本發(fā)明涉及能源系統(tǒng)，尤其是涉及一種多時間尺度的負荷功率預測方法及系統(tǒng)。

背景技術(shù)：

1、在倡導綠色、環(huán)保及低碳的大背景下，新能源在能源系統(tǒng)中的占比越來越高。然而，礦熱爐負荷在能源系統(tǒng)中存在諸多挑戰(zhàn)。礦熱爐負荷的功率波動性較大，導致能源系統(tǒng)的不穩(wěn)定性和不可靠性。cn108647812a公開了一種基于主成分自適應bp神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測方法，采用自適應bp神經(jīng)網(wǎng)絡(luò)方法建造模型，是將電廠歷史數(shù)據(jù)作為輸入，建立一種主成分與自適應bp神經(jīng)網(wǎng)絡(luò)算法相結(jié)合輸出電廠負荷的短期預測方法。該方法減少了計算量，但是由于忽視了較多原始數(shù)據(jù)中的特征，導致預測精度受到影響。cn102705303a公開了一種基于殘差與雙級神經(jīng)網(wǎng)絡(luò)的液壓伺服系統(tǒng)故障定位的方法，直接利用初始數(shù)據(jù)作為輸入?yún)?shù)，計算量較大，預測效率低。鑒于前述現(xiàn)有技術(shù)中的不足，對礦熱爐負荷的功率進行準確且高效的預測具有重大現(xiàn)實意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種多時間尺度的負荷功率預測方法及系統(tǒng)。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

3、一種多時間尺度的負荷功率預測方法，包括以下步驟：

4、獲取負荷的歷史數(shù)據(jù)，并將該歷史數(shù)據(jù)劃分為多種時間尺度的負荷數(shù)據(jù)；

5、根據(jù)不同時間尺度的負荷數(shù)據(jù)采用對應的預測算法，構(gòu)建并訓練得到對應時間尺度的負荷預測模型；

6、將負荷的實時數(shù)據(jù)載入對應時間尺度的負荷預測模型中，得到對應時間尺度的預測結(jié)果。

7、所述的負荷的歷史數(shù)據(jù)包括礦熱爐歷史真值數(shù)據(jù)、冶煉物料加料量、入爐錳礦品質(zhì)、加熱裝置溫度以及礦熱爐負荷上限。

8、所述的負荷的歷史數(shù)據(jù)經(jīng)過數(shù)據(jù)預處理后劃分為多種時間尺度的負荷數(shù)據(jù)，其中，所述預處理包括數(shù)據(jù)異常處理、數(shù)據(jù)歸一化和數(shù)據(jù)重采樣。

9、所述的數(shù)據(jù)異常處理具體為：采用統(tǒng)計方法3σ原則對輸入數(shù)據(jù)進行異常值檢測，對檢測出的異常數(shù)據(jù)采用直接刪除法、歷史同時刻真值填充、前后項填充、線性插值填充四種方式中的一種對異常數(shù)據(jù)進行填充。

10、通過填充效果回測驗證法確定對異常數(shù)據(jù)進行填充的填充方式，具體步驟如下：

11、1)分別采用四種方式進行數(shù)據(jù)填充，獲得4種類型的填充數(shù)據(jù)，擬合得到候選填充曲線；

12、2)獲取與歷史礦熱爐相似度排名從高到低的前預設(shè)個數(shù)的候選負荷曲線；

13、3)將候選負荷曲線取均值得到類真實礦熱爐用電負荷曲線；

14、4)分別計算候選填充曲線與類真實礦熱爐用電負荷曲線的相似度，選取相似度最高的候選填充曲線所采用的填充方式作為最終的異常處理方法。

15、所述的數(shù)據(jù)重采樣根據(jù)對時間尺度的需求，通過顆粒度進行配置，自動進行上采樣或下采樣。

16、所述的不同時間尺度的負荷數(shù)據(jù)經(jīng)過特征工程和特征選擇后用于訓練負荷預測模型，其中，所述特征工程包括統(tǒng)計特征、周期內(nèi)同時刻統(tǒng)計特征和領(lǐng)域知識特征，所述特征選擇采用過濾法、包裹法或嵌入法中的一種。

