CN114418168A - 一种区域火力发电量中长期预测方法和系统 - Google Patents
一种区域火力发电量中长期预测方法和系统 Download PDFInfo
- Publication number
- CN114418168A CN114418168A CN202111489634.4A CN202111489634A CN114418168A CN 114418168 A CN114418168 A CN 114418168A CN 202111489634 A CN202111489634 A CN 202111489634A CN 114418168 A CN114418168 A CN 114418168A
- Authority
- CN
- China
- Prior art keywords
- power generation
- generation amount
- module
- regional
- data
- 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.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000007774 longterm Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 95
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 48
- 239000003345 natural gas Substances 0.000 claims description 24
- 230000002123 temporal effect Effects 0.000 claims description 20
- 238000010219 correlation analysis Methods 0.000 claims description 18
- 238000012946 outsourcing Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Power Engineering (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)
Abstract
本发明公开了一种区域火力发电量中长期预测方法和系统,该方法包括:基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;根据区域电力历史数据和关键影响要素的历史数据生成样本数据,并将样本数据分割为训练集、测试集和校验集;根据空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;基于样本数据训练基于空时注意力机制的预测模型,训练完成后得到目标预测模型;基于目标预测模型预测出未来预设时长的火力发电量预测值,从而实现可靠的对区域火力发电量进行中长期预测,降低了火电企业的运营风险。
Description
技术领域
本申请涉及能源技术领域,更具体地,涉及一种区域火力发电量中长期预测方法和系统。
背景技术
在“碳达峰、碳中和”的中长期发展目标指导下,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。
然而,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。因此,造成火力发电量具有一定随机性和波动性,从而对火电企业的生产经营带来不确定性。
目前火力发电量预测是根据历史数据进行预测,没有考虑火力发电是作为区域社会总用电量与新能源发电的缺口,从而难以准确预测实际用电需求与新能源发电量约束下的火力发电量变化规律。
因此,如何可靠的对区域火力发电量进行中长期预测,从而降低火电企业的运营风险,是目前有待解决的技术问题。
发明内容
本发明公开了一种区域火力发电量中长期预测方法,用以解决现有技术中无法准确的对区域火力发电量进行中长期预测的技术问题。
该方法包括:
基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;
根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集;
根据空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;
基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型;基于所述目标预测模型预测出未来预设时长的火力发电量预测值;
其中,所述空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,所述目标类型电量包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、天然气发电量和核能发电量,所述用电量缺口=区域社会总用电量+外销电量-风力发电量-水力发电量-光伏发电量-天然气发电量-核能发电量-外购电量。
在本申请一些实施例中,基于所述样本数据训练所述基于空时注意力机制的预测模型,具体为:
基于所述样本数据对所述空间注意力模块进行第一阶段训练;
基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测模块进行第二阶段训练;
基于所述样本数据的累积对所述基于空时注意力机制的预测模型进行优化;
其中,所述第一阶段训练和所述第二阶段训练分别进行预设次数的迭代。
在本申请一些实施例中,所述空间注意力模块包括第一空间注意力网络、第一LSTM网络、第二空间注意力网络和第二LSTM网络,基于所述样本数据对所述空间注意力模块进行第一阶段训练,具体为:
将第一组矢量和第一组状态矢量输入所述第一空间注意力网络并使所述第一空间注意力网络的输出连接所述第一LSTM网络;
将所述第一LSTM网络输出的第二组状态矢量、以及历史火力发电量和第三组状态矢量输入所述第二空间注意力网络,并使所述第二空间注意力网络的输出连接所述第二LSTM网络,并得到所述第二LSTM网络输出的第四组状态矢量;
在完成所述预设次数的迭代后生成与第四组状态矢量对应的第一阶段状态矢量;
其中,所述第一组矢量是根据预设历史时长内所有所述关键影响要素生成的,所述第一组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第二组状态矢量反馈得到,所述第三组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第四组状态矢量反馈得到。
在本申请一些实施例中,所述时间注意力模块和所述预测模块由时间注意力网络、第三LSTM网络和全连接层构成,基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测模块进行第二阶段训练,具体为:
将所述第一阶段状态矢量、第五组状态矢量输入所述时间注意力网络,并使所述时间注意力网络的输出连接所述第三LSTM网络,并将历史火力发电量输入所述第三LSTM网络;
将所述第三LSTM网络输出的第六组状态矢量输入所述全连接层,并基于所述全连接层进行非线性加权后输出火力发电量预测值;
按所述预设次数进行迭代;
其中,所述第五组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第六组状态矢量反馈得到。
在本申请一些实施例中,所述预设次数为3,所述预设数量为10,所述预设历史时长为3个月,所述第一组矢量的维数为30,所述第一组状态矢量、所述第二组状态矢量、所述第三组状态矢量、所述第四组状态矢量、所述第一阶段状态矢量、所述第五组状态矢量、所述第六组状态矢量的维数为64,历史火力发电量的维数为1,每次迭代对应不同月份的历史火力发电量,所述未来预设时长为未来1个月。
在本申请一些实施例中,所述关键影响要素包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、核能发电量、天然气发电量、GDP、人口、气温和日期。
在本申请一些实施例中,所述区域电力历史数据包括各类用电量指标数据、各类型发电量数据、电网统调电量、电网非统调电量、外购电量和外销电量,所述关联因素历史数据包括区域社会经济发展指标数据、区域气候与环境数据、各发电类型的发电容量数据。
在本申请一些实施例中,根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,具体为对所述区域电力历史数据和所述关键影响要素的历史数据进行预处理,并将各类电力数据与各关键影响要素对齐后生成所述样本数据;
其中,所述预处理包括数据清洗、缺失值处理、量化编码和规整化。
相应的,本发明还提出了一种区域火力发电量中长期预测系统,所述系统包括:
关键影响要素确定模块,用于基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;
样本生成模块,用于根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集;
模型构建模块,用于基于空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;
模型训练模块,用于基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型;
预测模块,用于基于所述目标预测模型预测出未来预设时长的火力发电量预测值;
其中,所述空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,所述目标类型电量包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、天然气发电量和核能发电量,所述用电量缺口=区域社会总用电量+外销电量-风力发电量-水力发电量-光伏发电量-天然气发电量-核能发电量-外购电量。
相应的,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上所述的区域火力发电量中长期预测方法。
通过应用以上技术方案,基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;根据区域电力历史数据和关键影响要素的历史数据生成样本数据,并将样本数据分割为训练集、测试集和校验集;根据空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;基于样本数据训练基于空时注意力机制的预测模型,训练完成后得到目标预测模型;基于目标预测模型预测出未来预设时长的火力发电量预测值,其中,空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各关键影响要素与火力发电量的关联关系,从而实现了可靠的对区域火力发电量进行中长期预测,降低了火电企业的运营风险。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种区域火力发电量中长期预测方法的流程示意图;
图2示出了本发明另一实施例提出的一种区域火力发电量中长期预测方法的流程示意图;
图3示出了本发明实施例中基于空时注意力机制的预测模型的原理示意图;
图4示出了本发明实施例中空间注意力模块的原理示意图;
图5示出了本发明实施例中时间注意力模块和预测模块的原理示意图;
图6示出了本发明实施例中火力发电量预测的MAPE性能测试结果示意图;
图7示出了本发明实施例提出的一种区域火力发电量中长期预测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种区域火力发电量中长期预测方法,基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,构建基于空时注意力机制的预测模型,实现更为精确的火力发电量中长期预测。
