CN116029433A - 基于灰色预测的能效基准值判定方法、系统、设备和介质 - Google Patents

基于灰色预测的能效基准值判定方法、系统、设备和介质 Download PDF

Info

Publication number
CN116029433A
CN116029433A CN202211738612.1A CN202211738612A CN116029433A CN 116029433 A CN116029433 A CN 116029433A CN 202211738612 A CN202211738612 A CN 202211738612A CN 116029433 A CN116029433 A CN 116029433A
Authority
CN
China
Prior art keywords
energy efficiency
data
predicted value
sequence
accuracy
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
Application number
CN202211738612.1A
Other languages
English (en)
Inventor
郭毅
陈洪银
刘勇超
王松岑
李德智
吕炳霖
钟鸣
芋耀贤
霍永锋
金璐
刘铠诚
张新鹤
刘超
黄伟
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Marketing Service Center of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Marketing Service Center of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211738612.1A priority Critical patent/CN116029433A/zh
Publication of CN116029433A publication Critical patent/CN116029433A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Abstract

本发明提供了一种基于灰色预测的能效基准值判定方法、系统、设备和介质，包括：将典型用能系统能效及对应的历史运行数据，输入灰色预测模型，得到典型用能系统能效预测值；将能效特征指标及对应的历史运行数据，输入灰色预测模型，得到能效特征指标的指标数据预测值；基于典型用能系统能效预测值和能效特征指标的指标数据预测值，对典型用能系统能效预测值进行准确度判定。本发明能够提高典型用能系统基准值的准确度，进而提高管理能耗系统的效率，提升能源利用效率，降低能源消耗，为实际的生产提供参考标准，促进行业的整体提升。

Description

基于灰色预测的能效基准值判定方法、系统、设备和介质
技术领域
本发明属于能效基准预测技术领域，具体涉及一种基于灰色预测的能效基准值判定方法、系统、设备和介质。
背景技术
目前，随着经济的发展和人口的增长，全世界对能源的需求也越来越大。自工业革命以来，以煤炭、石油为代表的传统化石燃料－直是人类能源的主要来源，但传统不可再生能源的储量正在急剧减少，能源消耗所带来的环境污染问题也日益严重。面对愈演愈烈的能源危机，积极开发节能技术、实现能源的可持续发展已经成为世界各国的共识。通过制定能效基准值、实施能效标准、推广能效制度来提高用能系统的能源效率，促进节能技术进步，减少有害物的排放和保护环境。
能效基准值是否科学合理关系到重点行业节能降碳成效。对存量项目，通过设定科学合理的能效限定值，充分发挥倒逼作用，加快淘汰能耗和排放不达标的落后技术、工艺和装备；对新建项目，通过严格行业准入标准，引导企业采用先进技术工艺提高能效水平，并不断引领行业整体能效滚动提升。
典型用能系统主要选取于工业、建筑业以及采矿业等耗能较高的产业中应用较为广泛的用能系统，主要包括：锅炉及热力系统、电机系统、中央空调系统、压缩空气系统、照明系统、供配电系统、泵系统、风机系统、热电联供系统、光伏系统。高耗能产业既是能源消耗的主体，也是节能降耗工作的重点，全面准确地了解具体的能源消耗情况及其产生的效益，将有利于节能潜力的分析、能耗的有效控制以及节能降耗决策的制定。所以，切实可行的能效评估预测是全面有效地管理其能耗系统，提升能源利用效率，降低能源消耗的有效手段和保障，而当前研究对适应双碳目标下的客户侧典型用能系统能效基准的预测方法研究较少，有效与实用的相关能效评估预测手段较为匮乏。
发明内容
为克服上述现有技术的不足，本发明提出一种基于灰色预测的能效基准值判定方法，包括：
将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；
将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；
基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；
其中，所述能效特征指标是基于与典型用能系统的关联度筛选得到的。
优选的，所述能效特征指标包括如下的筛选过程：
将获取的典型用能系统及对应的历史运行数据作为参考序列，将获取的预设运行关联指标及对应的历史运行数据作为比较序列；
采用最大最小值法对所述参考序列和比较序列中的数据进行数据无量纲化处理，将处理后的参考序列作为新的参考序列，将处理后的比较序列作为新的比较序列；
基于所述参考序列和比较序列，计算参考序列和比较序列之间的关联系数；
根据所述参考序列和比较序列之间的关联系数，得到对应的关联曲线；
根据所述关联曲线，确定参考序列和比较序列之间的第一关联度计算结果；
根据所述参考序列和比较序列之间的第一关联度计算结果，筛选所述第一关联度计算结果大于预设阈值的运行关联指标作为能效特征指标。
优选的，所述关联系数对应的计算式如下：
Figure BDA0004033950930000021
其中，ζst(i)表示参考序列和比较序列中第i个数据对应的关联系数；Ys(i)表示参考序列中的第i个数据；Xt(i)表示比较序列中的第i个数据；s表示典型用能系统能效的数量；t表示能效特征指标的数量；ρ表示分辨系数。
优选的，所述第一关联度对应的计算式如下：
Figure BDA0004033950930000022
其中，γst表示参考序列和比较序列的第一关联度计算结果；n表示参考序列中数据的个数，i＝1,2,…,n。
优选的，所述灰色预测模型包括如下的执行过程：
将所述第一运行数据或第二运行数据作为输入数据；
将所述输入数据进行一次累加，得到一次累加序列；
基于所述一次累加序列，建立紧邻序列；
针对所述一次累加序列，构建微分方程；
基于所述输入数据和所述紧邻序列中的数据，采用最小二乘法对所述微分方程进行求解，得到所述一次累加序列对应的预测值；
针对所述一次累加序列对应的预测值进行累减，得到输入数据对应的典型用能系统能效预测值或能效特征指标的指标数据预测值。
优选的，所述基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定，包括：
