CN116957367B - 综合能源系统运行策略的参数多时间尺度预测方法及系统 - Google Patents
综合能源系统运行策略的参数多时间尺度预测方法及系统 Download PDFInfo
- Publication number
- CN116957367B CN116957367B CN202311218374.6A CN202311218374A CN116957367B CN 116957367 B CN116957367 B CN 116957367B CN 202311218374 A CN202311218374 A CN 202311218374A CN 116957367 B CN116957367 B CN 116957367B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- time scale
- time
- representing
- 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 86
- 238000013486 operation strategy Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000007774 longterm Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000031864 metaphase Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 230000008859 change Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 241000953561 Toia Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了综合能源系统运行策略的参数多时间尺度预测方法及系统,属于综合能源运行管理技术领域,其中方法包括以下步骤:S1、采集综合能源系统的历史运行数据,并基于所述历史运行数据确定关键参数;S2、对所述综合能源系统进行特征分析,得到预测时间尺度;S3、构建预测网络模型,并将所述关键参数的所述历史运行数据以及所述时间尺度作为输入,输入至所述预测网络模型,得到预测结果。本发明可以全面分析各种参数在综合能源系统运行策略中的重要性,预测未来多时间尺度数据,帮助决策者更加精确地制定运行策略,实现系统的高效和可持续运行,降低设备安全风险。
Description
技术领域
本发明属于综合能源运行管理技术领域,具体涉及综合能源系统运行策略的参数多时间尺度预测方法及系统。
背景技术
综合能源系统运行策略涉及诸多参数的调节与决策,然而,这些参数的多时间尺度预测方法尚未得到充分解决。当前,综合能源系统的运行通常依赖于固定的策略,无法灵活应对不同时间尺度上的变化情况,导致系统在面对瞬态负荷波动、能源价格变化以及环境条件波动时,难以实现最优性能。因此,捕捉参数之间的关联关系,为综合能源系统的运行策略提供精确且灵活的预测依据,有助于提高系统的稳定性、经济性和可持续性,可以满足不同时间尺度下的运行需求。
发明内容
本发明旨在解决现有技术的不足,提出了综合能源系统运行策略的参数多时间尺度预测方法及系统,借助一种多时间尺度模式,克服传统运行策略制定中存在的问题,为综合能源系统的运行策略提供精确且灵活的数据依据,有助于提高系统的稳定性、经济性和可持续性。
为实现上述目的,本发明提供了如下方案:综合能源系统运行策略的参数多时间尺度预测方法,包括以下步骤:
S1、采集综合能源系统的历史运行数据,并基于所述历史运行数据确定关键参数;
S2、对所述综合能源系统进行特征分析,得到预测时间尺度;
S3、构建预测网络模型,并将所述关键参数的所述历史运行数据以及所述时间尺度作为输入,输入至所述预测网络模型,得到预测结果。
进一步优选地,所述S1包括:
S11、采集所述综合能源系统的所述历史运行数据;
S12、对所述历史运行数据进行数据处理,得到处理后数据;
S13、对所述处理后数据进行关联性分析,得到所述关键参数。
进一步优选地,所述数据处理的方法包括:数据缺失值填充和数据异常值修改。
进一步优选地,所述预测网络模型包括:
,
式中,为预测网络模型框架,S i 、M i 、L i 表示短、中和长期的参数值。
本发明还提供综合能源系统运行策略的参数多时间尺度预测系统,包括:数据采集单元、特征分析单元以及预测单元;
所述数据采集单元用于采集综合能源系统的历史运行数据,并基于所述历史运行数据确定关键参数;
所述特征分析单元与所述数据采集单元连接,用于对所述综合能源系统进行特征分析,得到预测时间尺度;
所述预测单元与所述数据采集单元、所述特征分析单元连接,用于构建预测网络模型,并将所述关键参数的所述历史运行数据以及所述时间尺度作为输入,输入至所述预测网络模型,得到预测结果。
进一步优选地,所述数据采集单元的工作过程包括:
步骤1、采集所述综合能源系统的所述历史运行数据;
步骤2、对所述历史运行数据进行数据处理,得到处理后数据;
步骤3、对所述处理后数据进行关联性分析,得到所述关键参数。
