CN114169650A - 一种基于深度自学习的火力发电中长期建模预测方法 - Google Patents
一种基于深度自学习的火力发电中长期建模预测方法 Download PDFInfo
- Publication number
- CN114169650A CN114169650A CN202210098803.XA CN202210098803A CN114169650A CN 114169650 A CN114169650 A CN 114169650A CN 202210098803 A CN202210098803 A CN 202210098803A CN 114169650 A CN114169650 A CN 114169650A
- Authority
- CN
- China
- Prior art keywords
- thermal power
- power generation
- predicted
- unit time
- time length
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 541
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000007774 longterm Effects 0.000 claims abstract description 27
- 238000012946 outsourcing Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 41
- 230000005611 electricity Effects 0.000 claims description 25
- 230000003247 decreasing effect Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000011161 development Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于深度自学习的火力发电中长期建模预测方法,包括,步骤S1,收集区域总用电量与电力关联因素历史数据,形成样本数据;步骤S2,建立区域总用电量中长期预测模型;步骤S3,建立新能源发电中长期预测模型;步骤S4,根据区域总用电量中长期预测模型、新能源发电中长期预测模型、外购电计划数据、外销电计划数据,建立火力发电缺口预测模型;步骤S5,根据火力发电历史数据数据建立火力发电预测模型,并将其与火力发电预测模型进行修正合并,形成最终的火力发电中长期预测模型;步骤S6,根据多高斯分布组合计算不同置信度下的火力发电量分布区间。本发明通过多预测模型修正合并,实现精确的电力风险量化预警。
Description
技术领域
本发明涉及火力发电建模预测技术领域,尤其涉及一种基于深度自学习的火力发电中长期建模预测方法。
背景技术
我国是全球电力生产第一大国,发电量约占全球发电量总额的四分之一,从中国电源结构看,火电装机容量占比超过60%,火电发电量占比达到70%,电力行业关联国家的经济命脉,电力生产的安全、高效、绿色,是关系国家与企业的健康发展的关键,为提高电力企业的抗风险能力,实现精细化管理,研究并践行风险量化预警是必不可少的途径,能源结构优化的要求从长远来看为电力行业的健康绿色发展带来了要求,而对短期的经营带来了挑战,体现在具有随机特性的新能源发电全吸纳、火力发电为电量支撑和电力保障的新能源结构,需要在用电量、新能源发电量的精确预测基础上,从而可以精确安排火力发电。
但用电量主要由社会、经济发展大环境所决定的,具有随人口结构、经济状况的周期性变化而具有波动性,同时,新能源发电量是由气候与环境条件所决定的,具有明显的随机性,在现有的火力发电预测模型中不能进行多因素的建模预测,并对预测模型的修正不充分,难以准确预测实际需求与新能源发电量约束下的火力发电量变化规律,从而对火电企业的生产经营带来不确定性,为了实现精确的评估这种不确定性带来的经营风险,需有更精确的火力发电预测方法,不仅预测火力发电量,同时计算其置信度,实现风险量化预警。
发明内容
为此,本发明提供一种基于深度自学习的火力发电中长期建模预测方法,用以克服现有技术中火力发电建模预测精确度差的问题。
为实现上述目的,本发明提供一种基于深度自学习的火力发电中长期建模预测方法,包括,
步骤S1,对区域总用电量历史数据与电力关联因素历史数据进行收集,通过相关性分析工具对电力关联因素历史数据进行筛选并确定各类电量的关联要素数据,对区域总用电量历史数据与电量的关联要素数据进行预处理,形成样本数据;
步骤S2,对区域总用电量历史数据的样本数据进行数据分解与统计分析,得到时间规律上的统计特征;根据历史区域总用电量的统计特征以及样本数量,确定用电量预测模型的类型与结构,建立区域总用电量中长期预测模型;
步骤S3,对新能源发电量历史数据进行数据分解与统计分析,根据新能源发电量历史数据的统计特征以及样本数量,建立新能源发电中长期预测模型;
步骤S4,根据是否有外购电、外销电对区域类型进行确定,根据区域类型计算火电缺口,火电缺口计算公式为,火力发电量=区域总用电量+外销电量-外购电量-新能源发电量;根据火电缺口计算公式,在区域总用电量中长期预测模型、新能源发电中长期预测模型、外购电计划、外销电计划数据的基础上,建立火力发电缺口预测模型Vq=f(td);
步骤S5,对火力发电历史数据数据分解与统计分析,根据火力发电历史数据数据的统计特征以及样本数量,建立火力发电预测模型Vd=f(td),将火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行差量计算与判定修正,并将修正过的火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行平均处理,形成最终的火力发电中长期预测模型;
步骤S6,对预测误差进行多高斯拟合,根据多高斯分布组合计算不同置信度下的火力发电量分布区间。
进一步地,在所述步骤S4中建立的火力发电缺口预测模型Vq=f(td),预测周期时长为Td,其中,td表示预测周期时长Td内的任一单位时长,Vq表示td单位时长该区域火力发电缺口预测电量;在所述步骤S5中建立的火力发电预测模型Vd=f(td),预测周期时长为Td,其中,td表示预测周期时长Td内的任一单位时长,Vd表示td单位时长该区域火力发电预测电量;
进一步地,在所述步骤S5中,设定有单位时长的火电电量标准差Vb,根据在预测周期时长内火力发电缺口预测模型任一单位时长td火力发电缺口预测电量Vq,与该单位时长火力发电预测电量Vd进行计算该单位时长的火电电量预测差Vc,Vc=|Vq-Vd|,将该单位时长的火电电量预测差Vc与火电电量标准差Vb进行对比,
当Vc≤Vb时,判定该单位时长的火电电量预测差未超过火电电量标准差,对该单位时长的火力发电缺口预测电量Vq=f(td)与该单位时长的火力发电预测电量Vd=f(td)进行保留标记;
当Vc>Vb时,判定该单位时长的火电电量预测差超过火电电量标准差,将对该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比计算,以确定对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
进一步地,当在td单位时长的火电电量预测差超过火电电量标准差时,将该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比,
