【技術實現步驟摘要】
本公開涉及智能多能優化配置，具體涉及了一種基于ssa-bp網絡的油氣田多能配網負荷預測方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本公開相關的
技術介紹
信息，不必然構成在先技術。
2、近年來，我國大型油氣公司相繼制定了轉型發展戰略，以應對日益加速的能源轉型新趨勢。“3060”碳排放目標對我國能源結構轉型提出了更高、更迫切的要求。在此背景下，我國需采取化石能源清潔化利用與清潔能源規?；貌⒅氐陌l展路徑，逐步促動新能源對化石能源的補充、替代，穩步推進能源結構由能源資源型向能源技術型轉變，最終助力我國實現“化石能源低碳化+新能源規?；钡男滦椭腔勰茉大w系。
3、對能源負荷進行預測有助于新型智慧能源體系的建立，現有技術中，有很多能源負荷預測模型，其中，群體智能算法越來越流行，研究者不斷對其進行改進。群體智能算法包括遺傳算法、粒子群算法、麻雀搜索算法等。研究者發現單一模型已不能滿足現狀，越來越多的混合模型出現在人們的視野。同時，隨著大型油氣田的可再生能源的大規模并網發展，非傳統問題愈來愈嚴重。近年來，傳統的風、光能源功率預測模型已不適合目前的市場需求。因此，為提升油氣田多能流預測模型的斂散精度和預測效率，探索新能源與傳統供能方式的多能互補，在滿足生產任務前提下實現經濟、環保最優化，需對預測模型進行進一步分析研究。
技術實現思路
1、針對上述缺陷，本公開提出了一種基于ssa-bp網絡的油氣田多能配網負荷預測方法及系統，賦予各供能方式最優的權重系數，并采用優化算
2、為了實現上述目的，本公開采用如下技術方案：
3、本公開第一方面提供了一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，包括以下步驟：
4、獲取不同供能方式的負荷預測數據，并將獲取的數據劃分為測試集和訓練集；
5、根據供能方式不同為訓練數據賦初始權重系數，將賦有初始權重系數的訓練數據輸入ssa-bp預測模型，初始化ssa-bp預測模型參數；
6、定義目標函數，并采用優化算法優化ssa-bp預測模型的參數，得出各供能方式的最優權重系數；
7、利用訓練好的ssa-bp預測模型進行負荷預測。
8、作為進一步的實現方式，所述不同供能方式包括風電、光伏、火電機組以及儲能。
9、作為進一步的實現方式，獲取不同供能方式的負荷預測數據，具體為：
10、采集氣象數據和風能、光能實際輸出功率，對采集數據進行處理，獲得風電負荷預測數據集和光伏負荷預測數據集；
11、采集火電機組輸出功率的歷史數據，獲得火電機組負荷預測數據集；
12、根據油氣田多能微網管理平臺數據，獲得儲能負荷預測數據集。
13、作為進一步的實現方式，所述目標函數有兩個，分別為：能源消耗量預測結果等于各種供能方式的供能量之和以及根據幾種供能方式的權重分配找到經濟最優的供能模式。
14、作為進一步的實現方式，所述能源消耗量預測，具體為：
15、建立能耗預測模型；
16、獲取原油和天然氣的計劃產量，并依據計劃產量，利用能耗預測模型對能源消耗量進行預測。
17、作為進一步的實現方式，所述建立能耗預測模型，具體為：
18、采集原油產量、天然氣產量及能源消耗量，生成歷史生產能耗數據集；
19、采用k均值聚類算法對原油產量和天然氣產量進行分類并識別標記；
20、將原油產量和天然氣產量作為輸入，能源消耗量作為輸出，分別建立并訓練每個類別對應的能耗預測模型。
21、作為進一步的實現方式，所述優化算法為混沌序列tent和t分布。
22、本公開第二方面提供了一種基于ssa-bp網絡的油氣田多能配網負荷預測系統，包括：
23、數據獲取模塊，被配置為：獲取不同供能方式的負荷預測數據，并將獲取的數據劃分為測試集和訓練集；
24、初始化模塊，被配置為：根據供能方式不同為訓練數據賦初始權重系數，將賦有初始權重系數的訓練數據輸入ssa-bp預測模型，初始化ssa-bp預測模型參數；
25、模型訓練模塊，被配置為：定義目標函數，并采用優化算法優化ssa-bp預測模型的參數，得出各供能方式的最優權重系數；
26、輸出模塊，被配置為：利用訓練好的ssa-bp預測模型進行負荷預測。
27、本公開第三方面提供了一種介質，其上存儲有程序，該程序被處理器執行時實現本公開第一方面所述的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法中的步驟。
28、本公開第四方面提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，所述處理器執行所述程序時實現本公開第一方面所述的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法中的步驟。
29、與現有技術相比，本公開的有益效果為：
30、本公開提出的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，利用經驗模態分解（emd）方法將受到氣象因素影響的氣象序列進行分解，降低了其波動性，利用主成分分析法（pca）對經emd分解之后的輸入變量進行降維處理，消除emd分解后得到的不同時間序列的冗余性，在麻雀搜索算法優化bp神經網絡的基礎上，利用混沌序列和正態t分布對其進一步優化，提升了油氣田多能流預測模型的斂散精度和預測效率。賦予各供能方式最優的權重系數，能夠在滿足生產任務前提下實現經濟最優化。并利用油氣田多能微網管理平臺實際歷史數據驗證emd-pca-tent-ssa-bp多能配網負荷預測模型的有效性。
31、本專利技術附加方面的優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本專利技術的實踐了解到。
本文檔來自技高網...【技術保護點】
1.一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，包括以下步驟：
2.如權利要求1中所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，所述不同供能方式包括風電、光伏、火電機組以及儲能。
3.如權利要求2中所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，獲取不同供能方式的負荷預測數據，具體為：
4.如權利要求1中所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，所述目標函數有兩個，分別為：能源消耗量預測結果等于各種供能方式的供能量之和以及根據幾種供能方式的權重分配找到經濟最優的供能模式。
5.如權利要求4中所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，所述能源消耗量預測，具體為：
6.如權利要求5中所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，所述建立能耗預測模型，具體為：
7.如權利要求1中所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法，其特征在于，所述優化算
8.一種基于SSA-BP網絡的油氣田多能配網負荷預測系統，其特征在于，包括：
9.一種存儲介質，其上存儲有程序，其特征在于，該程序被處理器執行時實現如權利要求1-7任一項所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法中的步驟。
10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述的一種基于SSA-BP網絡的油氣田多能配網負荷預測方法中的步驟。
...【技術特征摘要】
1.一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，其特征在于，包括以下步驟：
2.如權利要求1中所述的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，其特征在于，所述不同供能方式包括風電、光伏、火電機組以及儲能。
3.如權利要求2中所述的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，其特征在于，獲取不同供能方式的負荷預測數據，具體為：
4.如權利要求1中所述的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，其特征在于，所述目標函數有兩個，分別為：能源消耗量預測結果等于各種供能方式的供能量之和以及根據幾種供能方式的權重分配找到經濟最優的供能模式。
5.如權利要求4中所述的一種基于ssa-bp網絡的油氣田多能配網負荷預測方法，其特征在于，所述能源消耗量預測，具體為：
<...【專利技術屬性】
技術研發人員：王吉超，李玉星，劉翠偉，韓輝，朱建魯，
申請(專利權)人：中國石油大學華東，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。