数据组成(欧式距离dist越小相似度越高);u1,u2,...u97表示24小时的每一刻钟选取一个数据,加上收尾合计97个数据点;
步骤11.3、根据卡尔曼滤波原理,对预测负荷进行滤波平滑处理:
上式中,xk、xk-1分别是k时刻、k-1时刻的系统状态,uk是k时刻对系统的控制量,wk是过程噪声,A和B是系统参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084120.0A CN113837459B (zh) | 2021-09-15 | 2021-09-15 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111084120.0A CN113837459B (zh) | 2021-09-15 | 2021-09-15 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837459A CN113837459A (zh) | 2021-12-24 |
CN113837459B true CN113837459B (zh) | 2024-05-03 |
Family
ID=78959399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111084120.0A Active CN113837459B (zh) | 2021-09-15 | 2021-09-15 | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837459B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006178893A (ja) * | 2004-12-24 | 2006-07-06 | Chugoku Electric Power Co Inc:The | 電力需要予測支援方法、コンピュータプログラム、プログラム格納媒体、電力需要予測支援装置 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN106447091A (zh) * | 2016-09-09 | 2017-02-22 | 国网安徽省电力公司电力科学研究院 | 基于区域气象条件相似度的大电网负荷预测方法 |
CN108062720A (zh) * | 2017-12-05 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009938B (zh) * | 2016-11-02 | 2021-12-03 | 中国电力科学研究院 | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 |
-
2021
- 2021-09-15 CN CN202111084120.0A patent/CN113837459B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006178893A (ja) * | 2004-12-24 | 2006-07-06 | Chugoku Electric Power Co Inc:The | 電力需要予測支援方法、コンピュータプログラム、プログラム格納媒体、電力需要予測支援装置 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN106447091A (zh) * | 2016-09-09 | 2017-02-22 | 国网安徽省电力公司电力科学研究院 | 基于区域气象条件相似度的大电网负荷预测方法 |
CN108062720A (zh) * | 2017-12-05 | 2018-05-22 | 贵州电网有限责任公司电力科学研究院 | 一种基于相似日选取及随机森林算法的负荷预测方法 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (1)
Title |
---|
基于相似日负荷修正的台风期间短期负荷预测;李小燕等;电力系统及其自动化学报;20130615;25(03);82-89 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837459A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN106099993B (zh) | 一种适应新能源大规模接入的电源规划方法 | |
CN104537435B (zh) | 基于用户侧经济性指标的分布式电源优化配置方法 | |
CN107910883B (zh) | 基于抽水蓄能电站修正时序负荷曲线的随机生产模拟方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN113822496A (zh) | 一种多机组热电厂供热模式及参数在线寻优方法 | |
CN107103421A (zh) | 工业锅炉节能方案的综合评价体系及其构建方法 | |
Liu et al. | An uncertainty analysis for offshore wind power investment decisions in the context of the national subsidy retraction in China: A real options approach | |
CN109741103A (zh) | 一种短期多目标双层优化调度方法 | |
CN112381268B (zh) | 一种面向电力现货市场的短期燃煤成本预测方法及系统 | |
CN111600300A (zh) | 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法 | |
CN113987934A (zh) | 基于模糊分析的多机组多模式供热电厂运行综合评价方法 | |
CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
Biber et al. | Negative price spiral caused by renewables? Electricity price prediction on the German market for 2030 | |
CN109800918A (zh) | 一种局域多能源互补运行综合优化配置方法和设备 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN113837459B (zh) | 一种基于rf-dtw的智能电厂燃煤发电机组短期负荷预测方法 | |
CN114139439A (zh) | 基于模拟退火粒子群算法的汽轮机最优初压确定方法 | |
CN111404193B (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
CN114819489A (zh) | 一种面向海上风电制氢系统的可行性评估方法 | |
CN114825467A (zh) | 一种火电机组年度检修计划备用充裕度评估方法及系统 | |
He et al. | National Energy Demand And Carbon Emission Forecast Under The “Carbon peak and Carbon neutrality” Target Based On System Dynamic | |
CN113919621A (zh) | 一种用于发电企业低碳转型方案规划的方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220824 Address after: Room 307, No. 32, Gaoji Street, Xihu District, Hangzhou City, Zhejiang Province, 310002 Applicant after: Zhejiang Zheneng Digital Technology Co.,Ltd. Applicant after: ZHEJIANG ENERGY R & D INSTITUTE Co.,Ltd. Address before: 5 / F, building 1, No. 2159-1, yuhangtang Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG ENERGY R & D INSTITUTE Co.,Ltd. |
|
GR01 | Patent grant |