当Vq>Vd时,判定该单位时长的火力发电缺口预测电量高于火力发电预测电量,将td单位时长的上一单位时长的火电电量预测差Vc1分别与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比,以确定对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整;
当Vq<Vd时,判定该单位时长的火力发电缺口预测电量低于火力发电预测电量,将td单位时长上一单位时长火力发电缺口预测电量Vq1与td单位时长的火力发电缺口预测电量Vq进行对比,将td单位时长上一单位时长火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比,结合两对比结果,对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
进一步地,当判定td单位时长的火力发电缺口预测电量高于火力发电预测电量时,将根据火力发电缺口预测电量Vq1=f(td-1)与火力发电预测电量Vd1=f(td-1)计算火电电量预测差Vc1,Vc1= |Vq1- Vd1|,
其中,td-1表示在预测周期时长Td内的td单位时长的上一个单位时长,Vq1表示td-1单位时长火力发电缺口预测电量,Vd1表示td-1单位时长火力发电预测电量,
将td-1单位时长的火电电量预测差Vc1与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比,
当Vc1≤Vb时,判定td-1单位时长的火电电量预测差未超过火电电量标准差,对td-1单位时长的火力发电缺口预测电量Vq1=f(td-1)与该单位时长的火力发电预测电量Vd1=f(td-1)进行保留标记;将并将td单位时长的火力发电缺口预测电量调整为Vq’,Vq’=Vq×[1-(Vc-Vb)/Vc],并对调节后的td单位时长火力发电缺口预测电量Vq’与火力发电预测电量Vd进行保留,但不进行标记;
当Vb<Vc1<Vc时,判定td-1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间,将对td-1单位时长的火力发电缺口预测电量、火力发电预测电量与td单位时长的火力发电缺口预测电量、火力发电预测电量进行对比,以确定对td单位时长的火力发电缺口预测电量、火力发电预测电量的调整;
当Vc1=Vc时,判定td-1单位时长的火电电量预测差与td单位时长的火电电量预测差相等,将对td-1单位时长的上一单位时长td-2的火电电量预测差进行计算判定,直至使td-2单位时长的火电电量预测差Vc2,达到Vc2≠Vc1时,停止对上一单位时长的火电电量预测差进行计算判定,并将火电电量预测差相同的各单位时长做相同调节;
当Vc1>Vc时,判定td-1单位时长的火电电量预测差Vc1高于td单位时长的火电电量预测差Vc,将重复上述对td单位时长的火电电量预测差Vc的判定调节操作,优先对td-1单位时长的火电电量预测差Vc1进行判定调节。
进一步地,当判定td-1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间时,计算火力发电缺口预测电量的间隔单位时长变化量Vqb与火力发电预测电量的间隔单位时长变化量Vdb,其中,Vqb= Vq-Vq1,Vdb= Vd-Vd1,并将Vqb与Vdb进行对比,
当Vqb>Vdb时,判定在td-1单位时长到td单位时长内火力发电缺口预测电量变化量大,将td单位时长的火力发电缺口预测电量调整为Vq”, Vq”=(Vq+Vq1)/2,并对td单位时长的调整后的火力发电缺口预测电量与td单位时长的火力发电预测电量进行保留标记;
当Vqb<Vdb时,判定在td-1单位时长到td单位时长内火力发电预测电量变化量大, Vd’=(Vd+Vd1)/2,并对td单位时长的调整后的火力发电预测电量与td单位时长的火力发电缺口预测电量进行保留标记;
当Vqb=Vdb时,判定在td-1单位时长到td单位时长内火力发电预测电量与火力发电缺口预测电量变化量相同,直接对td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
进一步地,当判定tb单位时长的火力发电缺口预测电量低于火力发电预测电量时,将tb-1单位时长火力发电缺口预测电量Vq1与tb单位时长的火力发电缺口预测电量Vq进行对比,
当Vq1<Vq时,判定tb单位时长的火力发电缺口预测电量呈上升,不对火力发电预测电量与火力发电缺口预测电量进行调整,直接将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vq1=Vq时,判定tb单位时长的火力发电缺口预测电量呈持平,将tb单位时长的火力发电缺口预测电量调整为Vqx,Vqx=Vq+Vq×(Vb/Vd),并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vq1>Vq时,判定tb单位时长的火力发电缺口预测电量呈下降,将对tb单位时长的火力发电预测电量的变化趋势进行判定,以确定对tb单位时长的火力发电缺口预测电量或火力发电预测电量的调整。
进一步地,当判定tb单位时长的火力发电缺口预测电量呈下降时,将td-1单位时长的火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比,
当Vd1<Vd时,判定tb单位时长的火力发电预测电量呈上升,将根据td-1单位时长到tb单位时长的火力发电预测电量变化量与火力发电缺口预测电量变化量,确定对tb单位时长的火力发电预测电量或火力发电缺口预测电量的调整;
当Vd1=Vd时,判定tb单位时长的火力发电预测电量呈持平,将tb单位时长的火力发电预测电量调整为Vdx,Vdx=Vd-Vd×[Vq/(Vq+Vb)],并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vd1>Vd时,判定tb单位时长的火力发电预测电量呈下降,不对火力发电预测电量与火力发电缺口预测电量进行调整,直接将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
进一步地,当判定tb单位时长的火力发电预测电量呈上升时,计算火力发电缺口预测电量的间隔单位时长变化量Vqb’与火力发电预测电量的间隔单位时长变化量Vdb’,其中,Vqb’= Vq1-Vq,Vdb’= Vd-Vd1,并将Vqb’与Vdb’进行对比,
当Vqb’<Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量低于火力发电预测电量上升趋势的变化量,将tb单位时长的火力发电缺口预测电量调整为Vqk,Vqk=Vq+Vq×(Vb/Vd),并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vqb’=Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量与火力发电预测电量上升趋势的变化量相同,将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记,并将火电电量标准差调整为Vb’,Vb’=[(Vd-Vq)+ Vb]/2;