将所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值进行第二关联度计算，得到所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值之间的第二关联度计算结果；
基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果；
当所述第一准确度判定结果为不通过时，输出预测准确度不合格；
当所述第一准确度判定结果为通过时，采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，得到所述典型用能系统能效预测值的第二准确度判定结果；其中，所述第二准确度判定结果包括：预测准确度优秀、预测准确度良好、预测准确度合格和预测准确度不合格。
优选的，所述基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果，包括：
判断所述第一关联度计算结果和所述第二关联度计算结果之间的差值是否小于设定的关联度阈值，
若是，所述典型用能系统能效预测值的第一准确度判定结果为通过；
若否，所述典型用能系统能效预测值的第一准确度判定结果为不通过。
优选的，所述采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，包括：
采用相对残差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的相对误差和平均相对误差；
采用后验差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的均方差比值；
基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果。
优选的，所述基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果，包括：
根据所述相对误差和所述平均相对误差，计算对应的小误差概率；
将所述小误差概率和所述均方差比值分别与预设的小误差概率阈值和均方差阈值进行比较，根据比较结果确定所述典型用能系统能效预测值对应的第二准确度判定结果。
优选的，所述将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型之前，还包括：
对所述第一运行数据进行第一级比检验，判断第一级比检验结果是否处于预设的区间范围；
当所述第一级比检验结果未处于所述预设的区间范围时，获取所述第一级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第一级比检验结果处于所述区间范围；其中，所述处理变换包括：开次方根和常数转换。
优选的，所述将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型之前，还包括：
对所述第二运行数据进行第二级比检验，判断第二级比检验结果是否处于所述区间范围；
当所述第二级比检验结果未处于所述区间范围时，获取所述第二级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第二级比检验结果处于所述区间范围。
基于同一发明构思，本发明还提供了一种基于灰色预测的能效基准值判定系统，包括：
典型能效预测模块：用于将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；
特征指标预测模块：用于将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；
准确度判定模块：用于基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；
其中，所述特征指标预测模块中的能效特征指标是基于与典型用能系统的关联度筛选得到的。
优选的，所述特征指标预测模块中的能效特征指标包括如下的筛选过程：
将获取的典型用能系统及对应的历史运行数据作为参考序列，将获取的预设运行关联指标及对应的历史运行数据作为比较序列；
采用最大最小值法对所述参考序列和比较序列中的数据进行数据无量纲化处理，将处理后的参考序列作为新的参考序列，将处理后的比较序列作为新的比较序列；
基于所述参考序列和比较序列，计算参考序列和比较序列之间的关联系数；
根据所述参考序列和比较序列之间的关联系数，得到对应的关联曲线；
根据所述关联曲线，确定参考序列和比较序列之间的第一关联度计算结果；
根据所述参考序列和比较序列之间的第一关联度计算结果，筛选所述第一关联度计算结果大于预设阈值的运行关联指标作为能效特征指标。
优选的，所述特征指标预测模块中的关联系数对应的计算式如下：
Figure BDA0004033950930000051
其中，ζst(i)表示参考序列和比较序列中第i个数据对应的关联系数；Ys(i)表示参考序列中的第i个数据；Xt(i)表示比较序列中的第i个数据；s表示典型用能系统能效的数量；t表示能效特征指标的数量；ρ表示分辨系数。
优选的，所述特征指标预测模块中的第一关联度对应的计算式如下：
Figure BDA0004033950930000052
其中，γst表示参考序列和比较序列的第一关联度计算结果；n表示参考序列中数据的个数，i＝1,2,…,n。
优选的，所述典型能效预测模块或特征指标预测模块中的灰色预测模型包括如下的执行过程：
将所述第一运行数据或第二运行数据作为输入数据；
将所述输入数据进行一次累加，得到一次累加序列；
基于所述一次累加序列，建立紧邻序列；
针对所述一次累加序列，构建微分方程；
基于所述输入数据和所述紧邻序列中的数据，采用最小二乘法对所述微分方程进行求解，得到所述一次累加序列对应的预测值；
针对所述一次累加序列对应的预测值进行累减，得到输入数据对应的典型用能系统能效预测值或能效特征指标的指标数据预测值。
优选的，所述准确度判定模块，具体用于：
将所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值进行第二关联度计算，得到所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值之间的第二关联度计算结果；
基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果；
当所述第一准确度判定结果为不通过时，输出预测准确度不合格；
当所述第一准确度判定结果为通过时，采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，得到所述典型用能系统能效预测值的第二准确度判定结果；其中，所述第二准确度判定结果包括：预测准确度优秀、预测准确度良好、预测准确度合格和预测准确度不合格。
优选的，所述准确度判定模块中基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果，包括：
判断所述第一关联度计算结果和所述第二关联度计算结果之间的差值是否小于设定的关联度阈值，
若是，所述典型用能系统能效预测值的第一准确度判定结果为通过；
若否，所述典型用能系统能效预测值的第一准确度判定结果为不通过。