进一步优选地,所述数据处理的方法包括:数据缺失值填充和数据异常值修改。
进一步优选地,所述预测网络模型包括:
,
式中,为预测网络模型框架,S i 、M i 、L i 表示短、中和长期的参数值。
与现有技术相比,本发明的有益效果为:
(1)精确的运行策略制定:通过采用多时间尺度预测方法,本发明能够更准确地预测影响综合能源系统运行策略的关键参数在不同时间尺度下的变化趋势。这使得系统管理者能够根据不同的时间尺度调整运行策略,以更好地应对各种情况,从而提高系统的运行效率和性能。
(2)降低能源成本:通过准确地预测能源需求、供应、质量等关键参数的变化,系统可以更合理地规划能源采购、分配和调度,从而降低能源成本。这对于综合能源系统的经济可持续性具有重要意义。
(3)提高系统安全性:本发明的方法可以帮助系统管理者更好地预测设备效率、维护需求等参数的变化,从而及时采取必要的措施,避免设备故障和事故发生,提高系统的安全性和稳定性。
(4)减少环境影响:通过精确的预测,系统能够更好地规划能源使用,优化能源供应链,降低不必要的能源浪费,从而减少对环境的负面影响,实现更可持续的能源利用。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例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是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例综合能源系统运行策略的参数多时间尺度预测方法流程框图;
图2为本发明实施例综合能源系统运行策略的参数多时间尺度预测方法操作流程示意图;
图3为本发明实施例预测网络模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1、图2所示,本实施例提供一种综合能源系统运行策略的参数多时间尺度预测方法,包括数据的关联性分析以及预测网络模型两个部分,数据关联性分析包括:数据采集、数据清洗和关联性分析。预测网络模型包括:时间尺度选择和网络框架。
具体的,包括以下步骤:
S1、采集综合能源系统的历史运行数据,并基于历史运行数据确定关键参数。
具体的,S1包括:
S11、采集综合能源系统的历史运行数据;
历史运行数据的采集主要是通过在综合能源系统中部署物联网设备,进而实现实时监控和采集能源需求、能源供应、能源质量、设备效率、维护需求、碳排放量、环境因素等数据,并基于上述数据建立综合信息数据库。
S12、对历史运行数据进行数据处理,得到处理后数据;
本实施例中,数据处理的方法包括:数据缺失值填充和数据异常值修改。
具体的,数据缺失值处理采用一种新型多时间尺度非线性插值方法填充缺失值,具体如下:
;
其中,表示100个时间序列值,Null为缺失值。k为时间尺度,L k 表示时间尺度为k时计算的缺失值,当k为1时,非线性拟合,得到Null值;当k为2时,非线性拟合,得到Null值;当k为3时,非线性拟合,得到Null值。叠加Null值并求平均值得到最终的缺失值。
数据异常值修改采用一种加权异常值调试方法修改异常值,步骤包括:
首先将异常值x outlier 设为空,通过多时间尺度非线性插值方法求得每个时间尺度上的假空值x ni 。类方差法观察异常值的偏离程度:
,
式中,k表示时间尺度,表示在异常值位置n处,k等于i时计算的假空值。
然后,通过自定义加权参数修改异常值:
,
α i 为加权参数,为修正值,异常值x outlier 和修正值进行计算,不断地修正异常值,x n 表示位置n处异常值经过修正后的值,并对最后的数据进行标准化处理。
S13、对处理后数据进行关联性分析,得到关键参数。
本实施例中,采用一种机器学习和专家系统结合方式进行关联性分析,得到关键参数,具体包括以下步骤:
(1)确定分析目标,明确需要分析的参数(如环境因素、能源质量、设备效率)以及运行策略;
(2)收集历史运行数据和参数数据,确保数据的完整性和质量。对数据进行预处理,包括处理缺失值、异常值、数据标准化等。
(3)基于领域专家知识,从数据中提取有意义的特征,包括根据专家知识定义的特征、环境因素指标等,将专家知识融入到特征选择中。
(4)选机器学习算法,将特征数据与运行策略的关联性训练模型。
(5)将模型结果与领域专家知识进行对比,验证模型的合理性。
(6)解释模型的结果,确定哪些参数对运行策略有重要影响,即得到关键参数。
S2、对综合能源系统进行特征分析,得到预测时间尺度。
在本实施例中,预测时间尺度的选择根据综合能源系统的特征进行。综合能源系统特征包括:历史数据规模、相关性、周期性特征和突发事件等,采用数字孪生模型进行不同时间尺度仿真,分析参数变化的趋势和幅度,选择最佳的预测时间尺度。
S3、构建预测网络模型,并将关键参数的历史运行数据以及时间尺度作为输入,输入至预测网络模型,得到预测结果。
如图3所示,本实施例中,预测网络模型的网络框架采用基于多时间尺度融合的自回归模型。采用短、中、长三个时间尺度,分别表示为:
,
,
,