当Vqb’>Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量高于火力发电预测电量上升趋势的变化量,将tb单位时长的火力发电预测电量调整为Vdk,Vdk=Vd-Vd×[Vq/(Vq+Vb)],并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
进一步地,在对火力发电缺口预测模型Vq=f(td)与火力发电预测模型Vd=f(td)进行差量计算判定调节时,优先选择未被标记并未保留的单位时长进行判定,对已经被标记的单位时长部分不进行二次判定,直至将预测周期时长为Td内的全部单位时长都进行标记后,将修正过的火力发电缺口预测模型Vq=f(td)与修正过的火力发电预测模型Vd=f(td)做平均处理,形成最终的火力发电中长期预测模型VY= f(td), 预测周期时长为Td,其中,VY=(Vq+Vd)/2。
与现有技术相比,本发明的有益效果在于,通过对区域总用电量历史数据与电力关联因素历史数据进行收集,电力关联因素历史数据包括,区域经济发展与社会及人口发展的各类指标数据,能够更具体全面的展示历史数据的参考性,同时对区域总用电量与新能源发电量建立预测模型,并通过火电缺口计算公式结合外购电计划、外销电计划建立火力发电缺口预测模型,使火力发电缺口预测模型的预测结果更加精准,通过对火力发电历史数据数据分解与统计分析,建立火力发电预测模型,并将火力发电预测模型与火力发电缺口预测模型进行相互修正,结合形成最终的火力发电中长期预测模型,极大的提高了火力发电中长期预测模型的预测结果的准确性,实现了精确的评估,不仅预测火力发电量,同时计算其置信度,实现风险量化预警,保障区域电力系统稳定。
进一步地,通过将建立的火力发电缺口预测模型与火力发电预测模型设置为相同的预测周期,可以使火力发电缺口预测模型与火力发电预测模型的对应度提高,使各电力相关因素对两预测模型的影响程度差异将低至最低,从而提高最终建立的火力发电中长期预测模型预测结果的精准性。
尤其,在对火力发电缺口预测模型与火力发电预测模型进行相互修订时,通过设置火电电量标准差来判断两预测模型的相差程度,在同一单位时长内的两模型预测结果相差在火电电量标准差范围内时,不对该单位时长的两模型预测结果进行调整,对两模型预测结果进行标记,在同一单位时长内的两模型预测结果相差不在火电电量标准差范围内时,将对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的具体数值进行对比,进一步提高了两预测模型在合并前的修正精度。
进一步地,一方面,在td单位时长的火电电量预测差超过火电电量标准差时,先对该单位时长的火力发电缺口预测电量与火力发电预测电量进行对比,由于所述的火力发电中长期预测模型要保障该区域的火电供给,因此,火力发电缺口预测电量总体上应低于火力发电预测电量,在判定该单位时长的火力发电缺口预测电量高于火力发电预测电量时,通过结合相邻单位时长的预测结果对两预测模型进行较大幅度的调整,在判定该单位时长的火力发电缺口预测电量低于火力发电预测电量时,通过结合相邻单位时长的预测结果对两预测模型进行较小幅度的调整,进一步提高了火力发电中长期预测模型的预测精准度。
进一步地,根据火力发电缺口预测电量与火力发电预测电量计算火电电量预测差,并将该单位时长的火电电量预测差与上一单位时长的火电电量预测差相对比,以判断两预测模型的的预测变化趋势,根据各单位时长火电电量预测差的变化趋势的不同,对该单位时长的火力发电缺口预测电量或火力发电预测电量进行调节,根据预测趋势的变化量的变化对两预测模型进行修正,能够使两预测模型在进行合并时的预测数据更加精准。
进一步地,在判定前一单位时长的火电电量预测差在这一单位时长的火电电量预测差与火电电量标准差之间时,表示前一单位时长的火电电量预测差超出了火电电量标准差但是趋于火电电量标准差,将根据火力发电预测模型的变化与火力发电缺口预测模型的变化对两预测模型进行修整,进一步提高了火力发电预测模型与火力发电缺口预测模型的预测值的准确性。
尤其,另一方面,在判定tb单位时长的火力发电缺口预测电量低于火力发电预测电量时,表示预测模型的预测数据能够维持该区域的电力运行,根据预测周期时长内的火力发电缺口预测电量的起伏程度对各单位时长的两预测模型预测的数据进行修正或保留标记,其中,在判定tb单位时长的火力发电缺口预测电量呈下降时,表示该单位时长的火力发电预测电量下降量未到达火力发电缺口预测电量的下降量,对火力发电预测电量进一步判断修正,使最终的火力发电中长期预测模型的预测结果精准度提升。
进一步地,在火力发电缺口预测电量呈下降时,对火力发电预测电量的变化趋势进行分析判定,若在该单位时长的火力发电预测电量同样处于下降趋势时,不多两模型进行调节,保障了预测数据的客观真实性,若在该单位时长的火力发电预测电量同样处于持平状态时,根据该单位时长的火力发电缺口预测电量与火电电量标准差将火力发电预测电量做下降微调,若在该单位时长的火力发电预测电量同样处于上升状态时,表示火力发电缺口预测电量与火力发电预测电量的变化趋势相反,根据火力发电缺口预测电量与火力发电预测电量自身的变化程度进行调整,也保障了最终的火力发电中长期预测模型能够进行精准的数据预测。
进一步地,在火力发电缺口预测电量与火力发电预测电量的变化趋势相反时,对变化趋势较小的一模型的预测数据进行调整,同时在出现一个单位时长的火力发电缺口预测电量下降趋势的变化量与火力发电预测电量上升趋势的变化量相同,表示该单位时长的两模型之间的趋势变化量处于稳定状态,对设定的火电电量标准差进行调整,保障了不会因火电电量标准差的设定偏差导致整体预测结果偏低或偏高的现象,同时进一步提高了火力发电中长期预测模型的预测精度。
尤其,在将所有单位时长下的两模型进行全部标记后,将两预测模型做平均处理,得到最终的火力发电中长期预测模型,通过将一种根据火力发电历史数据得出得预测模块和另一种根据区域总电量结合外部关联因素得出的火力发电缺口预测模型相结合,利用两模型相互修正,使得出的火力发电中长期预测模型的数据更加具有参考价值,结合实际情况对区域的火电发电量进行控制,减少了火电发电过多带来的环境污染,同时也能避免由于火电发电过少带来区域电力短缺的问题。
附图说明
图1为本发明所述基于深度自学习的火力发电中长期建模预测方法的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述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,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明所述基于深度自学习的火力发电中长期建模预测方法的流程图,本发明公布一种基于深度自学习的火力发电中长期建模预测方法,包括,
步骤S1,对区域总用电量历史数据与电力关联因素历史数据进行收集,通过相关性分析工具对电力关联因素历史数据进行筛选并确定各类电量的关联要素数据,对区域总用电量历史数据与电量的关联要素数据进行预处理,形成样本数据;
步骤S2,对区域总用电量历史数据的样本数据进行数据分解与统计分析,得到时间规律上的统计特征;根据历史区域总用电量的统计特征以及样本数量,确定用电量预测模型的类型与结构,建立区域总用电量中长期预测模型;
步骤S3,对新能源发电量历史数据进行数据分解与统计分析,根据新能源发电量历史数据的统计特征以及样本数量,建立新能源发电中长期预测模型;