优选的，所述准确度判定模块中采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，包括：
采用相对残差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的相对误差和平均相对误差；
采用后验差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的均方差比值；
基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果。
优选的，所述准确度判定模块中基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果，包括：
根据所述相对误差和所述平均相对误差，计算对应的小误差概率；
将所述小误差概率和所述均方差比值分别与预设的小误差概率阈值和均方差阈值进行比较，根据比较结果确定所述典型用能系统能效预测值对应的第二准确度判定结果。
优选的，所述典型能效预测模块中将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型之前，还包括：
对所述第一运行数据进行第一级比检验，判断第一级比检验结果是否处于预设的区间范围；
当所述第一级比检验结果未处于所述预设的区间范围时，获取所述第一级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第一级比检验结果处于所述区间范围；其中，所述处理变换包括：开次方根和常数转换。
优选的，所述特征指标预测模块中将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型之前，还包括：
对所述第二运行数据进行第二级比检验，判断第二级比检验结果是否处于所述区间范围；
当所述第二级比检验结果未处于所述区间范围时，获取所述第二级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第二级比检验结果处于所述区间范围。
基于同一发明构思，本发明还提供一种计算机设备，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的基于灰色预测的能效基准值判定方法。
基于同一发明构思，本发明还提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的基于灰色预测的能效基准值判定方法。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种基于灰色预测的能效基准值判定方法、系统、设备和介质，包括：将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；其中，所述能效特征指标是基于与典型用能系统的关联度筛选得到的。本发明通过采用灰色预测模型对典型用能系统的能效基准值和能效特征指标的指标数据进行预测，有利于当数据量较少或数据不完整时，提高数据预测的可靠性；通过将预先筛选出与典型用能系统能效关联度较大的指标作为能效特征指标，有利于对典型用能系统基准值预测的准确度进行判定时提高准确度判定的可信度，进而提高管理能耗系统的效率，提升能源利用效率，降低能源消耗。
附图说明
图1为本发明提供的一种基于灰色预测的能效基准值判定方法流程示意图；
图2为本发明提供的一种基于灰色预测的能效基准值判定方法中灰色预测模型执行流程示意图；
图3为本发明提供的一种基于灰色预测的能效基准值判定方法中能效特征指标的筛选流程示意图；
图4为本发明提供的一种基于灰色预测的能效基准值判定系统结构组成示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种基于灰色预测的能效基准值判定方法，流程示意图如图1所示，包括：
步骤1：将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；
步骤2：将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；
步骤3：基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；
其中，所述能效特征指标是基于与典型用能系统的关联度筛选得到的。
具体的，如图2所示为步骤1中所述的灰色预测模型的执行过程，包括：
将所述第一运行数据或第二运行数据作为输入数据；
将所述输入数据进行一次累加，得到一次累加序列；
基于所述一次累加序列，建立紧邻序列；
针对所述一次累加序列，构建微分方程；
基于所述输入数据和所述紧邻序列中的数据，采用最小二乘法对所述微分方程进行求解，得到所述一次累加序列对应的预测值；
针对所述一次累加序列对应的预测值进行累减，得到输入数据对应的典型用能系统能效预测值或能效特征指标的指标数据预测值；
本发明中采用灰色预测模型针对典型用能系统能效基准值和能效特征指标的指标数据进行预测，因为灰色预测模型可以针对数量较少，数据不完整，可靠性较低的数据进行有效预测，该模型操作简单，用途广泛。
如图3所示为步骤2中所述能效特征指标的筛选过程，包括：
将获取的典型用能系统及对应的历史运行数据作为参考序列，将获取的预设运行关联指标及对应的历史运行数据作为比较序列；
采用最大最小值法对所述参考序列和比较序列中的数据进行数据无量纲化处理，将处理后的参考序列作为新的参考序列，将处理后的比较序列作为新的比较序列；
基于所述参考序列和比较序列，计算参考序列和比较序列之间的关联系数；
根据所述参考序列和比较序列之间的关联系数，得到对应的关联曲线；
根据所述关联曲线，确定参考序列和比较序列之间的第一关联度计算结果；
根据所述参考序列和比较序列之间的第一关联度计算结果，筛选所述第一关联度计算结果大于预设阈值的运行关联指标作为能效特征指标；在进行能效特征指标筛选时，使用灰色关联分析方法，该方法以各因素的样本数据为基础通过计算参考序列和比较序列的关联度来判断因素之间联系是否紧密，利用参考序列和比较序列曲线几何形状的相似程度来计算关联度。曲线同步变化趋势越高则说明两个因素关联程度越强，反之关联度则越低。因此，灰色关联分析的关键不是创建函数模型，而是创建样本数据之间的关系模型。通过对应的关联度公式计算得出运行关联指标与典型用能系统能效的关联程度，根据其影响程度大小对典型用能系统能效影响因子进行排序。选择影响力较大的影响因子对其分析把控，为后续的典型用能系统能效的决策提供有效的理论依据。在计算参考序列和比较序列的关联度时，还针对参考序列和比较序列进行无量纲处理，因为系统中多种指标数据在实际生产过程中代表不同的含义，指标序列之间计量单位以及数量级并不相同，若用原始数据序列进行数据分析可能会造成结果偏离实际，因此在数据分析之前要采用相关方法消除原始数据的量纲影响。
所述关联系数对应的计算式如下：
Figure BDA0004033950930000091
其中，ζst(i)表示参考序列和比较序列中第i个数据对应的关联系数；Ys(i)表示参考序列中的第i个数据；Xt(i)表示比较序列中的第i个数据；s表示典型用能系统能效的数量；t表示能效特征指标的数量；ρ表示分辨系数。
所述第一关联度对应的计算式如下：
Figure BDA0004033950930000101
