一种火电厂负荷的预测方法与流程

本发明涉及负荷预测，尤其涉及一种火电厂负荷的预测方法。

背景技术：

1、电力系统负荷预测通过研究分析历史上电力负荷的变化情况，以经济、天气等影响因素的变化趋势为依据，对电力需求作出预先的估计与推测，其对电力系统运行产生很大影响。随着电力市场化的深入推进，系统负荷预测与电力市场的供需关系联系越来越紧密，直接影响电网运行的安全与经济。负荷预测是能源规划、经济运行和能源管理的重要基础，通常包括长期负荷预测，中期负荷预测和短期负荷预测，其中，短期负荷预测一般指的是对预测对象未来一天或者一周的负荷进行预测，短期负荷的特点在于会受到天气、设备状况、重大社会活动等因素的影响较大，因此准确的对短期负荷进行预测存在较大的困难。

2、火电厂短期负荷预测技术主要包括传统的时间序列模型和基于机器学习的方法。这些方法试图通过分析历史负荷数据和相关因素，来预测未来一段时间内的负荷情况。传统的时间序列模型如arma、arima等，通过分析负荷时序数据的趋势、季节性和残差等特征，进行预测。这些模型简单且易于实现，但对于非线性关系和复杂的数据模式处理能力有限，并且对外部因素的影响考虑并不全面。

3、因此，亟需一种能处理复杂数据且考虑全面的火电厂负荷的预测方法。

技术实现思路

1、本发明提供一种火电厂负荷的预测方法，用以解决现有技术中考虑影响因素过于单一，从而使得获取到的短期预测结果准确性较低的缺陷。

2、一方面，本发明提供一种火电厂负荷的预测方法，包括：

3、获取火电厂历史数据及待预测数据，所述历史数据包括历史负荷数据及历史负荷影响数据，所述待预测数据包括负荷时序数据和影响因素数据；

4、预处理并分类所述历史数据及待预测数据，得到训练集和验证集；

5、基于预处理后的训练集和验证集提取特征数据，得到特征提取后的训练集和验证集；

6、建立训练模型，在模型中输入所述火电厂待预测数据，得到所述待预测数据对应的短期负荷预测结果。

7、根据本发明提供的一种火电厂负荷的预测方法，预处理并分类所述历史数据及待预测数据，得到训练集和验证集，包括：

8、对所述历史数据及待预测数据进行预处理，所述预处理包括缺失值均值插补、数据标准化、独热编码和时间戳转换；

9、预处理后的数据依时间先后顺序形成输入向量序列，以任意时刻未来一段时间内的系统负荷作为预测目标，得到预处理后的数据；

10、将预处理后的数据按照预设比例划分为训练集和测试集。

11、根据本发明提供的一种火电厂负荷的预测方法，对所述历史数据及待预测数据进行预处理，所述预处理包括缺失值均值插补、数据标准化、独热编码和时间戳转换，包括：

12、检查数据中是否存在缺失值，如果有缺失值，计算每个特征的均值，并用该均值来替代缺失值；

13、对数值型特征进行数据标准化，将数据进行零均值化并除以标准差；

14、对于分类特征，使用独热编码将其转换为二进制形式，将每个类别转换为一个新的二进制特征，其中只有一个特征为1，其他特征都为0；

15、对于包含时间戳的特征，将其转换为更有意义的形式，提取出年、月、日、小时的信息，并将它们作为新的特征。

16、根据本发明提供的一种火电厂负荷的预测方法，基于预处理后的训练集和验证集提取特征数据，得到特征提取后的训练集和验证集，包括：

17、基于预处理后的训练集和验证集中的负荷时序数据获取第一负荷时序特征；

18、基于预处理后的训练集和验证集中的影响因素数据获取影响因素特征。

19、根据本发明提供的一种火电厂负荷的预测方法，基于预处理后的训练集和验证集中的负荷时序数据获取第一负荷时序特征，包括：

20、将经过预处理的负荷时序数据输入到第一层长短期记忆网络中，获取第一层长短期记忆网络的输出，第一层长短期记忆网络的输出作为第二负荷时序特征；

21、将第二负荷时序特征输入到第二层长短期记忆网络中，获取第二层长短期记忆网络的输出，第二层长短期记忆网络的输出即为第一负荷时序特征。

22、根据本发明提供的一种火电厂负荷的预测方法，基于预处理后的训练集和验证集中的影响因素数据获取影响因素特征，包括：

23、将所述影响因素数据输入所述已训练的预测模型中所述第一全连接网络层，获取编码因素特征，将所述编码因素特征输入所述已训练的预测模型中所述第二全连接网络层，获取影响因素特征。