步骤S4,根据是否有外购电、外销电对区域类型进行确定,根据区域类型计算火电缺口,火电缺口计算公式为,火力发电量=区域总用电量+外销电量-外购电量-新能源发电量;根据火电缺口计算公式,在区域总用电量中长期预测模型、新能源发电中长期预测模型、外购电计划、外销电计划数据的基础上,建立火力发电缺口预测模型Vq=f(td);
步骤S5,对火力发电历史数据数据分解与统计分析,根据火力发电历史数据数据的统计特征以及样本数量,建立火力发电预测模型Vd=f(td),将火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行差量计算与判定修正,并将修正过的火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行平均处理,形成最终的火力发电中长期预测模型;
步骤S6,对预测误差进行多高斯拟合,根据多高斯分布组合计算不同置信度下的火力发电量分布区间。
通过对区域总用电量历史数据与电力关联因素历史数据进行收集,电力关联因素历史数据包括,区域经济发展与社会及人口发展的各类指标数据,能够更具体全面的展示历史数据的参考性,同时对区域总用电量与新能源发电量建立预测模型,并通过火电缺口计算公式结合外购电计划、外销电计划建立火力发电缺口预测模型,使火力发电缺口预测模型的预测结果更加精准,通过对火力发电历史数据数据分解与统计分析,建立火力发电预测模型,并将火力发电预测模型与火力发电缺口预测模型进行相互修正,结合形成最终的火力发电中长期预测模型,极大的提高了火力发电中长期预测模型的预测结果的准确性,实现了精确的评估,不仅预测火力发电量,同时计算其置信度,实现风险量化预警,保障区域电力系统稳定。
具体而言,在所述步骤S4中建立的火力发电缺口预测模型Vq=f(td),预测周期时长为Td,其中,td表示预测周期时长Td内的任一单位时长,Vq表示td单位时长该区域火力发电缺口预测电量;在所述步骤S5中建立的火力发电预测模型Vd=f(td),预测周期时长为Td,其中,td表示预测周期时长Td内的任一单位时长,Vd表示td单位时长该区域火力发电预测电量;
通过将建立的火力发电缺口预测模型与火力发电预测模型设置为相同的预测周期,可以使火力发电缺口预测模型与火力发电预测模型的对应度提高,使各电力相关因素对两预测模型的影响程度差异将低至最低,从而提高最终建立的火力发电中长期预测模型预测结果的精准性。
具体而言,在所述步骤S5中,设定有单位时长的火电电量标准差Vb,根据在预测周期时长内火力发电缺口预测模型任一单位时长td火力发电缺口预测电量Vq,与该单位时长火力发电预测电量Vd进行计算该单位时长的火电电量预测差Vc,Vc=|Vq-Vd|,将该单位时长的火电电量预测差Vc与火电电量标准差Vb进行对比,
当Vc≤Vb时,判定该单位时长的火电电量预测差未超过火电电量标准差,对该单位时长的火力发电缺口预测电量Vq=f(td)与该单位时长的火力发电预测电量Vd=f(td)进行保留标记;
当Vc>Vb时,判定该单位时长的火电电量预测差超过火电电量标准差,将对该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比计算,以确定对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
在对火力发电缺口预测模型与火力发电预测模型进行相互修订时,通过设置火电电量标准差来判断两预测模型的相差程度,在同一单位时长内的两模型预测结果相差在火电电量标准差范围内时,不对该单位时长的两模型预测结果进行调整,对两模型预测结果进行标记,在同一单位时长内的两模型预测结果相差不在火电电量标准差范围内时,将对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的具体数值进行对比,进一步提高了两预测模型在合并前的修正精度。
具体而言,当在td单位时长的火电电量预测差超过火电电量标准差时,将该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比,
当Vq>Vd时,判定该单位时长的火力发电缺口预测电量高于火力发电预测电量,将td单位时长的上一单位时长的火电电量预测差Vc1分别与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比,以确定对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整;
当Vq<Vd时,判定该单位时长的火力发电缺口预测电量低于火力发电预测电量,将td单位时长上一单位时长火力发电缺口预测电量Vq1与td单位时长的火力发电缺口预测电量Vq进行对比,将td单位时长上一单位时长火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比,结合两对比结果,对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
一方面,在td单位时长的火电电量预测差超过火电电量标准差时,先对该单位时长的火力发电缺口预测电量与火力发电预测电量进行对比,由于所述的火力发电中长期预测模型要保障该区域的火电供给,因此,火力发电缺口预测电量总体上应低于火力发电预测电量,在判定该单位时长的火力发电缺口预测电量高于火力发电预测电量时,通过结合相邻单位时长的预测结果对两预测模型进行较大幅度的调整,在判定该单位时长的火力发电缺口预测电量低于火力发电预测电量时,通过结合相邻单位时长的预测结果对两预测模型进行较小幅度的调整,进一步提高了火力发电中长期预测模型的预测精准度。
具体而言,当判定td单位时长的火力发电缺口预测电量高于火力发电预测电量时,将根据火力发电缺口预测电量Vq1=f(td-1)与火力发电预测电量Vd1=f(td-1)计算火电电量预测差Vc1,Vc1= |Vq1- Vd1|,
其中,td-1表示在预测周期时长Td内的td单位时长的上一个单位时长,Vq1表示td-1单位时长火力发电缺口预测电量,Vd1表示td-1单位时长火力发电预测电量,
将td-1单位时长的火电电量预测差Vc1与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比,
当Vc1≤Vb时,判定td-1单位时长的火电电量预测差未超过火电电量标准差,对td-1单位时长的火力发电缺口预测电量Vq1=f(td-1)与该单位时长的火力发电预测电量Vd1=f(td-1)进行保留标记;将并将td单位时长的火力发电缺口预测电量调整为Vq’,Vq’=Vq×[1-(Vc-Vb)/Vc],并对调节后的td单位时长火力发电缺口预测电量Vq’与火力发电预测电量Vd进行保留,但不进行标记;
当Vb<Vc1<Vc时,判定td-1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间,将对td-1单位时长的火力发电缺口预测电量、火力发电预测电量与td单位时长的火力发电缺口预测电量、火力发电预测电量进行对比,以确定对td单位时长的火力发电缺口预测电量、火力发电预测电量的调整;
当Vc1=Vc时,判定td-1单位时长的火电电量预测差与td单位时长的火电电量预测差相等,将对td-1单位时长的上一单位时长td-2的火电电量预测差进行计算判定,直至使td-2单位时长的火电电量预测差Vc2,达到Vc2≠Vc1时,停止对上一单位时长的火电电量预测差进行计算判定,并将火电电量预测差相同的各单位时长做相同调节;