其中，γst表示参考序列和比较序列的第一关联度计算结果；n表示参考序列中数据的个数；i＝1,2,…,n。
步骤3，包括：
将所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值进行第二关联度计算，得到所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值之间的第二关联度计算结果；
基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果；
当所述第一准确度判定结果为不通过时，输出预测准确度不合格；
当所述第一准确度判定结果为通过时，采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，得到所述典型用能系统能效预测值的第二准确度判定结果；其中，所述第二准确度判定结果包括：预测准确度优秀、预测准确度良好、预测准确度合格和预测准确度不合格。
所述基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果，包括：
判断所述第一关联度计算结果和所述第二关联度计算结果之间的差值是否小于设定的关联度阈值，
若是，所述典型用能系统能效预测值的第一准确度判定结果为通过；
若否，所述典型用能系统能效预测值的第一准确度判定结果为不通过。
所述采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，包括：
采用相对残差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的相对误差和平均相对误差；
采用后验差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的均方差比值；
基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果。
所述基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果，包括：
根据所述相对误差和所述平均相对误差，计算对应的小误差概率；
将所述小误差概率和所述均方差比值分别与预设的小误差概率阈值和均方差阈值进行比较，根据比较结果确定所述典型用能系统能效预测值对应的第二准确度判定结果。
步骤1之前，还包括：
对所述第一运行数据进行第一级比检验，判断第一级比检验结果是否处于预设的区间范围；
当所述第一级比检验结果未处于所述预设的区间范围时，获取所述第一级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第一级比检验结果处于所述区间范围；其中，所述处理变换包括：开次方根和常数转换。
步骤2之前，还包括：
对所述第二运行数据进行第二级比检验，判断第二级比检验结果是否处于所述区间范围；
当所述第二级比检验结果未处于所述区间范围时，获取所述第二级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第二级比检验结果处于所述区间范围；
以一个具体的实施例说明本发明提供的一种基于灰色预测的能效基准值判定方法的过程，
本实施例选取某1000MW超超临界燃煤发电机组，从电厂的厂级监控信息系统(supervisory information system，SIS)中选取了所需的历史数据，充分利用这些能够反映机组运行状态和设备特性的数据信息，进行数据挖掘，筛选后的数据作为对燃煤发电机组的原始数据，根据这些原始数据对燃煤发电机组的能效基准值进行预测，得到典型用能系统的能效预测值，并为机组实际运行的优化提供调整方向，从而提高能源综合利用效率。
步骤S1：燃煤发电机组能效的影响因素分析
影响燃煤发电机组能效的因素有很多，包括很多方面，其中可分为以下指标：主蒸汽温度(℃)、将烟气含氧量(％)、再热减温水(℃)、主蒸汽压力(MPa)、再热蒸汽温度(℃)、炉膛压力(MPa)、给水温度(℃)、排烟温度(℃)、凝汽器真空(kPa)。
步骤S2：燃煤发电机组能效的影响因素灰色关联分析。
(1)确定分析序列
从步骤S1提到的9个指标来代表燃煤发电机组能效的影响因素，包括主蒸汽温度(℃)、将烟气含氧量(％)、再热减温水(℃)、主蒸汽压力(MPa)、再热蒸汽温度(℃)、炉膛压力(MPa)、给水温度(℃)、排烟温度(℃)、凝汽器真空(kPa)。设X1为主蒸汽温度(℃)，X2为将烟气含氧量(％)，X3为再热减温水(℃)，X4为主蒸汽压力(MPa)，X5为再热蒸汽温度(℃)，X6为炉膛压力(MPa)，X7为给水温度(℃)，X8为排烟温度(℃)，X9为凝汽器真空(kPa)，设Y表示燃煤发电机组能效(％)。
确定研究对象(燃煤发电机组能效)为参考序列以及对研究对象产生影响的比较序列。
确定参考序列(燃煤发电机组能效)为：
Ys＝(ys(1),ys(2),...,ys(n)),s＝1,2,...,a
其中，a表示燃煤发电机组能效个数；n表示每一个燃煤发电机组能效对应的数据个数；
确定比较序列为：
Xt＝(xs(1),xs(2),...,xs(n)),t＝1,2,...,b
其中，b表示燃煤发电机组中与典型用能系统有关联的指标个数；n表示每一个指标对应的数据个数；
(2)变量预处理
因为参考序列和比较序列中的多种指标数据在实际生产过程中代表不同的含义，序列之间计量单位以及数量级并不相同，若用原始的数据序列进行数据分析可能会造成结果偏离实际，因此在数据分析之前要采用相关方法消除原始数据的量纲影响。下列公式为极值化法、最大最小值法以及标准差化法的计算公式。
Figure BDA0004033950930000121
Figure BDA0004033950930000122
Figure BDA0004033950930000123
其中，z′代表数据处理后的数据；zi代表原始数据序列；
Figure BDA0004033950930000124
代表数据序列平均值；S为变量的标准差；max和min分别代表最大和最小值。本文选用最大最小值法对燃煤发电机组能效及影响因素数据无量纲化处理，消除其量纲影响。
(3)计算关联系数
求出每个参考数列和比较数列之间的关联系数。设ζst(i)为参考序列Ys和比较序列Xt的关联系数，则关联系数计算公式如下：
Figure BDA0004033950930000131
其中，ζst(i)表示参考序列和比较序列中第i个数据对应的关联系数；Ys(i)表示参考序列中的第i个数据；Xt(i)表示比较序列中的第i个数据；s表示典型用能系统能效的数量；t表示能效特征指标的数量；ρ表示分辨系数，优选的，ρ＝0.5。
(4)计算关联度
关联系数是影响因素和燃煤发电机组能效在关联曲线上各点的关联程度值且数值不止一个，故需要对关联曲线各点的数值进行整合。关联度就是对多个关联系数进行整合而成的关联值，可以从全局把控影响因子数列与燃煤发电机组能效序列的关联程度。关联度γst的公式如下：
Figure BDA0004033950930000132
其中，γst表示参考序列和比较序列的第一关联度计算结果；n表示参考序列中数据的个数，i＝1,2,…,n。
计算得出各个指标的关联度如下表所示：
指标名称 灰色关联度
主蒸汽温度 0.8345
烟气含氧量 0.9048