式中,S i 、M i 、L i 表示短、中和长期的参数值,ns、nm、nl表示三个时间尺度上预测参数的长度,a 11⋯a 1ns 、a 21⋯a 2ns 、a 31⋯a 3ns 、b 11⋯b 1nm 、b 21⋯b 2nm 、b 31⋯b 3nm 、c 11⋯c 1nl 、c 21⋯c 2nl 、c 31⋯c 3nl 均为训练参数。S i-1表示短期序列i-1时刻的值,S i-ns 表示短期序列i-ns时刻的值,M i-1表示中期序列i-1时刻的值,M i-nm 表示中期序列i-nm时刻的值,L i-1表示长期序列i-1时刻的值,L i-nl 表示长期序列i-nl时刻的值。
将上述模型进行简化,得到:
,
式中,β为训练参数,T表示历史运行数据,E表示误差项。
其中β可表示为:
,
T可表示为:
。
E为[e s ,e m ,e l ]T。其中,e s 、e m 、e l 分别表示短、中、长三个时间尺度上的偏差值。在本式中,T表示短、中、长三个时间尺度上的历史数据集合。
最终,预测网络模型为基于多时间尺度的神经网络模型,表示为:
,
式中,为预测网络模型框架。
预测网络模型通过历史运行数据短、中、长三个时期的值来预测未来短、中、长三个时期的值。
实施例二
本发明还提供一种综合能源系统运行策略的参数多时间尺度预测系统,包括:数据采集单元、特征分析单元以及预测单元;
数据采集单元用于采集综合能源系统的历史运行数据,并基于历史运行数据确定关键参数。
进一步地,数据采集单元的工作过程包括:
步骤1、采集综合能源系统的历史运行数据;
历史运行数据的采集主要是通过在综合能源系统中部署物联网设备,进而实现实时监控和采集能源需求、能源供应、能源质量、设备效率、维护需求、碳排放量、环境因素等数据,并基于上述数据建立综合信息数据库。
步骤2、对历史运行数据进行数据处理,得到处理后数据;
本实施例中,数据处理的方法包括:数据缺失值填充和数据异常值修改。
具体的,数据缺失值处理采用一种新型多时间尺度非线性插值方法填充缺失值,具体如下:
;
其中,表示100个时间序列值,Null为缺失值。k为时间尺度,L k 表示时间尺度为k时计算的缺失值,当k为1时,非线性拟合,得到Null值;当k为2时,非线性拟合,得到Null值;当k为3时,非线性拟合,得到Null值。叠加Null值并求平均值得到最终的缺失值。
数据异常值修改采用一种加权异常值调试方法修改异常值,步骤包括:
首先将异常值x outlier 设为空,通过多时间尺度非线性插值方法求得每个时间尺度上的假空值x ni 。类方差法观察异常值的偏离程度:
,
式中,k表示时间尺度,表示在异常值位置n处,k等于i时计算的假空值。
然后,通过自定义加权参数修改异常值:
,
α i 为加权参数,为修正值,异常值x outlier 和修正值进行计算,不断地修正异常值,x n 表示位置n处异常值经过修正后的值,并对最后的数据进行标准化处理。
步骤3、对处理后数据进行关联性分析,得到关键参数。
本实施例中,采用一种机器学习和专家系统结合方式进行关联性分析,得到关键参数,具体包括以下步骤:
(1)确定分析目标,明确需要分析的参数(如环境因素、能源质量、设备效率)以及运行策略;
(2)收集历史运行数据和参数数据,确保数据的完整性和质量。对数据进行预处理,包括处理缺失值、异常值、数据标准化等。
(3)基于领域专家知识,从数据中提取有意义的特征,包括根据专家知识定义的特征、环境因素指标等,将专家知识融入到特征选择中。
(4)选机器学习算法,将特征数据与运行策略的关联性训练模型。
(5)将模型结果与领域专家知识进行对比,验证模型的合理性。
(6)解释模型的结果,确定哪些参数对运行策略有重要影响,即得到关键参数。
特征分析单元与数据采集单元连接,用于对综合能源系统进行特征分析,得到预测时间尺度。
在本实施例中,预测时间尺度的选择根据综合能源系统的特征进行。综合能源系统特征包括:历史数据规模、相关性、周期性特征和突发事件等,采用数字孪生模型进行不同时间尺度仿真,分析参数变化的趋势和幅度,选择最佳的预测时间尺度。
预测单元与数据采集单元、特征分析单元连接,用于构建预测网络模型,并将关键参数的历史运行数据以及时间尺度作为输入,输入至预测网络模型,得到预测结果。
本实施例中,预测网络模型的网络框架采用基于多时间尺度融合的自回归模型。采用短、中、长三个时间尺度,分别表示为:
,
,
,
式中,S i 、M i 、L i 表示短、中和长期的参数值,ns、nm、nl表示三个时间尺度上预测参数的长度。a 11⋯a 1ns 、a 21⋯a 2ns 、a 31⋯a 3ns 、b 11⋯b 1nm 、b 21⋯b 2nm 、b 31⋯b 3nm 、c 11⋯c 1nl 、c 21⋯c 2nl 、c 31⋯c 3nl 均为训练参数。S i-1表示短期序列i-1时刻的值,S i-ns 表示短期序列i-ns时刻的值,M i-1表示中期序列i-1时刻的值,M i-nm 表示中期序列i-nm时刻的值,L i-1表示长期序列i-1时刻的值,L i-nl 表示长期序列i-nl时刻的值。
将上述模型进行简化,得到:
,
式中,β为训练参数,T表示历史运行数据,E表示误差项。
其中β可表示为:
,
T可表示为:
,
E为[e s ,e m ,e l ]T。其中,e s 、e m 、e l 分别表示短、中、长三个时间尺度上的偏差值。在本式中,T表示短、中、长三个时间尺度上的历史数据集合。
最终,预测网络模型为基于多时间尺度的神经网络模型,表示为:
,
式中,为预测网络模型框架。