当Vc1>Vc时,判定td-1单位时长的火电电量预测差Vc1高于td单位时长的火电电量预测差Vc,将重复上述对td单位时长的火电电量预测差Vc的判定调节操作,优先对td-1单位时长的火电电量预测差Vc1进行判定调节。
根据火力发电缺口预测电量与火力发电预测电量计算火电电量预测差,并将该单位时长的火电电量预测差与上一单位时长的火电电量预测差相对比,以判断两预测模型的的预测变化趋势,根据各单位时长火电电量预测差的变化趋势的不同,对该单位时长的火力发电缺口预测电量或火力发电预测电量进行调节,根据预测趋势的变化量的变化对两预测模型进行修正,能够使两预测模型在进行合并时的预测数据更加精准。
具体而言,当判定td-1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间时,计算火力发电缺口预测电量的间隔单位时长变化量Vqb与火力发电预测电量的间隔单位时长变化量Vdb,其中,Vqb= Vq-Vq1,Vdb= Vd-Vd1,并将Vqb与Vdb进行对比,
当Vqb>Vdb时,判定在td-1单位时长到td单位时长内火力发电缺口预测电量变化量大,将td单位时长的火力发电缺口预测电量调整为Vq”, Vq”=(Vq+Vq1)/2,并对td单位时长的调整后的火力发电缺口预测电量与td单位时长的火力发电预测电量进行保留标记;
当Vqb<Vdb时,判定在td-1单位时长到td单位时长内火力发电预测电量变化量大, Vd’=(Vd+Vd1)/2,并对td单位时长的调整后的火力发电预测电量与td单位时长的火力发电缺口预测电量进行保留标记;
当Vqb=Vdb时,判定在td-1单位时长到td单位时长内火力发电预测电量与火力发电缺口预测电量变化量相同,直接对td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
在判定前一单位时长的火电电量预测差在这一单位时长的火电电量预测差与火电电量标准差之间时,表示前一单位时长的火电电量预测差超出了火电电量标准差但是趋于火电电量标准差,将根据火力发电预测模型的变化与火力发电缺口预测模型的变化对两预测模型进行修整,进一步提高了火力发电预测模型与火力发电缺口预测模型的预测值的准确性。
具体而言,当判定tb单位时长的火力发电缺口预测电量低于火力发电预测电量时,将tb-1单位时长火力发电缺口预测电量Vq1与tb单位时长的火力发电缺口预测电量Vq进行对比,
当Vq1<Vq时,判定tb单位时长的火力发电缺口预测电量呈上升,不对火力发电预测电量与火力发电缺口预测电量进行调整,直接将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vq1=Vq时,判定tb单位时长的火力发电缺口预测电量呈持平,将tb单位时长的火力发电缺口预测电量调整为Vqx,Vqx=Vq+Vq×(Vb/Vd),并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vq1>Vq时,判定tb单位时长的火力发电缺口预测电量呈下降,将对tb单位时长的火力发电预测电量的变化趋势进行判定,以确定对tb单位时长的火力发电缺口预测电量或火力发电预测电量的调整。
另一方面,在判定tb单位时长的火力发电缺口预测电量低于火力发电预测电量时,表示预测模型的预测数据能够维持该区域的电力运行,根据预测周期时长内的火力发电缺口预测电量的起伏程度对各单位时长的两预测模型预测的数据进行修正或保留标记,其中,在判定tb单位时长的火力发电缺口预测电量呈下降时,表示该单位时长的火力发电预测电量下降量未到达火力发电缺口预测电量的下降量,对火力发电预测电量进一步判断修正,使最终的火力发电中长期预测模型的预测结果精准度提升。
具体而言,当判定tb单位时长的火力发电缺口预测电量呈下降时,将td-1单位时长的火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比,
当Vd1<Vd时,判定tb单位时长的火力发电预测电量呈上升,将根据td-1单位时长到tb单位时长的火力发电预测电量变化量与火力发电缺口预测电量变化量,确定对tb单位时长的火力发电预测电量或火力发电缺口预测电量的调整;
当Vd1=Vd时,判定tb单位时长的火力发电预测电量呈持平,将tb单位时长的火力发电预测电量调整为Vdx,Vdx=Vd-Vd×[Vq/(Vq+Vb)],并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vd1>Vd时,判定tb单位时长的火力发电预测电量呈下降,不对火力发电预测电量与火力发电缺口预测电量进行调整,直接将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
在火力发电缺口预测电量呈下降时,对火力发电预测电量的变化趋势进行分析判定,若在该单位时长的火力发电预测电量同样处于下降趋势时,不多两模型进行调节,保障了预测数据的客观真实性,若在该单位时长的火力发电预测电量同样处于持平状态时,根据该单位时长的火力发电缺口预测电量与火电电量标准差将火力发电预测电量做下降微调,若在该单位时长的火力发电预测电量同样处于上升状态时,表示火力发电缺口预测电量与火力发电预测电量的变化趋势相反,根据火力发电缺口预测电量与火力发电预测电量自身的变化程度进行调整,也保障了最终的火力发电中长期预测模型能够进行精准的数据预测。
具体而言,当判定tb单位时长的火力发电预测电量呈上升时,计算火力发电缺口预测电量的间隔单位时长变化量Vqb’与火力发电预测电量的间隔单位时长变化量Vdb’,其中,Vqb’= Vq1-Vq,Vdb’= Vd-Vd1,并将Vqb’与Vdb’进行对比,
当Vqb’<Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量低于火力发电预测电量上升趋势的变化量,将tb单位时长的火力发电缺口预测电量调整为Vqk,Vqk=Vq+Vq×(Vb/Vd),并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vqb’=Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量与火力发电预测电量上升趋势的变化量相同,将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记,并将火电电量标准差调整为Vb’,Vb’=[(Vd-Vq)+ Vb]/2;
当Vqb’>Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量高于火力发电预测电量上升趋势的变化量,将tb单位时长的火力发电预测电量调整为Vdk,Vdk=Vd-Vd×[Vq/(Vq+Vb)],并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
在火力发电缺口预测电量与火力发电预测电量的变化趋势相反时,对变化趋势较小的一模型的预测数据进行调整,同时在出现一个单位时长的火力发电缺口预测电量下降趋势的变化量与火力发电预测电量上升趋势的变化量相同,表示该单位时长的两模型之间的趋势变化量处于稳定状态,对设定的火电电量标准差进行调整,保障了不会因火电电量标准差的设定偏差导致整体预测结果偏低或偏高的现象,同时进一步提高了火力发电中长期预测模型的预测精度。