再热减温水 0.6563
主蒸汽压力 0.7237
再热蒸汽温度 0.7769
炉膛压力 0.6352
给水温度 0.7483
排烟温度 0.7278
凝汽器真空 0.7578
当0<γst≤0.5时，说明影响因素与燃煤发电机组能效之间属于低度关联。
当0.5<γst≤0.7时，说明影响因素与燃煤发电机组能效之间属于中度关联。
当0.7<γst≤1时，说明影响因素与燃煤发电机组能效之间属于高度关联。
(5)关联度排序
通过关联度公式计算得出各影响因子与燃煤发电机组能效的关联程度，从关联分析的结果看，烟气含氧量、主蒸汽温度和再热蒸汽温度是与燃煤发电机组能效关联度最高，说明这3个影响因子是影响燃煤发电机组能效的关键要素，凝汽器真空和给水温度分别列为四、五位；再热减温水和炉膛压力与燃煤发电机组能效关联度最低。参照关联度等级可以看出大多数影响因子与燃煤发电机组能效之间呈高度关联，小部分影响因子关联度较低。。
通过灰色关联分析，对再热减温水和炉膛压力(关联度低)予以剔除，选择剩余关联系数大于0.7的7种影响因素作为燃煤发电机组能效特征指标。
步骤S3：燃煤发电机组能效GM(1,1)预测模型的构建
在对燃煤发电机组能效预测的研究过程中，选择2016-2021年燃煤发电机组能效及相关影响因素数据。由于燃煤发电机组能效数据具有时间序列的线性特点且燃煤发电机组在正常工作过程中会受到多种外界不确定因素的影响，所以选择灰色预测模型对其进行预测。灰色预测模型可以针对数量较少，数据不完整，可靠性较低的数据进行有效预测。该模型操作简单，用途广泛。
灰色预测模型又称GM模型，能够通过累加、累减等操作对小样本数据进行分析，进而挖掘出预测对象的发展规律，得到预测对象的预测值，GM(1,1)模型是灰色系统中最为常用的一种模型。
使用灰色预测GM(1,1)模型对燃煤发电机组能效建模之前，分别将典型用能系统能效及对应的历史运行数据或能效特征指标及对应的历史运行数据作为输入数据进行级比检验，若级比检验不通过则说明输入数据不适用灰色预测模型，级比检验是观察原始数据的级比是否在可容覆盖区间内，其计算公式如下
Figure BDA0004033950930000141
其中，x(0)(i)表示进行级比检验的输入数据的第i个变量；λ(i)表示第i个变量的级比检验结果；当级比检验结果都在区间
Figure BDA0004033950930000142
内，说明可以使用灰色预测模型对燃煤发电机组能效的原始数据进行建模。如果有一个或多个数据级比值没有落在区间
Figure BDA0004033950930000143
上，则需要对燃煤发电机组能效原始序列进行数据处理，对其数据处理的方式有多种，比较常用的包括开n次方根和常数转换等。
燃煤发电机组能效GM(1,1)模型的执行过程如下所示：
(1)燃煤发电机组能效数据累加运算
GM(1,1)模型输入数据为：
x(0)＝{x(0)(1),x(0)(2),...,x(0)(n)}
则x(0)的一次累加数列为：
x(1)＝{x(1)(1),x(1)(2),...,x(1)(n)}
其中，
Figure BDA0004033950930000151
(2)建立紧邻序列
z(1)＝{z(1)(2)，z(1)(3)，...，z(1)(n)}
Figure BDA0004033950930000153
(3)构建预测模型
由于x(1)(k)与一阶线性微分方程的解相似，故对x(1)(k)构建微分方程
Figure BDA0004033950930000154
其中，a为发展系数，b为灰色作用量。对求解微分方程可得：
Figure BDA0004033950930000155
(4)模型求解
设参数向量
Figure BDA0004033950930000157
则通过最小二乘法求解参数a,b；
Figure BDA0004033950930000156
其中，Yn＝{x(0)(2),x(0)(3),...,x(0)(n)}T，B的构造形式如下
Figure BDA0004033950930000161
(5)还原预测值
上述参数求解后代入
Figure BDA0004033950930000162
对数据进行累加得到x(1)(k+1)，其次对该数据进行累减还原，以此得到燃煤发电机组能效预测值。
Figure BDA0004033950930000163
Figure BDA0004033950930000164
利用MATLAB2018a实验仿真平台对预测值进行求解，解得2030年燃煤发电机组的能效基准预测值为77.3％，2060年燃煤发电机组的能效基准预测值为86.24％。
步骤S4：预测结果精确度检验
(1)筛选指标的预测值与能效基准预测值的关联度分析
利用步骤S2中的灰色关联度分析的方法，将筛选指标的预测值与能效基准预测值的序列作为原始序列，分析预测后的指标与能效基准的关联度。
计算得出各个指标的关联度如下表所示：
Figure BDA0004033950930000165
由预测值得到的关联度排序和由原始数据得到的关联度排序大致相同，初步判断说明预测结果准确，可以进行进一步的精确度分析。
(2)相对残差检验
相对残差检验把预测数据与真实数据进行比较，观察其相对误差的大小，该方法需要对每个点都进行比较，其检验结果更为直观。
燃煤发电机组能效原始序列为：
X(0)＝{x(0)(1),x(0)(2),...,x(0)(n)}
预测值为：
Y(0)＝{y(0)(1),y(0)(2),...,y(0)(n)}
相对误差计算公式为：
Figure BDA0004033950930000171
其中残差序列为：
z(k)＝X(0)(k)-Y(0)(k)
一般要求ε(k)不大于10％。
平均相对误差计算公式为：
Figure BDA0004033950930000172
式中，若
Figure BDA0004033950930000173
表示预测结果尚可，若
Figure BDA0004033950930000174
表示预测性能良好。
平均相对精度计算公式为：
Figure BDA0004033950930000175
一般要求α>80％，最好是α>90％。
利用MATLAB2018a实验仿真平台对相对残差检验进行求解，解得平均相对误差为0.44％，预测性能良好。
(3)后验差检验
后验差检验是验证GM(1,1)预测性能的重要方式，该方法是根据残差的概率分布进行检验。
记{x(0)(k)}原始序列的方差为:
Figure BDA0004033950930000176
其中，
Figure BDA0004033950930000181
残差序列z(k)的方差为:
Figure BDA0004033950930000182
其中，
Figure BDA0004033950930000183
计算均方差比值C：
Figure BDA0004033950930000184
计算小误差概率P:
Figure BDA0004033950930000185
当P＞0.95，C≤0.35时，说明预测准确度优秀；
当P＞0.80，C≤0.50时，说明预测准确度良好；
当P＞0.70，C≤0.65时，说明预测准确度合格；
当P≤0.70，C＞0.65时，说明预测准确度不合格；
利用MATLAB2018a实验仿真平台对相均方差比值和小误差概率进行求解，解得均方差比值C为0.092，小误差概率P为0.97，预测预测准确度优秀；