如图1所示,该方法包括以下步骤:
步骤S101,基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素。
本实施例中,区域电力历史数据和与区域电力历史数据关联的关联因素历史数据为预设时长(如五年)内的历史数据,预先对区域电力历史数据和关联因素历史数据进行收集。预设相关性分析算法可包括Pearson算法、或Spearman算法、或Kendall算法、或互相关算法,基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析,根据相关性分析结果从关联因素历史数据中筛选出相关性较强的预设数量的关键影响要素。
为了提高预测的准确性,在本申请一些实施例中,所述关键影响要素包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、核能发电量、天然气发电量、GDP、人口、气温和日期。
本领域技术人员可根据实际需要灵活选择不同的关键影响要素,这并不影响本申请的保护范围。
为了提高预测的准确性,在本申请一些实施例中,所述区域电力历史数据包括各类用电量指标数据、各类型发电量数据、电网统调电量、电网非统调电量、外购电量和外销电量,所述关联因素历史数据包括区域社会经济发展指标数据、区域气候与环境数据、各发电类型的发电容量数据。
本实施例中,各类用电量指标数据可包括区域社会总用电量、第一产业用电量、第二产业用电量、第三产业用电量、居民与公共事业用电量,各类型发电量数据可包括火力发电量、水力发电量、风力发电量、光伏发电量、核发电量和天然气发电量,区域社会经济发展指标数据包括GDP、人口,区域气候与环境数据包括光照强度、光照时间、风速、风向、温度、湿度、气压、降雨、降雪、径流,各发电类型的发电容量数据包括装机容量和库区容量。
本领域技术人员可根据实际需要灵活选择不同的区域电力历史数据和关联因素历史数据,这并不影响本申请的保护范围
步骤S102,根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集。
本实施例中,样本数据用于对后续构建的基于空时注意力机制的预测模型进行训练,为了便于进行训练,将样本数据分割为训练集、测试集和校验集,本领域技术人员可按照不同的比例对样本数据进行分割,这并不影响本申请的保护范围。
为了可靠的生成样本数据,在本申请一些实施例中,根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,具体为对所述区域电力历史数据和所述关键影响要素的历史数据进行预处理,并将各类电力数据与各关键影响要素对齐后生成所述样本数据;
其中,所述预处理包括数据清洗、缺失值处理、量化编码和规整化。
本实施例中,为了保证样本数据的准确性,需要先对区域电力历史数据和所述关键影响要素的历史数据进行预处理,预处理可包括数据清洗、缺失值处理、量化编码和规整化,然后将各类电力数据与各关键影响要素对齐后生成样本数据。
其中,各种预处理的具体过程属于现有技术,在此不再赘述。
步骤S103,根据空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型。
本实施例中,空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,目标类型电量包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、天然气发电量和核能发电量;时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,用电量缺口=区域社会总用电量+外销电量-风力发电量-水力发电量-光伏发电量-天然气发电量-核能发电量-外购电量;预测模块可以为LSTM或GRU结构的神经网络。根据空间注意力模块、时间注意力模块和预测模块可构建基于空时注意力机制的预测模型。
步骤S104,基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型。
本实施例中,将样本数据输入基于空时注意力机制的预测模型进行训练,训练完成后得到可以对火力发电量进行中长期预测的目标预测模型。
为了提高预测的准确性,在本申请一些实施例中,基于所述样本数据训练所述基于空时注意力机制的预测模型,具体为:
基于所述样本数据对所述空间注意力模块进行第一阶段训练;
基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测模块进行第二阶段训练;
基于所述样本数据的累积对所述基于空时注意力机制的预测模型进行优化;
其中,所述第一阶段训练和所述第二阶段训练分别进行预设次数的迭代。
本实施例中,将基于空时注意力机制的预测模型分为两部分并分别进行训练,第一部分为空间注意力模块,基于样本数据对空间注意力模块进行第一阶段训练;第二部分为时间注意力模块和预测模块,基于样本数据和空间注意力模块的输出对该第二部分进行第二阶段训练,第一阶段训练和第二阶段训练分别进行预设次数的迭代,然后随着样本数据的累积可对基于空时注意力机制的预测模型进行优化。
为了提高预测的准确性,在本申请一些实施例中,所述空间注意力模块包括第一空间注意力网络、第一LSTM网络、第二空间注意力网络和第二LSTM网络,基于所述样本数据对所述空间注意力模块进行第一阶段训练,具体为:
将第一组矢量和第一组状态矢量输入所述第一空间注意力网络并使所述第一空间注意力网络的输出连接所述第一LSTM网络;
将所述第一LSTM网络输出的第二组状态矢量、以及历史火力发电量和第三组状态矢量输入所述第二空间注意力网络,并使所述第二空间注意力网络的输出连接所述第二LSTM网络,并得到所述第二LSTM网络输出的第四组状态矢量;