24、根据本发明提供的一种火电厂负荷的预测方法，建立训练模型，在模型中输入所述火电厂待预测数据，得到所述待预测数据对应的短期负荷预测结果，包括：

25、利用训练集，在已设定合理参数的长短时记忆递归神经网络预测模型上使用历时方向传播算法进行训练，并计算长短时记忆递归神经网络预测模型在测试数据集上的平均误差，得到初始负荷预测网络模型；

26、通过验证集测试初始负荷预测网络模型，得到测试结果，根据测试结果评价初始负荷预测网络模型，将满足预设评价指标的初始负荷预测网络模型作为负荷预测网络模型；

27、利用已训练预测模型预测待预测数据，得到预测结果，并评估预测误差。

28、根据本发明提供的一种火电厂负荷的预测方法，利用已训练预测模型预测待预测数据，得到预测结果，并评估预测误差，包括：

29、根据电力系统的历史数据及测试结果，得到测试结果的平均绝对百分误差和均方误差，当平均绝对百分误差和均方误差均小于预设的平均绝对百分误差值及均方误差值时，初始负荷预测网络模型满足预设评价指标。

30、本发明提供的一种火电厂负荷的预测方法，通过获取火电厂历史数据及待预测数据，所述历史数据包括历史负荷数据及历史负荷影响数据，所述待预测数据包括负荷时序数据和影响因素数据；预处理并分类所述历史数据及待预测数据，得到训练集和验证集；基于预处理后的训练集和验证集提取特征数据，得到特征提取后的训练集和验证集；建立训练模型，在模型中输入所述火电厂待预测数据，得到所述待预测数据对应的短期负荷预测结果，解决了对于非线性关系和复杂的数据模式处理能力有限并且对外部因素的影响考虑并不全面的问题，取到了能处理复杂数据且考虑全面有益效果。

技术特征：

1.一种火电厂负荷的预测方法，其特征在于，包括：

2.根据权利要求1所述的火电厂负荷的预测方法，其特征在于，所述预处理并分类所述历史数据及待预测数据，得到训练集和验证集，包括：

3.根据权利要求2所述的火电厂负荷的预测方法，其特征在于，所述对所述历史数据及待预测数据进行预处理，所述预处理包括缺失值均值插补、数据标准化、独热编码和时间戳转换，包括：

4.根据权利要求1所述的火电厂负荷的预测方法，其特征在于，所述基于预处理后的训练集和验证集提取特征数据，得到特征提取后的训练集和验证集，包括：

5.根据权利要求4所述的火电厂负荷的预测方法，其特征在于，所述基于预处理后的训练集和验证集中的负荷时序数据获取第一负荷时序特征，包括：

6.根据权利要求4所述的火电厂负荷的预测方法，其特征在于，所述基于预处理后的训练集和验证集中的影响因素数据获取影响因素特征，包括：

7.根据权利要求1所述的火电厂负荷的预测方法，其特征在于，所述建立训练模型，在模型中输入所述火电厂待预测数据，得到所述待预测数据对应的短期负荷预测结果，包括：

8.根据权利要求7所述的火电厂负荷的预测方法，其特征在于，所述利用已训练预测模型预测待预测数据，得到预测结果，并评估预测误差，包括：

技术总结本发明提供一种火电厂负荷的预测方法，通过获取火电厂历史数据及待预测数据，所述历史数据包括历史负荷数据及历史负荷影响数据，所述待预测数据包括负荷时序数据和影响因素数据；预处理并分类所述历史数据及待预测数据，得到训练集和验证集；基于预处理后的训练集和验证集提取特征数据，得到特征提取后的训练集和验证集；建立训练模型，在模型中输入所述火电厂待预测数据，得到所述待预测数据对应的短期负荷预测结果，解决了对于非线性关系和复杂的数据模式处理能力有限并且对外部因素的影响考虑并不全面的问题，取到了能处理复杂数据且考虑全面有益效果。技术研发人员：丁明志,安建军,周启民,刘仰忠,马林,景李红,姚文迪,卢璐,随立军,王方超,平建受保护的技术使用者：华能曲阜热电有限公司技术研发日：技术公布日：2024/7/29