通过上述具体实施例的说明，可以发现本发明提供的一种基于灰色预测的能效基准值判定方法通过将关联度分析和灰色预测模型与典型用能系统的能效基准值的预测结合，使用关联度分析时对现有的典型用能系统的历史运行数据筛选出与典型用能系统的能效值关联度较大的影响指标，避免了一些偶然因素对系统能效值的影响，使能效预测值更加准确，使用灰色预测模型对典型用能系统的能效值进行预测，最后，利用筛选后的能效特征指标的指标数据预测值和典型用能系统能效预测值进行准确度的初步判断，然后基于相对残差检验和后验差检验对典型用能系统能效预测值进行进一步准确度判断，通过上述方法对预测的典型用能系统能效预测值准确度更高，且能够为实际的生产提供参考标准，引导典型用能系统采用先进技术提高能效水平，促进行业整体能效提升。
实施例2：
基于同一发明构思，本发明还提供了一种基于灰色预测的能效基准值判定系统，如图4所示，包括：
典型能效预测模块：用于将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；
特征指标预测模块：用于将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；
准确度判定模块：用于基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；
其中，所述特征指标预测模块中的能效特征指标是基于与典型用能系统的关联度筛选得到的。
所述特征指标预测模块中的能效特征指标包括如下的筛选过程：
将获取的典型用能系统及对应的历史运行数据作为参考序列，将获取的预设运行关联指标及对应的历史运行数据作为比较序列；
采用最大最小值法对所述参考序列和比较序列中的数据进行数据无量纲化处理，将处理后的参考序列作为新的参考序列，将处理后的比较序列作为新的比较序列；
基于所述参考序列和比较序列，计算参考序列和比较序列之间的关联系数；
根据所述参考序列和比较序列之间的关联系数，得到对应的关联曲线；
根据所述关联曲线，确定参考序列和比较序列之间的第一关联度计算结果；
根据所述参考序列和比较序列之间的第一关联度计算结果，筛选所述第一关联度计算结果大于预设阈值的运行关联指标作为能效特征指标。
所述特征指标预测模块中的关联系数对应的计算式如下：
Figure BDA0004033950930000191
其中，ζst(i)表示参考序列和比较序列中第i个数据对应的关联系数；Ys(i)表示参考序列中的第i个数据；Xt(i)表示比较序列中的第i个数据；s表示典型用能系统能效的数量；t表示能效特征指标的数量；ρ表示分辨系数。
所述特征指标预测模块中的第一关联度对应的计算式如下：
Figure BDA0004033950930000192
其中，γst表示参考序列和比较序列的第一关联度计算结果；n表示参考序列中数据的个数，i＝1,2,…,n。
所述典型能效预测模块或特征指标预测模块中的灰色预测模型包括如下的执行过程：
将所述第一运行数据或第二运行数据作为输入数据；
将所述输入数据进行一次累加，得到一次累加序列；
基于所述一次累加序列，建立紧邻序列；
针对所述一次累加序列，构建微分方程；
基于所述输入数据和所述紧邻序列中的数据，采用最小二乘法对所述微分方程进行求解，得到所述一次累加序列对应的预测值；
针对所述一次累加序列对应的预测值进行累减，得到输入数据对应的典型用能系统能效预测值或能效特征指标的指标数据预测值。
所述准确度判定模块，具体用于：
将所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值进行第二关联度计算，得到所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值之间的第二关联度计算结果；
基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果；
当所述第一准确度判定结果为不通过时，输出预测准确度不合格；
当所述第一准确度判定结果为通过时，采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，得到所述典型用能系统能效预测值的第二准确度判定结果；其中，所述第二准确度判定结果包括：预测准确度优秀、预测准确度良好、预测准确度合格和预测准确度不合格。
所述准确度判定模块中基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果，包括：
判断所述第一关联度计算结果和所述第二关联度计算结果之间的差值是否小于设定的关联度阈值，
若是，所述典型用能系统能效预测值的第一准确度判定结果为通过；
若否，所述典型用能系统能效预测值的第一准确度判定结果为不通过。
所述准确度判定模块中采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，包括：
采用相对残差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的相对误差和平均相对误差；
采用后验差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的均方差比值；
基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果。
所述准确度判定模块中基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果，包括：
根据所述相对误差和所述平均相对误差，计算对应的小误差概率；
将所述小误差概率和所述均方差比值分别与预设的小误差概率阈值和均方差阈值进行比较，根据比较结果确定所述典型用能系统能效预测值对应的第二准确度判定结果。
所述典型能效预测模块中将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型之前，还包括：
对所述第一运行数据进行第一级比检验，判断第一级比检验结果是否处于预设的区间范围；
当所述第一级比检验结果未处于所述预设的区间范围时，获取所述第一级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第一级比检验结果处于所述区间范围；其中，所述处理变换包括：开次方根和常数转换。
所述特征指标预测模块中将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型之前，还包括：
对所述第二运行数据进行第二级比检验，判断第二级比检验结果是否处于所述区间范围；
当所述第二级比检验结果未处于所述区间范围时，获取所述第二级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第二级比检验结果处于所述区间范围。
实施例3：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种基于灰色预测的能效基准值判定方法的步骤。
实施例4：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种基于灰色预测的能效基准值判定方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (16)