在完成所述预设次数的迭代后生成与第四组状态矢量对应的第一阶段状态矢量。
本实施例中,所述第一组矢量是根据预设历史时长(如几个月)内所有所述关键影响要素生成的,所述第一组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第二组状态矢量反馈得到,所述第三组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第四组状态矢量反馈得到。
在第一阶段训练时,先将第一组矢量和第一组状态矢量输入所述第一空间注意力网络,然后使第一空间注意力网络的输出连接第一LSTM网络,第一LSTM网络会输出第二组状态矢量,再将该第二组状态矢量、历史火力发电量和第三组状态矢量输入第二空间注意力网络,然后使第二空间注意力网络的输出连接第二LSTM网络,第二LSTM网络输出得到第四组状态矢量,在完成预设次数的迭代后生成与第四组状态矢量对应的第一阶段状态矢量。
需要说明的是,以上实施例的方案仅为本申请所提出的一种具体实现方案,其他基于样本数据对所述空间注意力模块进行第一阶段训练的方式均属于本申请的保护范围。
为了提高预测的准确性,在本申请一些实施例中,所述时间注意力模块和所述预测模块由时间注意力网络、第三LSTM网络和全连接层构成,基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测模块进行第二阶段训练,具体为:
将所述第一阶段状态矢量、第五组状态矢量输入所述时间注意力网络,并使所述时间注意力网络的输出连接所述第三LSTM网络,并将历史火力发电量输入所述第三LSTM网络;
将所述第三LSTM网络输出的第六组状态矢量输入所述全连接层,并基于所述全连接层进行非线性加权后输出火力发电量预测值;
按所述预设次数进行迭代。
本实施例中,第五组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第六组状态矢量反馈得到。
在进行第二阶段训练时,先将第一阶段训练输出的第一阶段状态矢量和第五状态矢量输入时间注意力网络,并使时间注意力网络的输出连接第三LSTM网络,还将历史火力发电量输入第三LSTM网络,再将第三LSTM网络输出的第六组状态矢量输入全连接层,并基于全连接层进行非线性加权后输出火力发电量预测值,并按所述预设次数进行迭代。
需要说明的是,以上实施例的方案仅为本申请所提出的一种具体实现方案,其他基于样本数据和空间注意力模块的输出对时间注意力模块和预测模块进行第二阶段训练的方式均属于本申请的保护范围。
为了提高预测的准确性,在本申请一些实施例中,所述预设次数为3,所述预设数量为10,所述预设历史时长为3个月,所述第一组矢量的维数为30,所述第一组状态矢量、所述第二组状态矢量、所述第三组状态矢量、所述第四组状态矢量、所述第一阶段状态矢量、所述第五组状态矢量、所述第六组状态矢量的维数为64,历史火力发电量的维数为1,每次迭代对应不同月份的历史火力发电量。
步骤S105,基于所述目标预测模型预测出未来预设时长的火力发电量预测值。
本实施例中,基于训练完成得到的目标预测模型可预测出未来预设时长的火力发电量预测值。
在本申请一些实施例中,所述未来预设时长为未来1个月。
通过应用以上技术方案,基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集;根据空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型;基于所述目标预测模型预测出未来预设时长的火力发电量预测值,其中,所述空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,从而实现了可靠的对区域火力发电量进行中长期预测,降低了火电企业的运营风险。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
针对火力发电作为区域电量支撑和电力保障而存在的不确定性与波动性问题,本申请实施例提供一种区域火力发电量中长期预测方法,如图2所示,包括以下步骤:
步骤一:历史数据收集
1)区域电力历史数据收集:区域社会总用电量,第一、二、三产业的用电量,居民与公共事业用电量等各类用电量指标数据;火力发电量,水力发电量,风力发电量,光伏发电量,核发电量,天然气发电量等各类型发电量数据;电网统调电量,电网非统调电量;外购电量,外销电量。
2)与区域电力相关的关联因素历史数据收集:区域社会总用电量关联因素,包括区域社会经济发展指标数据;新能源发电的关联因素,包括光照强度、光照时间、风速、风向、温度、湿度、气压、降雨、降雪、径流等各类区域气候与环境数据,以及装机容量、库区容量等各发电类型的发电容量数据。
步骤二:相关性分析与关键影响要素确定
1)采用Pearson、Spearman、Kendall、互相关等各类线性与非线性相关性分析工具,计算关联因素数据与区域电力数据的相关性;
2)筛选各类电量的关键影响要素:根据相关性计算结果,确定关键影响要素。包括:区域社会总用电量、风力发电量、水力发电量、光伏发电量、核能发电量、天然气发电量、GDP、人口、气温、日期等十个关键影响要素。
步骤三:数据预处理与样本构造
1)数据预处理:对数据进行清洗、缺失值处理、量化编码、规整化等预处理;
2)样本构造:将各类电力数据与各关键影响要素对齐,形成样本数据;
3)样本数据集划分:将样本数据分割为训练集、测试集和校验集。
步骤四:构建基于空时注意力机制的预测模型
1)根据用电量、风力发电量、水力发电量、光伏发电量、天然气发电量、核能发电量作为火力发电量的约束条件,使用空间注意力机制抽取这些电量与火力发电量的关联关系;
2)根据火力发电量作为用电缺口与社会总用电保障的定位,设计时间注意力机制,抽取关联要素对火力发电量的影响关联关系;
3)设计LSTM或GRU结构的时间变化规律提取模块,实现火力发电量的预测。
