一种火电厂负荷的预测方法与流程

本发明属于火电厂
技术领域：
，尤其涉及一种火电厂负荷的预测方法。
背景技术：
：在火电厂生产过程中，负荷是运行机组的重要参数之一。快速、有效且准确的预测负荷对火电厂的生产运行调度具有重要的指导作用，不仅有利于生产企业节约原料、降低发电成本、同时也能对设备的故障诊断起到辅助监测及预警作用。实际生产过程中，火电厂机组负荷的数值变化受电网调度、机组设备运行情况、水汽质量以及不同工况条件等因素影响，在一段时间内负荷整体呈现波动，这样也给负荷数据的挖掘及预测带来一定困难。以往的火电厂负荷预测问题大多通过对数据建立数学模型，如基于微分方程的灰色模型、基于自回归滑动平均的arma(auto-regressiveandmovingaveragemodel)模型以及非线性映射的神经网络模型，进而对数据进行建模和预测分析。灰色系统理论是一种处理小样本不确定问题的重要方法，由于模型方程物理意义清晰，在小样本数据的预测问题中发挥了重要作用，常用的预测模型包括gm(1，1)模型、gm(2，1)模型、灰色verhulst模型等，上述模型建立在光滑离散函数和灰微分方程概念的基础上，通常数据变换后需要满足“指数型”变换规律，而对于负荷等振荡时间序列(oscillatingtimeseries)，即时间序列的描述形式中包含上升(upwardtrend)和下降(downwardtrend)趋势，有些情况下效果并不理想，且这类序列是大量存在于工业生产实际中的。鉴于此，本发明给出一种火电厂负荷的预测方法，通过灰色关联度分析对火电厂机组系统负荷在随时间变化过程中参数变化规律的关联性进行量度，该方法尤其适用于振荡时间序列。灰色系统理论中，灰色关联分析是对信息不完全以及少数据不确定系统进行因子量化分析的一种方法，可以应用于曲线相似度分析，特征选择及因素关联度量等问题。由于火电厂生产过程中，机组负荷参数随时间变化时，具有相同的动态行为特性，所以可以将灰色关联分析应用于火电厂负荷的动态历程分析及预测。在基本灰色关联度(或邓氏关联度)中，位移差反映了参考序列和比较序列之间发展趋势的接近程度，因而基本灰色关联度在实际应用中表现出来的不足有以下几方面：(1)基本灰色关联度的结果受到两极最小绝对差和两极最大绝对差的影响较大；(2)基本灰色关联度的结果与样本量有关；(3)基本灰色关联度的结果无法克服趋势相似而距离差异较大的情形，即不能体现与相对距离无关的思想；(4)基本灰色关联度的计算采用均值方法使得旧样本和新样本对灰色关联度的结果影响相同，并且可能出现对整体发展趋势的不准确判断。技术实现要素：本发明实施例提供一种火电厂负荷的在线预测方法，旨在解决火电厂负荷在线预测的问题。本发明提供了一种火电厂负荷的在线预测方法，包括：获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。更进一步地，所述火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。更进一步地，所述火电厂负荷数据预测模型的建立方法如下：确定长度相同的参考序列、第一比较序列和第二比较序列；所述参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，所述第一比较序列包含从初始数据到第n-p个的历史火电厂负荷的分数阶累加生成数据，所述第二比较序列包含从第2p+1个到第n+p个的火电厂负荷的分数阶累加生成数据；分别计算第一比较序列与参考序列的灰色关联系数，第二比较序列与参考序列的灰色关联系数；计算第一比较序列与参考序列的灰色关联度，确定第二比较序列与参考序列的灰色关联度表达式，即所述火电厂负荷数据预测模型。更进一步地，利用所述火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列，具体包括：设定适应度函数，使第一比较序列与参考序列的灰色关联度与第二比较序列与参考序列的灰色关联度尽可能接近；设定约束条件为：预测的火电厂负荷的分数阶累加生成序列中的第1个、第2个、……、第p个火电厂负荷的分数阶累加生成数据依次递增，且均大于历史火电厂负荷的分数阶累加生成序列中第n个数据；预测的火电厂负荷的分数阶累加生成序列中的数据在设定范围内；利用优化算法对所述火电厂负荷数据预测模型进行优化求解，得到预测的火电厂负荷的分数阶累加生成序列。