1.一种基于灰色预测的能效基准值判定方法，其特征在于，包括：
将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；
将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；
基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；
其中，所述能效特征指标是基于与典型用能系统的关联度筛选得到的。
2.如权利要求1所述的方法，其特征在于，所述能效特征指标包括如下的筛选过程：
将获取的典型用能系统及对应的历史运行数据作为参考序列，将获取的预设运行关联指标及对应的历史运行数据作为比较序列；
采用最大最小值法对所述参考序列和比较序列中的数据进行数据无量纲化处理，将处理后的参考序列作为新的参考序列，将处理后的比较序列作为新的比较序列；
基于所述参考序列和比较序列，计算参考序列和比较序列之间的关联系数；
根据所述参考序列和比较序列之间的关联系数，得到对应的关联曲线；
根据所述关联曲线，确定参考序列和比较序列之间的第一关联度计算结果；
根据所述参考序列和比较序列之间的第一关联度计算结果，筛选所述第一关联度计算结果大于预设阈值的运行关联指标作为能效特征指标。
3.如权利要求2所述的方法，其特征在于，所述关联系数对应的计算式如下：
Figure FDA0004033950920000011
其中，ζst(i)表示参考序列和比较序列中第i个数据对应的关联系数；Ys(i)表示参考序列中的第i个数据；Xt(i)表示比较序列中的第i个数据；s表示典型用能系统能效的数量；t表示能效特征指标的数量；ρ表示分辨系数。
4.如权利要求3所述的方法，其特征在于，所述第一关联度对应的计算式如下：
Figure FDA0004033950920000012
其中，γst表示参考序列和比较序列的第一关联度计算结果；n表示参考序列中数据的个数；i＝1,2,…,n。
5.如权利要求1所述的方法，其特征在于，所述灰色预测模型包括如下的执行过程：
将所述第一运行数据或第二运行数据作为输入数据；
将所述输入数据进行一次累加，得到一次累加序列；
基于所述一次累加序列，建立紧邻序列；
针对所述一次累加序列，构建微分方程；
基于所述输入数据和所述紧邻序列中的数据，采用最小二乘法对所述微分方程进行求解，得到所述一次累加序列对应的预测值；
针对所述一次累加序列对应的预测值进行累减，得到输入数据对应的典型用能系统能效预测值或能效特征指标的指标数据预测值。
6.如权利要求2所述的方法，其特征在于，所述基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定，包括：
将所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值进行第二关联度计算，得到所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值之间的第二关联度计算结果；
基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果；
当所述第一准确度判定结果为不通过时，输出预测准确度不合格；
当所述第一准确度判定结果为通过时，采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，得到所述典型用能系统能效预测值的第二准确度判定结果；其中，所述第二准确度判定结果包括：预测准确度优秀、预测准确度良好、预测准确度合格和预测准确度不合格。
7.如权利要求6所述的方法，其特征在于，所述基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果，包括：
判断所述第一关联度计算结果和所述第二关联度计算结果之间的差值是否小于设定的关联度阈值，
若是，所述典型用能系统能效预测值的第一准确度判定结果为通过；
若否，所述典型用能系统能效预测值的第一准确度判定结果为不通过。
8.如权利要求6所述的方法，其特征在于，所述采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，包括：
采用相对残差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的相对误差和平均相对误差；
采用后验差检验法，计算所述典型用能系统能效和所述典型用能系统能效预测值对应的均方差比值；
基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果。
9.如权利要求8所述的方法，其特征在于，所述基于所述相对误差、平均相对误差和均方差比值，确定所述典型用能系统能效预测值的第二准确度判定结果，包括：
根据所述相对误差和所述平均相对误差，计算对应的小误差概率；
将所述小误差概率和所述均方差比值分别与预设的小误差概率阈值和均方差阈值进行比较，根据比较结果确定所述典型用能系统能效预测值对应的第二准确度判定结果。
10.如权利要求1所述的方法，其特征在于，所述将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型之前，还包括：
对所述第一运行数据进行第一级比检验，判断第一级比检验结果是否处于预设的区间范围；
当所述第一级比检验结果未处于所述预设的区间范围时，获取所述第一级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第一级比检验结果处于所述区间范围；其中，所述处理变换包括：开次方根和常数转换。
11.如权利要求10所述的方法，其特征在于，所述将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型之前，还包括：
对所述第二运行数据进行第二级比检验，判断第二级比检验结果是否处于所述区间范围；
当所述第二级比检验结果未处于所述区间范围时，获取所述第二级比检验结果未处于所述区间范围的数据，并对所述数据进行处理变换，直到处理后的数据的第二级比检验结果处于所述区间范围。
12.一种基于灰色预测的能效基准值判定系统，其特征在于，包括：
典型能效预测模块：用于将获取的典型用能系统能效及对应的历史运行数据作为第一运行数据，输入预设的灰色预测模型，得到典型用能系统能效预测值；
特征指标预测模块：用于将获取的能效特征指标及对应的历史运行数据作为第二运行数据，输入所述灰色预测模型，得到能效特征指标的指标数据预测值；
准确度判定模块：用于基于所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值，对所述典型用能系统能效预测值进行准确度判定；
其中，所述特征指标预测模块中的能效特征指标是基于与典型用能系统的关联度筛选得到的。
13.如权利要求12所述的系统，其特征在于，所述特征指标预测模块中的能效特征指标包括如下的筛选过程：
将获取的典型用能系统及对应的历史运行数据作为参考序列，将获取的预设运行关联指标及对应的历史运行数据作为比较序列；
采用最大最小值法对所述参考序列和比较序列中的数据进行数据无量纲化处理，将处理后的参考序列作为新的参考序列，将处理后的比较序列作为新的比较序列；