基于空时注意力机制的预测模型如图3所示,由空间注意力模块(包括第一空间注意力网络和第二空间注意力网络)、时间注意力模块和预测模块三部分组成。
空间注意力模块的具体结构如图4所示,时间注意力模块与预测模块的具体结构如图5所示。
步骤五:模型训练与优化
1)第一阶段训练:空间注意力模块训练。如图4所示,空间注意力模块由2个空间注意力网络和2个LSMT网络构成,进行3次迭代训练。第一空间注意力网络的输入为连续3个月的10维关联要素构成的30维矢量(x1,1,...,x10,1,x1,2,...,x10,2,x1,3,...,x10,3)和64维的第一组状态矢量(h1,0,...,h64,0),其中第一组状态矢量(h1,0,...,h64,0)在第1次迭代时,通过随机初始化产生,而在随后的两次迭代时,由第一LSTM网络输出的第二组状态矢量(h1,1,...,h64,1)通过反馈而得到。第二空间注意力网络的输入由三部分构成:第一部分为第一LSTM网络输出的64维第二组状态矢量(h1,1,...,h64,1);第二部分是历史火力发电量yn,第n次迭代时输入第n个月的火力发电量;第三部分为64维第三组状态矢量(h1,2,...,h64,2),其取值在第1次迭代时,通过随机初始化产生,而在随后的两次迭代时,由第二LSTM网络输出的第四组状态矢量(h1,3,...,h64,3)通过反馈而得到。第m次迭代空间注意力模块输出的状态矢量保存为第一阶段状态矢量(s1,m,...,s64,m),用于第二阶段的时间注意力模块与预测模块训练。
2)第二阶段训练:时间注意力模块与预测模块训练,同样经历3次迭代。如图5所示,时间注意力网络的输入为两个64维状态矢量构成,分别是前一阶段第二LSTM网络输出的第一阶段状态矢量(s1,m,...,s64,m)和第五组状态矢量(h1,4,...,h64,4)。第一次迭代时,第五组状态矢量(h1,4,...,h64,4)通过随机初始化产生,而在随后的两次迭代时,由第三LSTM网络输出的第六状态矢量(h1,5,...,h64,5)通过反馈而得到。第三LSTM网络的输入除了时间注意力网络输出的64维矢量(β1,...,β64),还包括历史火力发电量,第n次迭代时输入第n个月的火力发电量ym。第三LSTM网络输出的64维第六组状态矢量通过全连接层进行非线性加权,获得未来一个月的火力发电量预测值y4。
3)模型优化:随着数据的积累,更新优化模型。
以下介绍本发明在真实数据集上的实验结果。
收集某省2015年1月至2020年5月共65个月的电量数据,前53个月的数据作为训练集,后12个月数据作为测试集。对比三种火力发电量预测方案:
方案1,仅使用火力发电量及外界影响要素,包括GDP、人口、气温、日期等;
方案2,将火力发电量作为用电量缺口,即通过社会总用电量预测值-新能源发电量预测值-外购电量;
方案3为本发明提出的基于空时注意力机制的预测模型。
预测性能度量采用MAPE(Mean absolute percentage error,平均绝对百分误差),即:其中yn表示第n个实际的火力发电量,表示第n个预测的火力发电量,N为测试集大小。测试性能如表1和图6所示。
表1
方案1 | 方案2 | 方案3 | |
MAPE | 11.70% | 11.63% | 10.77% |
由此可知,与本发明对应的方案3的预测性能最好,因此,本发明的实施例试验是成功的,实现了可靠的对区域火力发电量进行中长期预测。
本申请实施例还提出了一种区域火力发电量中长期预测系统,如图7所示,所述系统包括:
关键影响要素确定模块701,用于基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;
样本生成模块702,用于根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集;
模型构建模块703,用于基于空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;
模型训练模块704,用于基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型;
预测模块705,用于基于所述目标预测模型预测出未来预设时长的火力发电量预测值;
其中,所述空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,所述目标类型电量包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、天然气发电量和核能发电量,所述用电量缺口=区域社会总用电量+外销电量-风力发电量-水力发电量-光伏发电量-天然气发电量-核能发电量-外购电量。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种区域火力发电量中长期预测方法,其特征在于,所述方法包括:
基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;
根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集;
根据空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;
基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型;
基于所述目标预测模型预测出未来预设时长的火力发电量预测值;
其中,所述空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,所述目标类型电量包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、天然气发电量和核能发电量,所述用电量缺口=区域社会总用电量+外销电量-风力发电量-水力发电量-光伏发电量-天然气发电量-核能发电量-外购电量。