具体而言,在对火力发电缺口预测模型Vq=f(td)与火力发电预测模型Vd=f(td)进行差量计算判定调节时,优先选择未被标记并未保留的单位时长进行判定,对已经被标记的单位时长部分不进行二次判定,直至将预测周期时长为Td内的全部单位时长都进行标记后,将修正过的火力发电缺口预测模型Vq=f(td)与修正过的火力发电预测模型Vd=f(td)做平均处理,形成最终的火力发电中长期预测模型VY= f(td), 预测周期时长为Td,其中,VY=(Vq+Vd)/2。
在将所有单位时长下的两模型进行全部标记后,将两预测模型做平均处理,得到最终的火力发电中长期预测模型,通过将一种根据火力发电历史数据得出得预测模块和另一种根据区域总电量结合外部关联因素得出的火力发电缺口预测模型相结合,利用两模型相互修正,使得出的火力发电中长期预测模型的数据更加具有参考价值,结合实际情况对区域的火电发电量进行控制,减少了火电发电过多带来的环境污染,同时也能避免由于火电发电过少带来区域电力短缺的问题。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度自学习的火力发电中长期建模预测方法,其特征在于,包括,
步骤S1,对区域总用电量历史数据与电力关联因素历史数据进行收集,通过相关性分析工具对电力关联因素历史数据进行筛选并确定各类电量的关联要素数据,对区域总用电量历史数据与电量的关联要素数据进行预处理,形成样本数据;
步骤S2,对区域总用电量历史数据的样本数据进行数据分解与统计分析,得到时间规律上的统计特征;根据历史区域总用电量的统计特征以及样本数量,确定用电量预测模型的类型与结构,建立区域总用电量中长期预测模型;
步骤S3,对新能源发电量历史数据进行数据分解与统计分析,根据新能源发电量历史数据的统计特征以及样本数量,建立新能源发电中长期预测模型;
步骤S4,根据是否有外购电、外销电对区域类型进行确定,根据区域类型计算火电缺口,火电缺口计算公式为,火力发电量=区域总用电量+外销电量-外购电量-新能源发电量;根据火电缺口计算公式,在区域总用电量中长期预测模型、新能源发电中长期预测模型、外购电计划、外销电计划数据的基础上,建立火力发电缺口预测模型Vq=f(td);
步骤S5,对火力发电历史数据统计分析与数据分解,根据火力发电历史数据数据的统计特征以及样本数量,建立火力发电预测模型Vd=f(td),将火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行差量计算与判定修正,并将修正过的火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行平均处理,形成最终的火力发电中长期预测模型;
步骤S6,对预测误差进行多高斯拟合,根据多高斯分布组合计算不同置信度下的火力发电量分布区间。
2.根据权利要求1所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,在所述步骤S4中建立的火力发电缺口预测模型Vq=f(td),预测周期时长为Td,其中,td表示预测周期时长Td内的任一单位时长,Vq表示td单位时长该区域火力发电缺口预测电量;在所述步骤S5中建立的火力发电预测模型Vd=f(td),预测周期时长为Td,其中,td表示预测周期时长Td内的任一单位时长,Vd表示td单位时长该区域火力发电预测电量。
3.根据权利要求2所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,在所述步骤S5中,设定有单位时长的火电电量标准差Vb,根据在预测周期时长内火力发电缺口预测模型任一单位时长td火力发电缺口预测电量Vq,与该单位时长火力发电预测电量Vd进行计算该单位时长的火电电量预测差Vc,Vc=|Vq-Vd|,将该单位时长的火电电量预测差Vc与火电电量标准差Vb进行对比,
当Vc≤Vb时,判定该单位时长的火电电量预测差未超过火电电量标准差,对该单位时长的火力发电缺口预测电量Vq=f(td)与该单位时长的火力发电预测电量Vd=f(td)进行保留标记;
当Vc>Vb时,判定该单位时长的火电电量预测差超过火电电量标准差,将对该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比计算,以确定对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
4.根据权利要求3所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,当在td单位时长的火电电量预测差超过火电电量标准差时,将该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比,
当Vq>Vd时,判定该单位时长的火力发电缺口预测电量高于火力发电预测电量,将td单位时长的上一单位时长的火电电量预测差Vc1分别与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比,以确定对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整;
当Vq<Vd时,判定该单位时长的火力发电缺口预测电量低于火力发电预测电量,将td单位时长上一单位时长火力发电缺口预测电量Vq1与td单位时长的火力发电缺口预测电量Vq进行对比,将td单位时长上一单位时长火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比,结合两对比结果,对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
5. 根据权利要求4所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,当判定td单位时长的火力发电缺口预测电量高于火力发电预测电量时,将根据火力发电缺口预测电量Vq1=f(td-1)与火力发电预测电量Vd1=f(td-1)计算火电电量预测差Vc1,Vc1= |Vq1- Vd1|,
其中,td-1表示在预测周期时长Td内的td单位时长的上一个单位时长,Vq1表示td-1单位时长火力发电缺口预测电量,Vd1表示td-1单位时长火力发电预测电量,
将td-1单位时长的火电电量预测差Vc1与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比,
当Vc1≤Vb时,判定td-1单位时长的火电电量预测差未超过火电电量标准差,对td-1单位时长的火力发电缺口预测电量Vq1=f(td-1)与该单位时长的火力发电预测电量Vd1=f(td-1)进行保留标记;将并将td单位时长的火力发电缺口预测电量调整为Vq’,Vq’= Vq×[1-(Vc-Vb)/Vc],并对调节后的td单位时长火力发电缺口预测电量Vq’与火力发电预测电量Vd进行保留,但不进行标记;
当Vb<Vc1<Vc时,判定td-1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间,将对td-1单位时长的火力发电缺口预测电量、火力发电预测电量与td单位时长的火力发电缺口预测电量、火力发电预测电量进行对比,以确定对td单位时长的火力发电缺口预测电量、火力发电预测电量的调整;
当Vc1=Vc时,判定td-1单位时长的火电电量预测差与td单位时长的火电电量预测差相等,将对td-1单位时长的上一单位时长td-2的火电电量预测差进行计算判定,直至使td-2单位时长的火电电量预测差Vc2,达到Vc2≠Vc1时,停止对上一单位时长的火电电量预测差进行计算判定,并将火电电量预测差相同的各单位时长做相同调节;