17、所述的統(tǒng)計特征包括基于時間窗口提取的最大值、最小值、斜率、峰度、偏度、累計面積、峰峰值特征，其中，斜率用于反應礦熱爐用電負荷的爬坡率、下坡率；所述的周期內(nèi)同時刻統(tǒng)計特征為在同期內(nèi)提取的同時刻點的統(tǒng)計特征，用于分析特定時間點負荷變化離散程度和趨勢；所述的領(lǐng)域知識特征包括排產(chǎn)計劃和維修計劃，排產(chǎn)計劃分為降產(chǎn)、正常、量產(chǎn)三種類型，維修計劃分為維修、不維修兩種類型，將排產(chǎn)計劃、維修計劃根據(jù)類型分別進行編碼，根據(jù)不同類型提取相關(guān)領(lǐng)域特征，其中，排產(chǎn)計劃的領(lǐng)域知識特征包括負荷峰值、負荷持續(xù)時間、負荷上升斜率、負荷下降斜率、負荷曲線下方面積、負荷變化平滑程度。

18、所述的負荷預測模型內(nèi)置xgboost、lightgbm兩種算法，當生產(chǎn)需要滿足實時性需求時，通過參數(shù)配置將預測模型切換為lightgbm進行實時負荷預測，當生產(chǎn)需要滿足模型預測精度需求時，通過參數(shù)配置將預測模型切換為xgboost進行實時負荷預測。

19、一種多時間尺度的負荷功率預測系統(tǒng)，包括：

20、數(shù)據(jù)獲取模塊，用于獲取負荷的歷史數(shù)據(jù)，并將該歷史數(shù)據(jù)劃分為多種時間尺度的負荷數(shù)據(jù)；

21、預測模型構(gòu)建與訓練模塊，用于根據(jù)不同時間尺度的負荷數(shù)據(jù)采用對應的預測算法，構(gòu)建并訓練得到對應時間尺度的負荷預測模型；

22、預測模塊，用于將負荷的實時數(shù)據(jù)載入對應時間尺度的負荷預測模型中，得到對應時間尺度的預測結(jié)果。

23、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

24、(1)本發(fā)明針對礦熱爐負荷歷史數(shù)據(jù)，進行特征工程和特征選擇后得到有效的負荷特征，從而訓練負荷預測模型，以提高模型預測精度；同時，負荷預測模型內(nèi)置兩種算法，可以根據(jù)實際應用的需要進行選擇，從而兼顧預測精度和預測效率。

25、(2)本發(fā)明在對負荷數(shù)據(jù)進行數(shù)據(jù)預處理時采用四種異常數(shù)據(jù)填充方式，并通過填充效果回測驗證法確定所采用的方式，降低異常處理不當所造成的誤差，提高模型預測精度。

26、(3)本發(fā)明在特征工程中提取的統(tǒng)計特征可以反應礦熱爐的用電變化趨勢，通過學習序列過去的變化特征、發(fā)現(xiàn)序列運行規(guī)律，從而預計未來序列的走勢；在同期內(nèi)提取同時刻點的統(tǒng)計特征有助于分析特定時間點負荷變化離散程度和趨勢；此外，還加入了礦熱爐領(lǐng)域特征，使得能夠?qū)υ搼脠鼍跋碌牡V熱爐特征進行更為準確、具有針對性的分析。

技術(shù)特征：

1.一種多時間尺度的負荷功率預測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的負荷的歷史數(shù)據(jù)包括礦熱爐歷史真值數(shù)據(jù)、冶煉物料加料量、入爐錳礦品質(zhì)、加熱裝置溫度以及礦熱爐負荷上限。