2.如权利要求1所述的方法,其特征在于,基于所述样本数据训练所述基于空时注意力机制的预测模型,具体为:
基于所述样本数据对所述空间注意力模块进行第一阶段训练;
基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测模块进行第二阶段训练;
基于所述样本数据的累积对所述基于空时注意力机制的预测模型进行优化;
其中,所述第一阶段训练和所述第二阶段训练分别进行预设次数的迭代。
3.如权利要求2所述的方法,其特征在于,所述空间注意力模块包括第一空间注意力网络、第一LSTM网络、第二空间注意力网络和第二LSTM网络,基于所述样本数据对所述空间注意力模块进行第一阶段训练,具体为:
将第一组矢量和第一组状态矢量输入所述第一空间注意力网络并使所述第一空间注意力网络的输出连接所述第一LSTM网络;
将所述第一LSTM网络输出的第二组状态矢量、以及历史火力发电量和第三组状态矢量输入所述第二空间注意力网络,并使所述第二空间注意力网络的输出连接所述第二LSTM网络,并得到所述第二LSTM网络输出的第四组状态矢量;
在完成所述预设次数的迭代后生成与第四组状态矢量对应的第一阶段状态矢量;
其中,所述第一组矢量是根据预设历史时长内所有所述关键影响要素生成的,所述第一组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第二组状态矢量反馈得到,所述第三组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第四组状态矢量反馈得到。
4.如权利要求3所述的方法,其特征在于,所述时间注意力模块和所述预测模块由时间注意力网络、第三LSTM网络和全连接层构成,基于所述样本数据和所述空间注意力模块的输出对所述时间注意力模块和所述预测模块进行第二阶段训练,具体为:
将所述第一阶段状态矢量、第五组状态矢量输入所述时间注意力网络,并使所述时间注意力网络的输出连接所述第三LSTM网络,并将历史火力发电量输入所述第三LSTM网络;
将所述第三LSTM网络输出的第六组状态矢量输入所述全连接层,并基于所述全连接层进行非线性加权后输出火力发电量预测值;
按所述预设次数进行迭代;
其中,所述第五组状态矢量在首次迭代时为随机产生并在之后的迭代中根据所述第六组状态矢量反馈得到。
5.如权利要求4所述的方法,其特征在于,所述预设次数为3,所述预设数量为10,所述预设历史时长为3个月,所述第一组矢量的维数为30,所述第一组状态矢量、所述第二组状态矢量、所述第三组状态矢量、所述第四组状态矢量、所述第一阶段状态矢量、所述第五组状态矢量、所述第六组状态矢量的维数为64,历史火力发电量的维数为1,每次迭代对应不同月份的历史火力发电量,所述未来预设时长为未来1个月。
6.如权利要求1所述的方法,其特征在于,所述关键影响要素包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、核能发电量、天然气发电量、GDP、人口、气温和日期。
7.如权利要求1所述的方法,其特征在于,所述区域电力历史数据包括各类用电量指标数据、各类型发电量数据、电网统调电量、电网非统调电量、外购电量和外销电量,所述关联因素历史数据包括区域社会经济发展指标数据、区域气候与环境数据、各发电类型的发电容量数据。
8.如权利要求1所述的方法,其特征在于,根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,具体为
对所述区域电力历史数据和所述关键影响要素的历史数据进行预处理,并将各类电力数据与各关键影响要素对齐后生成所述样本数据;
其中,所述预处理包括数据清洗、缺失值处理、量化编码和规整化。
9.一种区域火力发电量中长期预测系统,其特征在于,所述系统包括:
关键影响要素确定模块,用于基于预设相关性分析算法对区域电力历史数据和关联因素历史数据进行相关性分析并确定预设数量的关键影响要素;
样本生成模块,用于根据所述区域电力历史数据和所述关键影响要素的历史数据生成样本数据,并将所述样本数据分割为训练集、测试集和校验集;
模型构建模块,用于基于空间注意力模块、时间注意力模块和预测模块构建基于空时注意力机制的预测模型;
模型训练模块,用于基于所述样本数据训练所述基于空时注意力机制的预测模型,训练完成后得到目标预测模型;
预测模块,用于基于所述目标预测模型预测出未来预设时长的火力发电量预测值;
其中,所述空间注意力模块用于基于空间注意力机制抽取目标类型电量与火力发电量的关联关系,所述时间注意力模块用于将火力发电量作为用电量缺口并基于时间注意力机制抽取各所述关键影响要素与火力发电量的关联关系,所述目标类型电量包括区域社会总用电量、风力发电量、水力发电量、光伏发电量、天然气发电量和核能发电量,所述用电量缺口=区域社会总用电量+外销电量-风力发电量-水力发电量-光伏发电量-天然气发电量-核能发电量-外购电量。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-8任一项所述的区域火力发电量中长期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489634.4A CN114418168A (zh) | 2021-12-08 | 2021-12-08 | 一种区域火力发电量中长期预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111489634.4A CN114418168A (zh) | 2021-12-08 | 2021-12-08 | 一种区域火力发电量中长期预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418168A true CN114418168A (zh) | 2022-04-29 |
Family