预测网络模型通过历史运行数据短、中、长三个时期的值来预测未来短、中、长三个时期的值。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (2)
1.综合能源系统运行策略的参数多时间尺度预测方法,其特征在于,包括以下步骤:
S1、采集综合能源系统的历史运行数据,并基于所述历史运行数据确定关键参数;
所述S1包括:
S11、采集所述综合能源系统的所述历史运行数据;
S12、对所述历史运行数据进行数据处理,得到处理后数据;
所述数据处理的方法包括:数据缺失值填充和数据异常值修改;
数据缺失值填充采用一种新型多时间尺度非线性插值方法填充缺失值,如下:
;
其中,表示100个时间序列值,Null为缺失值,k为时间尺度,L k 表示时间尺度为k时计算的缺失值,当k为1时,非线性拟合,得到Null值;当k为2时,非线性拟合,得到Null值;当k为3时,非线性拟合,得到Null值;叠加Null值并求平均值得到最终的缺失值;
数据异常值修改采用一种加权异常值调试方法修改异常值,步骤包括:
首先将异常值x outlier 设为空,通过多时间尺度非线性插值方法求得每个时间尺度上的假空值x ni ;类方差法观察异常值的偏离程度:
,
式中,k表示时间尺度,表示在异常值位置n处,k等于i时计算的假空值;
然后,通过自定义加权参数修改异常值:
,
α i 为加权参数,为修正值,异常值x outlier 和修正值进行计算,不断地修正异常值,x n 表示位置n处异常值经过修正后的值,并对最后的数据进行标准化处理;
S13、对所述处理后数据进行关联性分析,得到所述关键参数;
采用一种机器学习和专家系统结合方式进行关联性分析,得到关键参数,具体包括以下步骤:
确定分析目标,明确需要分析的参数以及运行策略;
收集历史运行数据和参数数据,确保数据的完整性和质量;对数据进行预处理,包括处理缺失值、异常值、数据标准化;
基于领域专家知识,从数据中提取有意义的特征,包括根据专家知识定义的特征、环境因素指标,将专家知识融入到特征选择中;
选机器学习算法,将特征数据与运行策略的关联性训练模型;
将模型结果与领域专家知识进行对比,验证模型的合理性;
解释模型的结果,确定哪些参数对运行策略有重要影响,得到关键参数;
S2、对所述综合能源系统进行特征分析,得到预测时间尺度;
S3、构建预测网络模型,并将所述关键参数的所述历史运行数据以及所述时间尺度作为输入,输入至所述预测网络模型,得到预测结果;
所述预测网络模型的网络框架采用基于多时间尺度融合的自回归模型,采用短、中、长三个时间尺度,分别表示为:
,
,
,
式中,S i 、M i 、L i 表示短、中和长期的参数值,ns、nm、nl表示三个时间尺度上预测参数的长度;a 11⋯ a 1ns 、a 21⋯ a 2ns 、a 31⋯ a 3ns 、b 11⋯ b 1nm 、b 21⋯ b 2nm 、b 31⋯ b 3nm 、c 11⋯ c 1nl 、c 21⋯ c 2nl 、c 31⋯c 3nl 均为训练参数;S i-1表示短期序列i-1时刻的值,S i-ns 表示短期序列i-ns时刻的值,M i-1表示中期序列i-1时刻的值,M i-nm 表示中期序列i-nm时刻的值,L i-1表示长期序列i-1时刻的值,L i-nl 表示长期序列i-nl时刻的值;
进行简化,得到:
,
式中,β为训练参数,T表示历史运行数据,E表示误差项;
其中β表示为:
,
T表示为:
,
E为[e s , e m , e l ]T:
其中,e s 、e m 、e l 分别表示短、中、长三个时间尺度上的偏差值;在本式中,T表示短、中、长三个时间尺度上的历史数据集合;
最终,所述预测网络模型包括:
,
式中,为预测网络模型框架。
2.综合能源系统运行策略的参数多时间尺度预测系统,其特征在于,包括:数据采集单元、特征分析单元以及预测单元;
所述数据采集单元用于采集综合能源系统的历史运行数据,并基于所述历史运行数据确定关键参数;
所述数据采集单元的工作过程包括:
步骤1、采集所述综合能源系统的所述历史运行数据;
步骤2、对所述历史运行数据进行数据处理,得到处理后数据;
所述数据处理的方法包括:数据缺失值填充和数据异常值修改;
数据缺失值填充采用一种新型多时间尺度非线性插值方法填充缺失值,如下:
;
其中,表示100个时间序列值,Null为缺失值,k为时间尺度,L k 表示时间尺度为k时计算的缺失值,当k为1时,非线性拟合,得到Null值;当k为2时,非线性拟合,得到Null值;当k为3时,非线性拟合,得到Null值;叠加Null值并求平均值得到最终的缺失值;
数据异常值修改采用一种加权异常值调试方法修改异常值,步骤包括:
首先将异常值x outlier 设为空,通过多时间尺度非线性插值方法求得每个时间尺度上的假空值x ni ;类方差法观察异常值的偏离程度:
,
式中,k表示时间尺度,表示在异常值位置n处,k等于i时计算的假空值;
然后,通过自定义加权参数修改异常值:
,
α i 为加权参数,为修正值,异常值x outlier 和修正值进行计算,不断地修正异常值,x n 表示位置n处异常值经过修正后的值,并对最后的数据进行标准化处理;
步骤3、对所述处理后数据进行关联性分析,得到所述关键参数;