3.根據(jù)權(quán)利要求1所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的負荷的歷史數(shù)據(jù)經(jīng)過數(shù)據(jù)預處理后劃分為多種時間尺度的負荷數(shù)據(jù)，其中，所述預處理包括數(shù)據(jù)異常處理、數(shù)據(jù)歸一化和數(shù)據(jù)重采樣。

4.根據(jù)權(quán)利要求3所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的數(shù)據(jù)異常處理具體為：采用統(tǒng)計方法3σ原則對輸入數(shù)據(jù)進行異常值檢測，對檢測出的異常數(shù)據(jù)采用直接刪除法、歷史同時刻真值填充、前后項填充、線性插值填充四種方式中的一種對異常數(shù)據(jù)進行填充。

5.根據(jù)權(quán)利要求4所述的一種多時間尺度的負荷功率預測方法，其特征在于，通過填充效果回測驗證法確定對異常數(shù)據(jù)進行填充的填充方式，具體步驟如下：

6.根據(jù)權(quán)利要求3所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的數(shù)據(jù)重采樣根據(jù)對時間尺度的需求，通過顆粒度進行配置，自動進行上采樣或下采樣。

7.根據(jù)權(quán)利要求1所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的不同時間尺度的負荷數(shù)據(jù)經(jīng)過特征工程和特征選擇后用于訓練負荷預測模型，其中，所述特征工程包括統(tǒng)計特征、周期內(nèi)同時刻統(tǒng)計特征和領(lǐng)域知識特征，所述特征選擇采用過濾法、包裹法或嵌入法中的一種。

8.根據(jù)權(quán)利要求7所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的統(tǒng)計特征包括基于時間窗口提取的最大值、最小值、斜率、峰度、偏度、累計面積、峰峰值特征，其中，斜率用于反應礦熱爐用電負荷的爬坡率、下坡率；所述的周期內(nèi)同時刻統(tǒng)計特征為在同期內(nèi)提取的同時刻點的統(tǒng)計特征，用于分析特定時間點負荷變化離散程度和趨勢；所述的領(lǐng)域知識特征包括排產(chǎn)計劃和維修計劃，排產(chǎn)計劃分為降產(chǎn)、正常、量產(chǎn)三種類型，維修計劃分為維修、不維修兩種類型，將排產(chǎn)計劃、維修計劃根據(jù)類型分別進行編碼，根據(jù)不同類型提取相關(guān)領(lǐng)域特征，其中，排產(chǎn)計劃的領(lǐng)域知識特征包括負荷峰值、負荷持續(xù)時間、負荷上升斜率、負荷下降斜率、負荷曲線下方面積、負荷變化平滑程度。

9.根據(jù)權(quán)利要求1所述的一種多時間尺度的負荷功率預測方法，其特征在于，所述的負荷預測模型內(nèi)置xgboost、lightgbm兩種算法，當生產(chǎn)需要滿足實時性需求時，通過參數(shù)配置將預測模型切換為lightgbm進行實時負荷預測，當生產(chǎn)需要滿足模型預測精度需求時，通過參數(shù)配置將預測模型切換為xgboost進行實時負荷預測。

10.一種多時間尺度的負荷功率預測系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明涉及一種多時間尺度的負荷功率預測方法及系統(tǒng)，其中方法包括以下步驟：獲取負荷的歷史數(shù)據(jù)，并將該歷史數(shù)據(jù)劃分為多種時間尺度的負荷數(shù)據(jù)；根據(jù)不同時間尺度的負荷數(shù)據(jù)采用對應的預測算法，構(gòu)建并訓練得到對應時間尺度的負荷預測模型；將負荷的實時數(shù)據(jù)載入對應時間尺度的負荷預測模型中，得到對應時間尺度的預測結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明具有兼顧了預測精度和預測效率等優(yōu)點。

技術(shù)研發(fā)人員：賈項南,許婷,張凱,任可心,周勝,張元
受保護的技術(shù)使用者：遠景能源有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2