ID=81265375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111489634.4A Pending CN114418168A (zh) | 2021-12-08 | 2021-12-08 | 一种区域火力发电量中长期预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418168A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
-
2021
- 2021-12-08 CN CN202111489634.4A patent/CN114418168A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharif et al. | Developing surrogate ANN for selecting near-optimal building energy renovation methods considering energy consumption, LCC and LCA | |
Amasyali et al. | A review of data-driven building energy consumption prediction studies | |
Domínguez-Muñoz et al. | Selection of typical demand days for CHP optimization | |
Behrang et al. | Forecasting future oil demand in Iran using GSA (Gravitational Search Algorithm) | |
Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
Su et al. | A systematic data-driven Demand Side Management method for smart natural gas supply systems | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
Aydinalp et al. | Modelling of residential energy consumption at the national level | |
Li et al. | A spatial-temporal layer-wise relevance propagation method for improving interpretability and prediction accuracy of LSTM building energy prediction | |
CN114912721A (zh) | 一种储能调峰需求的预测方法及系统 | |
Liu et al. | Energy and carbon performance of urban buildings using metamodeling variable importance techniques | |
Sharif et al. | Generation of whole building renovation scenarios using variational autoencoders | |
Lau et al. | Modelling carbon emissions in electric systems | |
Chen et al. | AI-Assisted approach for building energy and carbon footprint modeling | |
Bui et al. | Power demand forecasting using long short-term memory neural network based smart grid | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN115600722A (zh) | 企业电碳因子长期预测方法 | |
CN114418168A (zh) | 一种区域火力发电量中长期预测方法和系统 | |
Choi et al. | Performance evaluation of deep learning architectures for load and temperature forecasting under dataset size constraints and seasonality | |
Mao et al. | Towards fast energy performance evaluation: A pilot study for office buildings | |
Yao et al. | An integrated D-CNN-LSTM approach for short-term heat demand prediction in district heating systems | |
Alonso et al. | A single scalable lstm model for short-term forecasting of disaggregated electricity loads | |
Nezzar et al. | Mid-long term Algerian electric load forecasting using regression approach | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 |
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 |