采用一种机器学习和专家系统结合方式进行关联性分析,得到关键参数,具体包括以下步骤:
确定分析目标,明确需要分析的参数以及运行策略;
收集历史运行数据和参数数据,确保数据的完整性和质量;对数据进行预处理,包括处理缺失值、异常值、数据标准化;
基于领域专家知识,从数据中提取有意义的特征,包括根据专家知识定义的特征、环境因素指标,将专家知识融入到特征选择中;
选机器学习算法,将特征数据与运行策略的关联性训练模型;
将模型结果与领域专家知识进行对比,验证模型的合理性;
解释模型的结果,确定哪些参数对运行策略有重要影响,得到关键参数;
所述特征分析单元与所述数据采集单元连接,用于对所述综合能源系统进行特征分析,得到预测时间尺度;
所述预测单元与所述数据采集单元、所述特征分析单元连接,用于构建预测网络模型,并将所述关键参数的所述历史运行数据以及所述时间尺度作为输入,输入至所述预测网络模型,得到预测结果;
所述预测网络模型的网络框架采用基于多时间尺度融合的自回归模型,采用短、中、长三个时间尺度,分别表示为:
,
,
,
式中,S i 、M i 、L i 表示短、中和长期的参数值,ns、nm、nl表示三个时间尺度上预测参数的长度;a 11⋯ a 1ns 、a 21⋯ a 2ns 、a 31⋯ a 3ns 、b 11⋯ b 1nm 、b 21⋯ b 2nm 、b 31⋯ b 3nm 、c 11⋯ c 1nl 、c 21⋯ c 2nl 、c 31⋯c 3nl 均为训练参数;S i-1表示短期序列i-1时刻的值,S i-ns 表示短期序列i-ns时刻的值,M i-1表示中期序列i-1时刻的值,M i-nm 表示中期序列i-nm时刻的值,L i-1表示长期序列i-1时刻的值,L i-nl 表示长期序列i-nl时刻的值;
进行简化,得到:
,
式中,β为训练参数,T表示历史运行数据,E表示误差项;
其中β表示为:
,
T表示为:
,
E为[e s , e m , e l ]T:
其中,e s 、e m 、e l 分别表示短、中、长三个时间尺度上的偏差值;在本式中,T表示短、中、长三个时间尺度上的历史数据集合;
最终,所述预测网络模型包括:
,
式中,为预测网络模型框架。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218374.6A CN116957367B (zh) | 2023-09-21 | 2023-09-21 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218374.6A CN116957367B (zh) | 2023-09-21 | 2023-09-21 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957367A CN116957367A (zh) | 2023-10-27 |
CN116957367B true CN116957367B (zh) | 2024-01-09 |
Family
ID=88442923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218374.6A Active CN116957367B (zh) | 2023-09-21 | 2023-09-21 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957367B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927593A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习复合数据源自回归模型光伏发电功率预测方法 |
CN108573323A (zh) * | 2018-03-19 | 2018-09-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种能源互联网用户用电量预测方法及系统 |
CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
CN113919559A (zh) * | 2021-09-28 | 2022-01-11 | 南京南瑞继保电气有限公司 | 一种综合能源系统设备参数超短期预测方法及装置 |
CN114004338A (zh) * | 2021-11-09 | 2022-02-01 | 华东师范大学 | 基于神经网络的混合时间周期模式多变量时序预测方法 |
CN114492978A (zh) * | 2022-01-20 | 2022-05-13 | 哈尔滨工程大学 | 一种基于多层注意力机制的时空序列预测方法及设备 |
CN115145901A (zh) * | 2022-06-30 | 2022-10-04 | 浙江天垂科技有限公司 | 一种基于多尺度的时间序列预测方法及系统 |