当Vc1>Vc时,判定td-1单位时长的火电电量预测差Vc1高于td单位时长的火电电量预测差Vc,将重复上述对td单位时长的火电电量预测差Vc的判定调节操作,优先对td-1单位时长的火电电量预测差Vc1进行判定调节。
6. 根据权利要求5所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,当判定td-1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间时,计算火力发电缺口预测电量的间隔单位时长变化量Vqb与火力发电预测电量的间隔单位时长变化量Vdb,其中,Vqb= Vq-Vq1,Vdb= Vd-Vd1,并将Vqb与Vdb进行对比,
当Vqb>Vdb时,判定在td-1单位时长到td单位时长内火力发电缺口预测电量变化量大,将td单位时长的火力发电缺口预测电量调整为Vq”, Vq”=(Vq+Vq1)/2,并对td单位时长的调整后的火力发电缺口预测电量与td单位时长的火力发电预测电量进行保留标记;
当Vqb<Vdb时,判定在td-1单位时长到td单位时长内火力发电预测电量变化量大,Vd’=(Vd+Vd1)/2,并对td单位时长的调整后的火力发电预测电量与td单位时长的火力发电缺口预测电量进行保留标记;
当Vqb=Vdb时,判定在td-1单位时长到td单位时长内火力发电预测电量与火力发电缺口预测电量变化量相同,直接对td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
7.根据权利要求6所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,当判定tb单位时长的火力发电缺口预测电量低于火力发电预测电量时,将tb-1单位时长火力发电缺口预测电量Vq1与tb单位时长的火力发电缺口预测电量Vq进行对比,
当Vq1<Vq时,判定tb单位时长的火力发电缺口预测电量呈上升,不对火力发电预测电量与火力发电缺口预测电量进行调整,直接将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vq1=Vq时,判定tb单位时长的火力发电缺口预测电量呈持平,将tb单位时长的火力发电缺口预测电量调整为Vqx,Vqx=Vq+Vq×(Vb/Vd),并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vq1>Vq时,判定tb单位时长的火力发电缺口预测电量呈下降,将对tb单位时长的火力发电预测电量的变化趋势进行判定,以确定对tb单位时长的火力发电缺口预测电量或火力发电预测电量的调整。
8.根据权利要求7所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,当判定tb单位时长的火力发电缺口预测电量呈下降时,将td-1单位时长的火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比,
当Vd1<Vd时,判定tb单位时长的火力发电预测电量呈上升,将根据td-1单位时长到tb单位时长的火力发电预测电量变化量与火力发电缺口预测电量变化量,确定对tb单位时长的火力发电预测电量或火力发电缺口预测电量的调整;
当Vd1=Vd时,判定tb单位时长的火力发电预测电量呈持平,将tb单位时长的火力发电预测电量调整为Vdx,Vdx=Vd-Vd×[Vq/(Vq+Vb)],并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vd1>Vd时,判定tb单位时长的火力发电预测电量呈下降,不对火力发电预测电量与火力发电缺口预测电量进行调整,直接将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
9. 根据权利要求8所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,当判定tb单位时长的火力发电预测电量呈上升时,计算火力发电缺口预测电量的间隔单位时长变化量Vqb’与火力发电预测电量的间隔单位时长变化量Vdb’,其中,Vqb’= Vq1-Vq,Vdb’= Vd-Vd1,并将Vqb’与Vdb’进行对比,
当Vqb’<Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量低于火力发电预测电量上升趋势的变化量,将tb单位时长的火力发电缺口预测电量调整为Vqk,Vqk=Vq+Vq×(Vb/Vd),并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记;
当Vqb’=Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量与火力发电预测电量上升趋势的变化量相同,将td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记,并将火电电量标准差调整为Vb’,Vb’=[(Vd-Vq)+ Vb]/2;
当Vqb’>Vdb’时,判定tb单位时长的火力发电缺口预测电量下降趋势的变化量高于火力发电预测电量上升趋势的变化量,将tb单位时长的火力发电预测电量调整为Vdk,Vdk=Vd-Vd×[Vq/(Vq+Vb)],并对调整后的td单位时长的火力发电预测电量与火力发电缺口预测电量进行保留标记。
10. 根据权利要求9所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于,在对火力发电缺口预测模型Vq=f(td)与火力发电预测模型Vd=f(td)进行差量计算判定调节时,优先选择未被标记并未保留的单位时长进行判定,对已经被标记的单位时长部分不进行二次判定,直至将预测周期时长为Td内的全部单位时长都进行标记后,将修正过的火力发电缺口预测模型Vq=f(td)与修正过的火力发电预测模型Vd=f(td)做平均处理,形成最终的火力发电中长期预测模型VY= f(td), 预测周期时长为Td,其中,VY=(Vq+Vd)/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098803.XA CN114169650B (zh) | 2022-01-27 | 2022-01-27 | 一种火力发电中长期建模预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098803.XA CN114169650B (zh) | 2022-01-27 | 2022-01-27 | 一种火力发电中长期建模预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169650A true CN114169650A (zh) | 2022-03-11 |
CN114169650B CN114169650B (zh) | 2022-09-27 |
Family
