一种用于热电联产电厂的供热平衡预测系统及方法与流程

[0001]
本发明涉及热电联产电厂供热平衡预测技术领域，更具体地指一种用于热电联产电厂的供热平衡预测系统及方法。


背景技术：

[0002]
热电联产电厂是指同时向用户供给电能和热能的火力发电厂，其热能来自汽轮机排汽、抽汽，或者来自燃气轮机排出的余热。在大型化学工业区中，一般都配备发电厂提供电力保障和供热服务。为保障园区内企业正常作业，电厂提供高温高压蒸汽及除盐水支撑化工企业的正常运行和的安全保障，因此热电联供电厂的生产运行模式往往由客户对蒸汽及除盐水的需求量来决定。
[0003]
生产的蒸汽及除盐水过少无法满足客户需求，而生产过多不但会造成重大安全事故、而且导致资源浪费，因此热电联供电厂往往都需要预估客户需求来制定生产计划。而在正常运行情况下随着供热量变化及时调整运行方式、事故情况下通过调整供汽供/给能力，迅速恢复平衡。现有热电联产电厂的供热平衡是通过技术人员经验进行预估需求，然而这种方式不仅会消耗大量人力和时间，而且准确性难以保证。


技术实现要素：

[0004]
(一)解决的技术问题
[0005]
针对现有热电联产电厂通过技术人员经验进行预估需求，不仅消耗大量人力和时间，而且准确性难以保证的缺陷问题，本发明提出一种用于热电联产电厂的供热平衡预测系统及方法，利用特征提取和xgboost算法进行精准预测客户需求，用于热电联供企业平衡供需关系，为生产运行计划安排提供数据支撑。
[0006]
(二)技术方案
[0007]
一种用于热电联产电厂的供热平衡预测系统，包括数据采集模块、特征提取模块、标签生成模块、机器学习训练模块、预测模块；所述采集模块与特征提取模块的输入相连，所述特征提取模块的输出与标签生成模块的输入相连，所述标签生成模块的输出与机器学习训练模块的输入相连，所述机器学习训练模块的输出与预测模块输入相连；
[0008]
所述数据采集模块从数据仓库获取客户基础信息、产品用量历史数据、上下游关系数据和检修计划数据，从网络爬虫获取节假日数据和环境数据；
[0009]
所述特征提取模块获取客户使用数据、检维修数据、节假日数据，并提取特征，每个客户每日的特征数据为一个样本；
[0010]
所述标签生成模块为每个样本添加客户实际用量作为学习结果标签，形成训练样本数据；所述机器学习训练模块基于训练样本数据输入xgboost算法，进行机器学习训练，得到预测模型；
[0011]
所述预测模块将待预测客户原始数据提取为特征数据输入预测模型，输出即为预测该客户的产品用量。
[0012]
一种用于热电联产电厂的供热平衡预测方法，包括以下步骤：
[0013]
s1、数据采集，从数据仓库获取客户基础信息、产品用量历史数据、上下游关系数据和检修计划数据；
[0014]
s2、特征提取，获取客户使用数据、检维修数据、节假日数据等，并提取特征，每个客户每日的特征数据为一个样本；
[0015]
s3、标签生成，为每个样本添加客户实际用量作为学习结果标签，形成训练样本数据；
[0016]
s4、机器学习训练，基于训练样本数据输入xgboost算法，进行机器学习训练，得到预测模型；
[0017]
s5、用量预测，将待预测客户原始数据提取为特征数据输入预测模型，输出即为预测该客户的产品用量。
[0018]
根据本发明的一实施例，所述特征提取包括基础属性特征、产品用量特征、产品用量变化趋势特征、产品用量稳定性特征、上下游关系特征、检修计划特征、日期特征、环境特征。
[0019]
根据本发明的一实施例，所述基础属性特征包括所属领域、客户类型、产能水平、合同量。
[0020]
根据本发明的一实施例，所述产品用量特征包括最近1天用量、最近3天用量、最近7天用量、最近15天用量、去年同期用量。
[0021]
根据本发明的一实施例，所述产品用量变化趋势特征包括最近1天增长量、最近3天增长量、最近7天增长量、最近1天增长率、最近3天增长率、最近7天增长率。
[0022]