CN116663831A (zh) * | 2023-06-02 | 2023-08-29 | 湖北诚佰网络科技有限公司 | 一种基于车载终端的车辆运输管理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220253426A1 (en) * | 2021-02-08 | 2022-08-11 | International Business Machines Corporation | Explaining outliers in time series and evaluating anomaly detection methods |
CN113988359A (zh) * | 2021-09-08 | 2022-01-28 | 中南大学 | 基于非对称Laplace分布的风功率预测方法和系统 |
-
2023
- 2023-09-21 CN CN202311218374.6A patent/CN116957367B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927593A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自学习复合数据源自回归模型光伏发电功率预测方法 |
CN108573323A (zh) * | 2018-03-19 | 2018-09-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种能源互联网用户用电量预测方法及系统 |
CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
CN113919559A (zh) * | 2021-09-28 | 2022-01-11 | 南京南瑞继保电气有限公司 | 一种综合能源系统设备参数超短期预测方法及装置 |
CN114004338A (zh) * | 2021-11-09 | 2022-02-01 | 华东师范大学 | 基于神经网络的混合时间周期模式多变量时序预测方法 |
CN114492978A (zh) * | 2022-01-20 | 2022-05-13 | 哈尔滨工程大学 | 一种基于多层注意力机制的时空序列预测方法及设备 |
CN115145901A (zh) * | 2022-06-30 | 2022-10-04 | 浙江天垂科技有限公司 | 一种基于多尺度的时间序列预测方法及系统 |
CN116663831A (zh) * | 2023-06-02 | 2023-08-29 | 湖北诚佰网络科技有限公司 | 一种基于车载终端的车辆运输管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116957367A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
WO2021007845A1 (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN115689177A (zh) | 一种基于机器学习的变电检修计划智能排程策略方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
Li et al. | Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger | |
CN117234785A (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
Li et al. | Integrated predictive maintenance approach for multistate manufacturing system considering geometric and non-geometric defects of products | |
CN115358533A (zh) | 一种基于大数据的预测性维护管理系统 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN116957367B (zh) | 综合能源系统运行策略的参数多时间尺度预测方法及系统 | |
CN102095953B (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
US12001199B2 (en) | Method, system and computer program product for evaluation of energy consumption in industrial environments | |
CN117649044A (zh) | 一种海上风电机组多维度量化状态评估方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN113822587B (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 | |
CN115660613B (zh) | 异常数据监测方法、装置、设备、存储介质及程序产品 |
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 |