ID=80489537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210098803.XA Active CN114169650B (zh) | 2022-01-27 | 2022-01-27 | 一种火力发电中长期建模预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169650B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080056312A (ko) * | 2005-10-17 | 2008-06-20 | 지멘스 악티엔게젤샤프트 | 화석연료 전력 생산 설비, 특히 가스 및 증기 터빈 설비 내개별 구성요소들의 수명 소모량을 결정하는 방법 및 장치 |
CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN112001581A (zh) * | 2020-07-07 | 2020-11-27 | 国网重庆市电力公司 | 一种电网电力电量平衡方法 |
CN112215392A (zh) * | 2020-08-27 | 2021-01-12 | 国电电力云南新能源开发有限公司 | 基于设备状态和环境因素的风电中长期区域发电量预测法 |
CN113097996A (zh) * | 2021-03-18 | 2021-07-09 | 国网辽宁省电力有限公司 | 一种电制热储热装置负荷省地联动调度方法 |
-
2022
- 2022-01-27 CN CN202210098803.XA patent/CN114169650B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080056312A (ko) * | 2005-10-17 | 2008-06-20 | 지멘스 악티엔게젤샤프트 | 화석연료 전력 생산 설비, 특히 가스 및 증기 터빈 설비 내개별 구성요소들의 수명 소모량을 결정하는 방법 및 장치 |
CN112001581A (zh) * | 2020-07-07 | 2020-11-27 | 国网重庆市电力公司 | 一种电网电力电量平衡方法 |
CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
CN112215392A (zh) * | 2020-08-27 | 2021-01-12 | 国电电力云南新能源开发有限公司 | 基于设备状态和环境因素的风电中长期区域发电量预测法 |
CN113097996A (zh) * | 2021-03-18 | 2021-07-09 | 国网辽宁省电力有限公司 | 一种电制热储热装置负荷省地联动调度方法 |
Non-Patent Citations (2)
Title |
---|
BO YANG: "Electric-thermal energy storage configuration of regional integrated energy system based on wind power prediction", 《2020 IEEE 1ST CHINA INTERNATIONAL YOUTH CONFERENCE ON ELECTRICAL ENGINEERING (CIYCEE)》 * |
薛松等: "考虑风电并网的快速响应火电机组安全经济规划模型", 《电网技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114169650B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793854B (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN111856309B (zh) | 一种电池健康状态的定量判断方法 | |
CN106709819B (zh) | 一种风电场功率预测综合评价方法 | |
CN115511270A (zh) | 一种面向分布式储能装置运行状态的综合评价系统及方法 | |
CN109559019B (zh) | 一种基于风险指数的电力系统动态安全评估方法 | |
CN114878934A (zh) | 一种电能耗数据异常预警方法 | |
CN114169650B (zh) | 一种火力发电中长期建模预测方法 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN114186713B (zh) | 一种考虑远景发展情景约束的中长期用电量预测方法 | |
de la Puente-Gil et al. | True power consumption labeling and mapping of the health system of the Castilla y León region in Spain by clustering techniques | |
CN112101761A (zh) | 清洁低碳、安全高效的能源体系建设成效综合评价方法 | |
CN109741213A (zh) | 一种零能耗建筑耗能控制方法及系统 | |
Bessa et al. | Comparison of probabilistic and deterministic approaches for setting operating reserve in systems with high penetration of wind power | |
CN116304949A (zh) | 一种能耗历史数据的校准方法 | |
CN115603319A (zh) | 电力系统风光出力预测方法及预测系统 | |
CN112365053B (zh) | 负荷区域内分布式光伏发电总功率的预测方法、系统与计算机可读介质 | |
Bozorgi et al. | Improving energy retrofit decisions by including uncertainty in the energy modelling process | |
CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
CN113253646A (zh) | 零能耗零碳建筑的判定方法及能源控制系统 | |
Rigaut et al. | Model predictive control for energy and climate management of a subway station thermo-electrical microgrid | |
CN112214734A (zh) | 一种基于统计物理学与人工智能的电力负荷预测方法 | |
Narayanan et al. | Systems approach to energy efficient building operation: case studies and lessons learned in a university campus | |
Pai | Analysis of weather parameters on electrical energy consumption of a residential building | |
Cheng et al. | Fault prediction of online power metering equipment based on hierarchical bayesian network |
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 |