根据本发明的一实施例，所述产品用量稳定性特征包括最近1天变异系数、最近3天变异系数、最近7天变异系数。
[0023]
根据本发明的一实施例，所述上下游关系特征包括上游客户最近3天用量增长量、上游客户最近3天用量增长率、下游客户最近3天用量增长量、下游客户最近3天用量增长率。
[0024]
根据本发明的一实施例，所述检修计划特征包括当天是否检修、未来3天是否检修、未来5天是否检修、未来7天是否检修。
[0025]
根据本发明的一实施例，所述日期特征包括月份、季度、是否是工作日、是否是春节假期、是否是五一假期、是否是国庆假期。
[0026]
根据本发明的一实施例，所述环境特征包括当日温度、当日天气、未来3天最高温度、未来3天最低温度。
[0027]
根据本发明的一实施例，所述步骤s4中xgboost算法为迭代的决策树算法，由多棵决策树组成，xgboost算法的目标函数为：
[0028][0029]
利用泰勒公式展开：
[0030]
[0031]
令
[0032]
决策树复杂度公式为：
[0033][0034]
将式(2)、(3)、(4)带入公式(1)，求得目标函数：
[0035][0036]
对公式(5)迭代求解，求得最佳的以及其对应的目标函数最优值，两个结果对应如下：
[0037][0038][0039]
(三)有益效果
[0040]
采用了本发明的上述用于热电联产电厂的供热平衡预测系统，由数据采集模块、特征提取模块、标签生成模块、机器学习训练模块、预测模块组成，每个模块定期执行自动更新，不需要人工操作；用于热电联产电厂的供热平衡预测方法，利用特征提取和xgboost算法进行精准预测客户需求，用于热电联供企业平衡供需关系，不需要人员干预，不仅节省了大量人力和时间，而且有效地提高了预估需求准确性，为生产运行计划安排提供数据支撑。
附图说明
[0041]
在本发明中，相同的附图标记始终表示相同的特征，其中：
[0042]
图1是本发明预测系统原理框图；
[0043]
图2是本发明预测方法流程图；
[0044]
图3是本发明实施例的特征提取内容示意图。
具体实施方式
[0045]
下面结合附图和实施例进一步说明本发明的技术方案。
[0046]
结合图1，一种用于热电联产电厂的供热平衡预测系统，包括数据采集模块、特征提取模块、标签生成模块、机器学习训练模块、预测模块；所述采集模块与特征提取模块的
输入相连，所述特征提取模块的输出与标签生成模块的输入相连，所述标签生成模块的输出与机器学习训练模块的输入相连，所述机器学习训练模块的输出与预测模块输入相连。每个模块定期执行自动更新，不需要人工操作。
[0047]
所述数据采集模块从数据仓库获取客户基础信息、产品用量历史数据、上下游关系数据和检修计划数据，从网络爬虫获取节假日数据和环境数据；
[0048]
所述特征提取模块获取客户使用数据、检维修数据、节假日数据等，并提取特征，每个客户每日的特征数据为一个样本；
[0049]
所述标签生成模块为每个样本添加客户实际用量作为学习结果标签，形成训练样本数据；
[0050]
所述机器学习训练模块基于训练样本数据输入xgboost算法，进行机器学习训练，得到预测模型；
[0051]
所述预测模块将待预测客户原始数据提取为特征数据输入预测模型，输出即为预测该客户的产品用量。
[0052]
结合图2，一种用于热电联产电厂的供热平衡预测方法，包括以下步骤：
[0053]
s1、数据采集，从数据仓库获取客户基础信息、产品用量历史数据、上下游关系数据和检修计划数据；
[0054]
s2、特征提取，获取客户使用数据、检维修数据、节假日数据等，并提取特征，每个客户每日的特征数据为一个样本；
[0055]
s3、标签生成，为每个样本添加客户实际用量作为学习结果标签，形成训练样本数据；
[0056]
s4、机器学习训练，基于训练样本数据输入xgboost算法，进行机器学习训练，得到预测模型；
[0057]
s5、用量预测，将待预测客户原始数据提取为特征数据输入预测模型，输出即为预测该客户的产品用量。
[0058]