本发明采用小样本的历史火电厂负荷数据，通过分数阶累加变换获得历史火电厂负荷数据的分数阶累加生成序列，采用火电厂负荷数据预测模型进行预测，有效提高了火电厂负荷数据的柔性特征及新信息的利用率，由于变换后的历史火电厂负荷的分数阶累加生成序列具有递增趋势，可以更为深入的挖掘火电厂负荷数据的内在规律和发展趋势。由于火电厂负荷参数的发展趋势应保持相似或一致，本发明从曲线相似度出发，利用灰色系统的关联分析对火电厂负荷的分数阶累加生成序列曲线变化规律和发展趋势进行挖掘和分析，建立预测火电厂负荷的分数阶累加生成序列的灰色预测模型，优化求解获得未来时刻火电厂负荷预测的分数阶累加生成序列，进而获得未来时刻火电厂负荷的预测值。本发明可以克服灰色关联求解的非线性及相关约束等无法直接求解负荷预测的问题，适用于复杂参数并可扩展为多系统输出的预测问题，具有物理意义清晰，计算量小且精度高等特点。附图说明图1是本发明实施例1提供的电厂负荷的在线预测方法流程图；图2是本发明实施例1提供的历史火电厂负荷数据曲线图；图3是本发明实施例1提供的历史火电厂负荷数据的分数阶累加生成序列曲线图；图4是本发明实施例4提供的火电厂负荷数据预测模型的建立方法流程图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。实施例1本发明实施例提供了一种火电厂负荷的在线预测方法，如图1所示，包括：步骤s100、获取历史火电厂负荷数据进行分数阶累加生成变换，得到历史火电厂负荷的分数阶累加生成序列；步骤s200、利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列；步骤s300、通过对预测的火电厂负荷的分数阶累加生成序列进行分数阶累减，还原得到火电厂负荷的在线预测值。本实施例中，采用小样本的历史火电厂负荷数据，通过分数阶累加变换获得历史火电厂负荷数据的分数阶累加生成序列，采用火电厂负荷数据预测模型进行预测，有效提高了火电厂负荷数据的柔性特征及新信息的利用率，由于变换后的分数阶累加生成序列具有递增趋势，可以更为深入的挖掘火电厂负荷数据的内在规律和发展趋势。以某火电厂为例，通过传感器网络采集火电厂机组运行数据，如图1所示，时间为2015年某月，采样时间为30分钟，历史火电厂负荷数据个数为8。步骤s100中获取的历史火电厂负荷数据为x＝(x(1)，x(2)，…，x(n))，n为历史火电厂负荷数据的个数，历史火电厂负荷数据的分数阶累加生成序列x(k)＝(x(k)(1)，x(k)(2)，…，x(k)(n))，其中k为分数阶累加阶次，k一般选择在0.2～1之间，能够体现灰色系统理论中新数据优先原则。具体k的数值选取和历史火电厂负荷数据x＝(x(1)，x(2)，…，x(n))的变换规律有关，当k的数值较小时，容易挖掘历史火电厂负荷数据的变化规律和内在特征，当k的数值越接近于1时，历史火电厂负荷数据的累加效果越好，但当k的数值为1时，新旧信息的累加权重相等。实际应用中，可以对k的数值不断调整，以便选择合适的k值，最终得到的历史火电厂负荷分数阶累加生成序列需要满足递增序列的条件。对于历史火电厂负荷数据x＝(x(1)，x(2)，…，x(m)…，x(n))，1≤m≤n，历史火电厂负荷数据的分数阶累加生成序列(分数阶累加阶次为k)可以表示为：x(k)＝(x(k)(1)，x(k)(2)，…，x(k)(m)，…，x(k)(n))，1≤m≤n，n为历史火电厂负荷数据的个数，一般n取8～20。其中：上式中，ωj为分数阶累加权重系数，其中γ(·)为gamma函数，是分数阶微积分的基本函数，完全的gamma函数是以极限的形式给出的，其形式为：本实施例中，设分数阶累加阶次k＝0.9，得到历史火电厂负荷数据的分数阶累加生成序列如图3所示。实施例2本发明实施例提供了一种火电厂负荷的在线预测方法，在实施例1的基础上，火电厂负荷数据预测模型为预测火电厂负荷的分数阶累加生成序列的灰色预测模型，其输入为历史火电厂负荷的分数阶累加生成序列，其输出为预测的火电厂负荷的分数阶累加生成序列。本实施例中，将x(k)＝(x(k)(1)，x(k)(2)，…，x(k)(n))作为火电厂负荷数据预测模型的输入，预测的火电厂负荷的分数阶累加生成序列作为预测模型的输出，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数。通过该火电厂负荷数据预测模型对未来的火电厂负荷的分数阶累加生成序列进行准确预测，为火电厂负荷的在线预测值提供可靠的数据基础。实施例3本发明实施例提供了一种火电厂负荷的在线预测方法，如图4所示，在实施例1的基础上，火电厂负荷数据预测模型的建立方法如下：步骤s201、确定长度相同的参考序列、第一比较序列和第二比较序列；参考序列包含从第p+1个到第n个的历史火电厂负荷的分数阶累加生成数据，p+2≤n，p是预测的火电厂负荷的分数阶累加生成序列中的数据个数，n是获取的历史火电厂负荷数据的分数阶累加生成序列中的数据个数，第一比较序列包含从初始数据到第n-p个的历史火电厂负荷的分数阶累加生成数据，第二比较序列包含从第2p+1个到第n+p个的火电厂负荷的分数阶累加生成数据；步骤s202、分别计算第一比较序列与参考序列的灰色关联系数，第二比较序列与参考序列的灰色关联系数；步骤s203、计算第一比较序列与参考序列的灰色关联度，确定第二比较序列与参考序列的灰色关联度表达式，即火电厂负荷数据预测模型。本实施例中，对参考序列、第一比较序列和第二比较序列进行举例说明：若预测的火电厂负荷的分数阶累加生成值为则设历史火电厂负荷的分数阶累加生成序列x1＝(x(k)(2)，x(k)(3)，…，x(k)(n))为参考序列，历史火电厂负荷的分数阶累加生成序列x2＝(x(k)(1)，x(k)(2)，…，x(k)(n-1))和火电厂负荷的分数阶累加生成序列分别为第一比较序列和第二比较序列；若预测的火电厂负荷的分数阶累加生成值为则相应的设历史火电厂负荷的分数阶累加生成序列x1＝(x(k)(3)，x(k)(4)，…，x(k)(n))为参考序列，历史火电厂负荷的分数阶累加生成序列x2＝(x(k)(1)，x(k)(2)，…，x(k)(n-2))和火电厂负荷的分数阶累加生成序列分别为第一比较序列和第二比较序列；以此类推，可以获得未来多个时刻的比较序列和参考序列。本实施例结合空间向量夹角的余弦值给出新的灰色关联系数计算公式，进一步改善了灰色关联系数与参考序列和第一比较序列和第二比较序列的相对距离有关这一局限性。由于参考序列和第一比较序列、第二比较序列的物理意义相同，但数据范围有所差别，因而在灰色关联度分析时，首先要将参考序列x1及第一比较序列x2、第二比较序列x3进行规范化或标准化处理。新的灰色关联系数的计算公式为：上式中，为采用已有灰色关联系数计算公式的计算结果，δi(j)为利用空间向量夹角的余弦值得到的灰色关联系数，θ为调整因子，通常0≤θ≤1，为简化运算，本实施例中θ＝0.5，q为参考序列x1和第一比较序列x2、第二比较序列x3中数据的个数。已有灰色关联系数计算公式为：其中ρ为分辨系数，其取值通常为0.5，i＝2，3。将参考序列和比较序列看作空间向量利用空间向量夹角的余弦值得到的灰色关联系数计算公式为：其中，δi(j)为空间向量和空间向量之间夹角的余弦值，i＝2，3，q为参考序列x1和第一比较序列x2、第二比较序列x3中数据的个数，δi(q)＝1。结合空间向量夹角的余弦值的得到的灰色关联系数可以全面的考虑序列之间的相似度和接近度。计算灰色关联度：设r2、r3分别为参考序列x1和第一比较序列x2的灰色关联度，参考序列x1和第二比较序列x3的灰色关联度，则本实施例的灰色关联度的计算公式为其中，λ(j)为灰色关联度权重因子，其表达式为且满足本实施例中求得λ＝[0.11390.11560.11750.11990.12300.12720.13390.1488]。已有的基本灰色关联度计算公式主要采用层次分析法和熵权法确定灰色关联度计算中的权重问题，计算相对复杂。本实施例在基本灰色关联度的计算基础上，结合向量夹角的余弦值给出新的灰色关联系数计算方法，并利用分数阶累加权重系数获得加权灰色关联度权重因子的确定方法，物理意义清晰，求解方便，能够有效提升新样本或新数据的利用率，降低两极最小绝对差和两极最大绝对差对灰色关联度的影响，解决了灰色关联度计算中权重不易确定的问题，避免出现灰色关联度结果由关联系数大的旧数据决定，从而造成灰色关联度出现局部关联偏差的情形。因而，本发明给出的新的灰色关联度方法对序列的发展趋势判断更为准确。本实施例提供的新的灰色关联度公式中，灰色关联度权重因子借助分数阶累加权重系数，给出灰色关联度权重因子，更能反映数据的新旧信息差异对灰色关联度的不同影响。可以看出，本实施例计算的灰色关联度更为客观，其求解是对历史数据的灰色关联系数根据不同权重获得的。在对序列整体的接近性和相似程度描述方面更为可靠，进而可以对未来趋势做出准确的判断。实施例4本发明实施例提供了一种火电厂负荷的在线预测方法，在实施例3的基础上，利用火电厂负荷数据预测模型预测火电厂负荷的分数阶累加生成序列，具体包括：设定适应度函数，使第一比较序列与参考序列的灰色关联度与第二比较序列与参考序列的灰色关联度尽可能接近，通常适应度函数可以表示为fitness＝min|r2-r3|或fitness＝min(r2-r3)2；设定约束条件为：预测的火电厂负荷的分数阶累加生成序列中的第1个、第2个、……、第p个火电厂负荷的分数阶累加生成数据依次递增，且均大于历史火电厂负荷的分数阶累加生成序列中第n个数据；预测的火电厂负荷的分数阶累加生成序列中的数据在设定范围内；本发明中具体的约束条件表示为和利用优化算法对火电厂负荷数据预测模型进行优化求解，得到预测的火电厂负荷的分数阶累加生成序列。由于灰色关联度的求解及相关约束条件使得灰色关联度分析预测模型具有非线性，本实施例中，利用遗传优化算法寻优，以克服灰色关联度求解的非线性及相关约束等无法直接求解负荷预测的问题，使得预测的火电厂负荷的分数阶累加生成序列中的数据满足设定约束条件，使得火电厂负荷分数阶累加曲线发展趋势与前一阶段的发展态势最为接近，便于程序的在线计算和扩展。本实施例增加了对新信息的利用率，提高了对负荷数据变化的挖掘能力，再通过分数阶累减还原得到火电厂负荷预测值，并反馈给机组运行分析人员。根据预测及分析结果，机组运行人员可以进而预先掌握负荷数据的变化趋势，做好设备的启动，检修及各种应急预案的处理。利用如下公式可以优化求解和其中和为火电厂负荷的在线预测值，分别表示预测的火电厂负荷序列中的第1个和第2个数据，n为历史火电厂负荷数据的个数。利用本实施例的灰色关联度，经过迭代步数为56代，得到适应度函数值约为3.2208×10-7，求得r2＝0.6224，r3＝0.6826；在求解过程中，规范后的比较序列、参考序列以及灰色关联度求解参数，如表1所示。表1规范后的比较序列和参考序列为了验证本发明预测模型的预测效果，可以通过传感器网络采集获得未来时刻火电厂负荷的真实值，通过计算真实值与预测值的相对误差，可以评价火电厂负荷预测结果的好坏。其中相对误差的定义为：本发明得到的预测的火电厂负荷数据为267.4838mw，利用经典灰色gm(1，1)模型、基本灰色关联度模型的比较结果如表2所示。表2预测结果及误差分析模型预测值(mw)相对误差％灰色gm(1，1)模型255.12112.4564基本灰色关联度256.99712.4632本发明的灰色关联度267.48381.9786因此，本发明预测模型相对误差为1.9786％，该数值是较为理想的，通过大量负荷数据的建模和预测也验证了本发明方法可以满足火电厂负荷数据预测及分析实际需要，证实了预测模型的有效性。本发明为火电厂机组负荷数据的预测提供了一种方便有效的方法，除了应用曲线相似度的分析除灰色关联度外，还可以辅助使用绝对灰关联度、趋势关联度、欧式距离等其它定义及线性及非线性描述对曲线特征及发展态势进行分析，在建模方面，也可以根据实际需要给出不同的约束条件，提高火电厂负荷预测的准确度和有效性以及针对不同问题的扩展能力。本发明不仅适用于负荷的预测问题，同样也适用于其它复杂参数变化及多系统输出的预测问题，具有物理意义清晰、适用范围广、解释程度高及预测精度高等特点，可广泛应用于火电厂数据的预测、分析与控制，各类小样本的短期数据预测、模型寻优、数据分析等相关问题中。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12