基于所述参考序列和比较序列，计算参考序列和比较序列之间的关联系数；
根据所述参考序列和比较序列之间的关联系数，得到对应的关联曲线；
根据所述关联曲线，确定参考序列和比较序列之间的第一关联度计算结果；
根据所述参考序列和比较序列之间的第一关联度计算结果，筛选所述第一关联度计算结果大于预设阈值的运行关联指标作为能效特征指标。
14.如权利要求13所述的系统，其特征在于，所述准确度判定模块，具体用于：
将所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值进行第二关联度计算，得到所述典型用能系统能效预测值和所述能效特征指标的指标数据预测值之间的第二关联度计算结果；
基于所述第一关联度计算结果和所述第二关联度计算结果，得到所述典型用能系统能效预测值的第一准确度判定结果；
当所述第一准确度判定结果为不通过时，输出预测准确度不合格；
当所述第一准确度判定结果为通过时，采用相对残差检验和后验差检验方法，对所述典型用能系统能效预测值进行第二准确度判定，得到所述典型用能系统能效预测值的第二准确度判定结果；其中，所述第二准确度判定结果包括：预测准确度优秀、预测准确度良好、预测准确度合格和预测准确度不合格。
15.一种计算机设备，其特征在于，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至11中任一项所述的基于灰色预测的能效基准值判定方法。
16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至11中任一项所述的基于灰色预测的能效基准值判定方法。
CN202211738612.1A 2022-12-31 2022-12-31 基于灰色预测的能效基准值判定方法、系统、设备和介质 Pending CN116029433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211738612.1A CN116029433A (zh) 2022-12-31 2022-12-31 基于灰色预测的能效基准值判定方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211738612.1A CN116029433A (zh) 2022-12-31 2022-12-31 基于灰色预测的能效基准值判定方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN116029433A true CN116029433A (zh) 2023-04-28

Family

ID=86070459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211738612.1A Pending CN116029433A (zh) 2022-12-31 2022-12-31 基于灰色预测的能效基准值判定方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN116029433A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728082A (zh) * 2024-02-04 2024-03-19 江苏林洋亿纬储能科技有限公司 用于储能系统的控制方法、装置、系统以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728082A (zh) * 2024-02-04 2024-03-19 江苏林洋亿纬储能科技有限公司 用于储能系统的控制方法、装置、系统以及存储介质

Similar Documents

Publication Publication Date Title
Gu et al. Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
US20230152786A1 (en) Industrial equipment operation, maintenance and optimization method and system based on complex network model
CN112417764A (zh) 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
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
CN111006240A (zh) 一种生物质锅炉炉膛温度和负荷预测方法
US20180307997A1 (en) Systems and methods for improved quantification of uncertainty in turbomachinery
CN114757380A (zh) 一种火电厂故障预警系统、方法、电子设备及存储介质
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN116307067A (zh) 一种基于历史数据修正的法定节假日电量综合预测方法
CN117029968A (zh) 一种流量数据的诊断方法、系统、存储介质和电子设备
Jiang et al. Partial cross mapping based on sparse variable selection for direct fault root cause diagnosis for industrial processes
CN117290666A (zh) 一种光伏异常功率数据清洗方法
CN114970766A (zh) 一种基于线性拟合的电站机组运行参数基准值获取方法
CN112530526B (zh) 飞灰含碳量预测方法、装置和电子设备
CN111198499B (zh) 同期算法实时评估方法、系统及存储介质
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
CN115014454A (zh) 一种火电机组主蒸汽流量软测量方法、系统、设备及介质
CN115018162A (zh) 一种工业精加工过程加工质量实时预测方法和系统
CN114565209A (zh) 一种基于聚类的流程工业能耗状态评估方法
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
Wang et al. A Soft-Sensor Model for NOx Concentration Based on Enet-GPR
Tang et al. Computer Prediction Model of Heat Consumption in Thermal System of Coal-Fired Power Station Based on Big Data Analysis and Information Sorting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication