【技術實現步驟摘要】
本專利技術屬于發電預測，具體涉及一種火電廠發電預測方法、裝置及設備。
技術介紹
1、火電廠，全稱為火力發電廠，是一種利用燃料燃燒產生的熱能將水加熱成蒸汽，推動蒸汽輪機旋轉，進而帶動發電機發電的工廠。火電廠作為電力供應的重要來源，其發電量的預測對于電力系統調度具有重要意義。傳統的火電廠發電預測方法主要依賴于經驗公式和工作人員的專業知識，存在預測精度低、實時性差等問題。因此，研究一種高精度、實時性強的火電廠發電預測方法具有重要意義。
技術實現思路
1、本專利技術提供一種火電廠發電預測方法，用以解決傳統技術依賴于經驗公式和工作人員的專業知識進行發電預測，導致的預測精度低以及實時性差的問題。
2、第一方面，本專利技術提供一種火電廠發電預測方法，包括：
3、針對待預測火電廠，采集待預測火電廠對應的目標供電區域的歷史用電特征數據，并對所述歷史用電特征數據進行清洗之后，得到清洗之后的歷史用電特征數據；
4、以所述目標供電區域的歷史用電特征數據為基礎，構建目標供電區域對應的樣本用電特征向量以及樣本用電特征向量對應的日用電量；
5、采用神經網絡對樣本用電特征向量以及樣本用電特征向量對應的日用電量進行學習，得到日用電量預測模型；
6、采集所述目標供電區域對應的實時用電特征向量，并采用所述日用電量預測模型對所述實時用電特征向量進行分析，確定預測日用電量；
7、確定待預測火電廠到目標供電區域的線損電量，并根據所述線損電量以及預測日用電
8、進一步地，采集待預測火電廠對應的目標供電區域的歷史用電特征數據，包括：
9、采集待預測火電廠對應的目標供電區域的日平均溫度、日平均濕度、降雨量、季節類型、日期類型以及日用電量，得到目標供電區域的歷史用電特征數據；
10、其中，日期類型包括工作日、節假日以及非節假日的非工作日。
11、進一步地，對所述歷史用電特征數據進行清洗之后，得到清洗之后的歷史用電特征數據，包括：對存在缺失值和/或異常值的歷史用電特征數據進行濾除，得到清洗之后的歷史用電特征數據。
12、進一步地，以所述目標供電區域的歷史用電特征數據為基礎，構建目標供電區域對應的樣本用電特征向量以及樣本用電特征向量對應的日用電量，包括：
13、針對目標供電區域的任意一個歷史用電特征數據，將歷史用電特征數據中的日平均溫度、日平均濕度、降雨量、季節類型、日期類型以及前n天的日用電量作為目標供電區域對應的樣本用電特征向量，將歷史用電特征數據中的日用電量作為樣本用電特征向量對應的日用電量。
14、進一步地，采用神經網絡對樣本用電特征向量以及樣本用電特征向量對應的日用電量進行學習，得到日用電量預測模型，包括：
15、構建bp神經網絡以及bp神經網絡所對應的誤差函數值，并對所述bp神經網絡的網絡參數進行隨機初始化；
16、以所述樣本用電特征向量作為bp神經網絡的輸入數據，以樣本用電特征向量對應的日用電量作為bp神經網絡的期望標簽值，獲取bp神經網絡的誤差函數值；
17、根據所述bp神經網絡的誤差函數值，對bp神經網絡的網絡參數進行更新，得到網絡參數更新之后的bp神經網絡；
18、針對網絡參數更新之后的bp神經網絡，重新獲取bp神經網絡的誤差函數值；
19、判斷重新獲取的誤差函數值是否小于預先設定的誤差閾值，若是，則完成訓練，將當前的bp神經網絡作為日用電量預測模型，否則返回對bp神經網絡的網絡參數進行更新的步驟。
20、進一步地，構建bp神經網絡所對應的誤差函數值為：
21、
22、其中，rmse表示誤差函數值，yi表示以第i個樣本用電特征向量作為輸入，得到的實際輸出；di表示第i個樣本用電特征向量對應的期望標簽值，n表示輸入的樣本用電特征向量的總數。
23、進一步地，對bp神經網絡的網絡參數進行更新，包括：
24、
25、其中，ωt表示第t次訓練過程中的網絡參數，ωt-1表示第t-1次訓練過程中的網絡參數，ηt表示第t次訓練過程中的學習率，ξt表示第t次訓練過程中的第一更新控制因子，λt表示第t次訓練過程中的第二更新控制因子，ε表示平滑因子，α1表示第一指數衰減參數，α2表示第二指數衰減參數，ξt-1表示第t-1次訓練過程中的第一更新控制因子，表示第t-1次訓練過程中誤差函數值相對于權重參數的梯度，λt-1表示第t-1次訓練過程中的第二更新控制因子。
26、進一步地，所述第t次訓練過程中的學習率為：
27、
28、其中，ηt-1表示第t-1次訓練過程中的學習率，δrmse＝rmset-rmset-1，rmset表示第t次訓練過程中的誤差函數值，et-1表示第t-1次訓練過程中的誤差函數值，γ1表示(0,1)之間的第一常數項，γ2表示(0,1)之間的第二常數項，且γ2小于γ1。
29、第二方面，本專利技術實施例提供一種火電廠發電預測裝置，包括：數據采集模塊、樣本構建模塊、數據學習模塊、用電量預測模塊以及發電量預測模塊；
30、所述數據采集模塊，用于針對待預測火電廠，采集待預測火電廠對應的目標供電區域的歷史用電特征數據，并對所述歷史用電特征數據進行清洗之后，得到清洗之后的歷史用電特征數據；
31、所述樣本構建模塊，用于以所述目標供電區域的歷史用電特征數據為基礎，構建目標供電區域對應的樣本用電特征向量以及樣本用電特征向量對應的日用電量；
32、所述數據學習模塊，用于采用神經網絡對樣本用電特征向量以及樣本用電特征向量對應的日用電量進行學習，得到日用電量預測模型；
33、所述用電量預測模塊，用于采集所述目標供電區域對應的實時用電特征向量，并采用所述日用電量預測模型對所述實時用電特征向量進行分析，確定預測日用電量；
34、所述發電量預測模塊，用于確定待預測火電廠到目標供電區域的線損電量，并根據所述線損電量以及預測日用電量，確定待預測火電廠對應的預測發電量。
35、第三方面，本專利技術一種火電廠發電預測設備，包括處理器和存儲器；
36、所述存儲器存儲計算機執行指令；
37、所述處理器執行所述存儲器存儲的計算機執行指令，使得所述處理器執行如第一方面所述的火電廠發電預測方法。
38、本專利技術提供的一種火電廠發電預測方法、裝置及設備，通過采集待預測火電廠對應的目標供電區域的歷史用電特征數據，并對所述歷史用電特征數據進行清洗之后，得到清洗之后的歷史用電特征數據；以所述目標供電區域的歷史用電特征數據為基礎，構建目標供電區域對應的樣本用電特征向量以及樣本用電特征向量對應的日用電量；采用神經網絡對樣本用電特征向量以及樣本用電特征向量對應的日用電量進行學習，得到日用電量預測模型，從而可以使用日用電量預測模型進行用電量需求預測，從需求側本文檔來自技高網...
【技術保護點】
1.一種火電廠發電預測方法，其特征在于，包括：
2.根據權利要求1所述的火電廠發電預測方法，其特征在于，采集待預測火電廠對應的目標供電區域的歷史用電特征數據，包括：
3.根據權利要求2所述的火電廠發電預測方法，其特征在于，對所述歷史用電特征數據進行清洗之后，得到清洗之后的歷史用電特征數據，包括：對存在缺失值和/或異常值的歷史用電特征數據進行濾除，得到清洗之后的歷史用電特征數據。
4.根據權利要求2所述的火電廠發電預測方法，其特征在于，以所述目標供電區域的歷史用電特征數據為基礎，構建目標供電區域對應的樣本用電特征向量以及樣本用電特征向量對應的日用電量，包括：
5.根據權利要求4所述的火電廠發電預測方法，其特征在于，采用神經網絡對樣本用電特征向量以及樣本用電特征向量對應的日用電量進行學習，得到日用電量預測模型，包括：
6.根據權利要求5所述的火電廠發電預測方法，其特征在于，構建BP神經網絡所對應的誤差函數值為：
7.根據權利要求5所述的火電廠發電預測方法，其特征在于，對BP神經網絡的網絡參數進行更新，包括：>
8.根據權利要求7所述的火電廠發電預測方法，其特征在于，所述第t次訓練過程中的學習率為：
9.一種火電廠發電預測裝置，其特征在于，包括：數據采集模塊、樣本構建模塊、數據學習模塊、用電量預測模塊以及發電量預測模塊；
10.一種火電廠發電預測設備，其特征在于，包括處理器和存儲器；
...【技術特征摘要】
1.一種火電廠發電預測方法，其特征在于，包括：
2.根據權利要求1所述的火電廠發電預測方法，其特征在于，采集待預測火電廠對應的目標供電區域的歷史用電特征數據，包括：
3.根據權利要求2所述的火電廠發電預測方法，其特征在于，對所述歷史用電特征數據進行清洗之后，得到清洗之后的歷史用電特征數據，包括：對存在缺失值和/或異常值的歷史用電特征數據進行濾除，得到清洗之后的歷史用電特征數據。
4.根據權利要求2所述的火電廠發電預測方法，其特征在于，以所述目標供電區域的歷史用電特征數據為基礎，構建目標供電區域對應的樣本用電特征向量以及樣本用電特征向量對應的日用電量，包括：
5.根據權利要求4所述的火電廠發電預測方...
【專利技術屬性】
技術研發人員：崔聳，林章發，周新星，
申請(專利權)人：上海平奧供應鏈管理有限公司，
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。