基于机器学习和通信技术的电厂能源预测方法及系统与流程

本发明涉及电厂控制，特别是基于机器学习和通信技术的电厂能源预测方法及系统。

背景技术：

1、随着能源市场的变化和技术的不断进步，电厂在提高能源预测准确性和优化效果、降低能源消耗和运营成本方面面临着巨大的挑战；传统的电厂管理方式和能源预测方法在这一背景下显得愈发不足以满足现代电厂的需求；在能源市场变化方面，全球范围内的能源需求和供应都在不断变化，受到政治、经济和环境因素的影响，使得电厂需要更灵活的管理方式来应对市场的波动，包括更准确的能源需求预测、实时的市场响应和灵活的能源生产调整；技术的不断进步也为电厂管理带来了新的机遇和挑战，智能化、大数据分析、人工智能以及物联网技术的应用，使得电厂能够更全面地监测和分析能源生产过程，提高预测的准确性；同时，新兴的能源存储技术和可再生能源的大规模应用也为电厂提供了更多的选择，但也需要电厂重新评估和调整其生产方式以适应这些新兴技术；传统的能源管理系统往往依赖于静态模型和传统统计方法，在面对电厂系统的复杂性和动态变化时显得力不从心，电厂管理者难以获得准确的能源预测，影响了电厂的运营效益和成本控制。

2、目前常见的解决方案存在诸多缺点，包括：传统方法在考虑电厂系统的复杂性和动态变化时，往往难以实现准确的能源预测，使得电厂管理者难以做出明智的决策，导致运营决策的不确定性和不稳定性；由于传统模型对电厂系统动态性的难以捕捉，优化效果往往不尽如人意，无法最大程度地提高能源利用效率，导致无法充分发挥电厂潜在的能源利用潜力，限制了电厂在市场竞争中的竞争力；传统统计方法和静态模型在数据采集和处理方面的速度较慢，无法满足电厂系统实时变化的需求，这种滞后性导致预测模型不能及时地适应新的运营条件，从而影响了能源预测的准确性和及时性。

技术实现思路

1、鉴于对电厂能源进行预测时，现有技术中难以实现准确的能源预测，无法最大程度地提高能源利用效率等问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种提高能源预测的准确性和稳定性，降低电厂的能源消耗和运营成本的方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了基于机器学习和通信技术的电厂能源预测方法，其包括采集电厂相关数据并进行预处理，利用主成分分析pca技术对预处理后的电厂相关数据进行处理；根据随机森林random forest算法构建能源预测模型并进行能源预测；利用遗传算法ga对预测结果进行分析并制定能源优化策略；利用通信技术进行实时数据传输和远程监控；基于改进措施对所述能源预测模型进行评估和优化。

5、作为本发明所述基于机器学习和通信技术的电厂能源预测方法的一种优选方案，其中：所述电厂相关数据包括历史能源数据和相关影响因素数据；所述历史能源数据包括煤耗、油耗和电量输出；所述相关影响因素数据包括温度、湿度、风速、市场需求以及设备状态；所述对预处理后的电厂相关数据进行处理通过利用主成分分析pca技术对预处理后的电厂相关数据进行降维处理，去除冗余特征。

6、作为本发明所述基于机器学习和通信技术的电厂能源预测方法的一种优选方案，其中：所述构建能源预测模型并进行能源预测包括以下步骤：根据历史能源数据和相关影响因素数据创建新的特征；利用随机森林random forest算法构建能源预测模型；将处理后的电厂相关数据划分为训练集和测试集；利用训练集对能源预测模型进行训练，并利用测试集对能源预测模型进行验证，调整能源预测模型的参数；基于评估指标评估能源预测模型的预测效果；将实时电厂相关数据输入至能源预测模型中，预测未来的能源需求。

7、作为本发明所述基于机器学习和通信技术的电厂能源预测方法的一种优选方案，其中：所述能源预测模型的计算公式如下：

8、

9、其中，e(t)为在t时刻的能源预测值；n为随机森林中的决策树数量；wi为第i棵决策树的权重；m为决策树的叶子节点数量；cij为叶子节点rij的输出值；i(x(t)∈rij)为指示函数，表示输入数据x(t)是否落在叶子节点rij中；bi为第i棵决策树的偏差项；∈(t)为能源预测模型的误差项。

10、作为本发明所述基于机器学习和通信技术的电厂能源预测方法的一种优选方案，其中：所述制定能源优化策略包括以下步骤：基于历史电厂相关数据和预测结果，利用遗传算法ga进行迭代和优化，得到能源优化策略的目标函数和约束条件；根据实际运行效果对能源优化策略进行评估和调整；利用能源优化策略进行能源的动态管理和优化分配；所述目标函数为最小化总能源成本；所述约束条件包括能源供需平衡和环保排放限制。

11、作为本发明所述基于机器学习和通信技术的电厂能源预测方法的一种优选方案，其中：所述最小化总能源成本的计算公式如下：

12、

13、其中，ctotal为总能源成本；n为特征数量；wi为特征权重；xi为电厂相关数据的特征值；α为调整参数，用于平衡能源预测模型相对重要性；β为调整参数，用于平衡优化策略的相对重要性；γ为调整参数；δ为调整参数；所述能源供需平衡的计算公式如下：

14、

15、其中，ebalance为能源供需平衡；所述环保排放限制的计算公式如下：

16、

17、其中，econstraint为环保排放限制；call为电厂的总发电容量。

18、作为本发明所述基于机器学习和通信技术的电厂能源预测方法的一种优选方案，其中：所述对能源优化策略进行评估和调整的具体情况如下：若总能源成本ctotal降低且能源供需平衡ebalance大于等于第一阈值，环保排放限制econstraint小于等于第二阈值，则判定能源供需达到平衡，环保排放在接受的范围内，能源优化策略有效；若总能源成本ctotal降低且能源供需平衡ebalance小于第一阈值或环保排放限制econstraint大于第二阈值，则判定能源供需没有达到平衡或环保排放超出接受的范围，重新制定能源优化策略；若总能源成本ctotal不变，则判定制定的能源优化策略无效，保持原有的情况不变；若总能源成本ctotal提高，则判定制定的能源优化策略无效，重新制定能源优化策略。

19、第二方面，本发明为进一步解决电厂能源预测中存在的安全问题，实施例提供了基于机器学习和通信技术的电厂能源预测系统，其包括：模型构建模块，用于采集电厂相关数据进行预处理，并利用主成分分析pca技术对预处理后的电厂相关数据进行处理，根据随机森林random forest算法构建能源预测模型，进行能源预测；策略制定模块，用于利用遗传算法ga对历史电厂相关数据和预测结果进行迭代和优化，并根据目标函数和约束条件对能源优化策略进行评估和调整；通信模块，用于利用通信技术构建数据传输通道，进行实时数据传输和远程监控；优化模块，用于对能源预测模型进行评估，并根据评估结果和改进措施对能源预测模型机械能优化。

20、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习和通信技术的电厂能源预测方法的任一步骤。

21、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习和通信技术的电厂能源预测方法的任一步骤。

22、本发明有益效果为：本发明通过提出一种基于机器学习和通信技术的电厂能源预测方法，采集电厂历史能源数据和相关影响因素数据，利用机器学习算法进行模型训练和优化，提高能源预测的准确性和稳定性，降低了电厂的能源消耗和运营成本，提高了能源利用效率，促进电厂的可持续发展和绿色转型，提高电厂的市场竞争力和经济效益。