结合图3，在本发明的实施例中，特征提取包括基础属性特征、产品用量特征、产品用量变化趋势特征、产品用量稳定性特征、上下游关系特征、检修计划特征、日期特征、环境特征。
[0059]
所述基础属性特征包括所属领域、客户类型、产能水平、合同量。
[0060]
所述产品用量特征包括最近1天用量、最近3天用量、最近7天用量、最近15天用量、去年同期用量。
[0061]
所述产品用量变化趋势特征包括最近1天增长量、最近3天增长量、最近7天增长量、最近1天增长率、最近3天增长率、最近7天增长率。
[0062]
所述产品用量稳定性特征包括最近1天变异系数、最近3天变异系数、最近7天变异系数。
[0063]
所述上下游关系特征包括上游客户最近3天用量增长量、上游客户最近3天用量增长率、下游客户最近3天用量增长量、下游客户最近3天用量增长率。
[0064]
所述检修计划特征包括当天是否检修、未来3天是否检修、未来5天是否检修、未来7天是否检修。
[0065]
所述日期特征包括月份、季度、是否是工作日、是否是春节假期、是否是五一假期、
是否是国庆假期。
[0066]
所述环境特征包括当日温度、当日天气、未来3天最高温度、未来3天最低温度。
[0067]
xgboost算法为迭代的决策树算法，由多棵决策树组成，xgboost算法的目标函数为：
[0068][0069]
y
i
是待预测需求量的真实值，是第t-1轮迭代模型预测的值，f
t
(x
i
)是第t轮迭代的预测函数，ω(f
t
)是为降低模型过拟合情况而设定的正则化项，c是常数项。
[0070]
利用泰勒公式展开：
[0071][0072]
令
[0073]
决策树复杂度公式为：
[0074][0075]
将式(2)、(3)、(4)带入公式(1)，求得目标函数：
[0076][0077]
对公式(5)迭代求解，求得最佳的以及其对应的目标函数最优值，两个结果对应如下：
[0078][0079][0080]
实施例：
[0081]
xgboost算法为迭代的决策树算法，由多棵决策树组成，其预测函数为：
[0082]
其中，是对于供热需求的预测值，f
k
(x
i
)是第k棵决策树的预测结果，共有k棵决策树组成，x
i
是样本数据，即由最近1天用量、最近3天用量、最近1天增长量、最近3天增长
量、最近3天变异系数、下游客户最近3天用量增长量等特征值组成的向量。
[0083]
其中，这里将输入空间x划分为m个区域r1，r2，r3...r
m
每棵树的表达式为:
[0084]
c
m
是r
m
区域内输出的平均值，i是指示函数，即当x属于到某个区域时i为1，否则i为0。表1为特征提取表。
[0085]
表1：特征提取表
[0086]
[0087]
[0088][0089]
针对客户001，经过训练后形成了由3棵决策树组成的模型，具体如下：
[0090][0091][0092][0093]
可知，模型仅选用x2,x3,x4,x6,x9,x
10
,x
11
作为输入特征，即最近1天用量、最近3天用量、最近7天用量、去年同期用量、最近7天增长量、最近1天增长率、最近3天增长率。针对预测客户001在2018/05/13这一天的用量时，则由f1＝1626,f2＝1269,f3＝707，则预测结果为3602，即客户001在2018/05/13这一天会使用3602吨蒸汽。
[0094]
综上所述，采用了本发明的技术方案，用于热电联产电厂的供热平衡预测系统，由数据采集模块、特征提取模块、标签生成模块、机器学习训练模块、预测模块组成，每个模块定期执行自动更新，不需要人工操作；用于热电联产电厂的供热平衡预测方法，利用特征提取和xgboost算法进行精准预测客户需求，用于热电联供企业平衡供需关系，不需要人员干预，不仅节省了大量人力和时间，而且有效地提高了预估需求准确性，为生产运行计划安排提供数据支撑。
[0095]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。