一种矿山能源电负荷预测方法及装置与流程
- 国知局
- 2024-07-31 17:27:34
本发明涉及电力预测,特别涉及一种矿山能源电负荷预测方法及装置。
背景技术:
1、矿山能源电负荷预测是一个复杂的问题,受到季节性变化、天气条件、特殊事件和需求波动的影响。
2、所谓预测,就是指通过对事物进行分析及研究,并运用合理的方法探索事物的发展变化规律,对其未来发展做出预先估计和判断。电力系统负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法,在满足一定精度要求的意义下,确定未来特定时刻的负荷数值。提高负荷预测技术水平,有利于计划用电管理,有利于合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电源建设规划,有利于提高电力系统的经济效益和社会效益。
3、现有的技术,通常未能充分考虑数据中的异常值和离群点,对时序关系的建模能力有限,难以捕捉电负荷数据的长期趋势和短期波动。
技术实现思路
1、针对上述问题,本发明提供一种矿山能源电负荷预测方法及装置。
2、第一方面,一种矿山能源电负荷预测方法,所述方法包括:
3、对矿山能源电负荷数据采用聚类算法去除异常值,得到处理数据;
4、基于处理数据,使用双向长短时记忆网络bi-lstm构建用于预测矿山能源电负荷的深度学习模型;
5、深度学习模型通过反向传播算法进行训练,使用huber损失函数判断深度学习模型训练进度,训练完成后得到已训练深度学习模型;
6、实时采集矿山能源电负荷数据,输入到已训练深度学习模型得到矿山能源电负荷预测。
7、进一步的,对矿山能源电负荷数据采用聚类算法去除异常值,包括:
8、对矿山能源电负荷数据,基于密度的空间聚类dbscan检测和去除离群点。
9、进一步的,基于密度的空间聚类dbscan检测和去除离群点,包括:
10、对矿山能源电负荷数据,选择合适的ε和minpts值;
11、对于每个数据点,计算其ε-邻域内的数据点数量;如果某个数据点的邻域内数据点数量大于或等于minpts,则该点被标记为核心点;
12、从一个核心点出发,通过迭代将其ε-邻域内的数据点添加到同一簇中;这个过程将继续扩展,直至没有更多的核心点被添加;
13、数据点不属于任何簇的被标记为离群点。
14、进一步的,对矿山能源电负荷数据采用聚类算法去除异常值,还包括:
15、对矿山能源电负荷数据中的时间相关变量,包括每天的小时数、天数和每年的月数,采用独热编码进行处理。
16、进一步的,基于处理数据,使用双向长短时记忆网络bi-lstm构建用于预测矿山能源电负荷的深度学习模型,包括:
17、使用python keras创建包含bi-lstm层的深度学习模型。
18、进一步的,还包括:
19、使用自适应风驱动优化awdo算法来调整深度学习模型超参数,以最大化预测性能。
20、进一步的,深度学习模型通过反向传播算法进行训练,使用huber损失函数判断深度学习模型训练进度,训练完成后得到已训练深度学习模型,包括:
21、将数据集分为训练集和测试集;
22、基于训练集,对深度学习模型通过反向传播算法进行训练,直到模型收敛在huber损失函数的阈值范围内;
23、基于测试集,使用根均方误差rmse,和或,平均绝对百分比误差mape,对深度学习模型进行测试,以评估模型的准确性。
24、第二方面,一种矿山能源电负荷预测装置,包括:数据处理单元、建模单元和预测单元;
25、数据处理单元,用于对矿山能源电负荷数据采用聚类算法去除异常值,得到处理数据;
26、建模单元,用于基于处理数据,使用双向长短时记忆网络bi-lstm构建用于预测矿山能源电负荷的深度学习模型;
27、建模单元,还用于对深度学习模型通过反向传播算法进行训练,使用huber损失函数判断深度学习模型训练进度,训练完成后得到已训练深度学习模型;
28、预测单元,用于实时采集矿山能源电负荷数据,输入到已训练深度学习模型得到矿山能源电负荷预测。
29、第三方面,一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
30、存储器,存储有计算机程序;
31、处理器,用于执行存储器上所存储的计算机程序时,实现上述的一种矿山能源电负荷预测方法。
32、第四方面,一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的一种矿山能源电负荷预测方法。
33、本发明至少具备以下有益效果:
34、本发明可广泛应用于矿山管理。通过对矿山能源电负荷的准确预测,矿山可以更好地计划和管理电力资源,以降低能源成本、提高生产效率,同时确保电力系统的稳定性。
35、本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
技术特征:1.一种矿山能源电负荷预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的一种矿山能源电负荷预测方法,其特征在于,
3.根据权利要求2所述的一种矿山能源电负荷预测方法,其特征在于,
4.根据权利要求1所述的一种矿山能源电负荷预测方法,其特征在于,
5.根据权利要求1所述的一种矿山能源电负荷预测方法,其特征在于,
6.根据权利要求1所述的一种矿山能源电负荷预测方法,其特征在于,
7.根据权利要求1所述的一种矿山能源电负荷预测方法,其特征在于,
8.一种矿山能源电负荷预测装置,其特征在于,包括:数据处理单元、建模单元和预测单元;
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种矿山能源电负荷预测方法。
技术总结本发明涉及电力预测技术领域,特别涉及一种矿山能源电负荷预测方法及装置。本发明对矿山能源电负荷数据采用聚类算法去除异常值,得到处理数据;基于处理数据,使用双向长短时记忆网络Bi‑LSTM构建用于预测矿山能源电负荷的深度学习模型;深度学习模型通过反向传播算法进行训练,使用Huber损失函数判断深度学习模型训练进度,训练完成后得到已训练深度学习模型;实时采集矿山能源电负荷数据,输入到已训练深度学习模型得到矿山能源电负荷预测。通过对矿山能源电负荷的准确预测,可使有关决策者对矿山的能源使用情况提前做出调度决策,有助于优化生产过程,降低生产成本,并提高效率。技术研发人员:魏国,湛金,郑亚锋,王春雨,雷刚,童应良,杨富堯受保护的技术使用者:青海黄河矿业有限责任公司技术研发日:技术公布日:2024/7/25本文地址:https://www.jishuxx.com/zhuanli/20240731/175600.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。