钢铁用电量的预测方法及装置的制造方法
【技术领域】
[0001] 本发明涉及电力负荷预测技术领域，尤其涉及一种钢铁用电量的预测方法及装 置。
【背景技术】
[0002] 电力负荷预测是指，在充分考虑一些重要的系统运行特性、增容决策、自然条件与 社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定 精度要求的条件下，确定未来某特定时刻的负荷数值。负荷预测的准确性对于电力系统的 安全运行和经济调度具有重要意义。准确的负荷预测是中长期电力建设投资的基础，有利 于决定未来需新建的变电站个数、主变台数与容量、供电线路回数和自有发电机组的安装、 装机容量的大小等；可以合理安排电网内部电力设施的检修、试验和发电机组的启停，保证 电力系统安全稳定的运行；还可以指导电网调度工作的合理开展，保证电网运行的经济性 和合理性。
[0003]钢铁行业是以从事黑色金属矿物采选和黑色金属冶炼加工等工业生产活动为主 的工业行业，包括金属铁、铬、锰等的矿物采选业、炼铁业、炼钢业、钢加工业、铁合金冶炼 业、钢丝及其制品业等细分行业，是国家重要的原材料工业之一。钢铁行业是重要的高耗能 行业，钢铁用电占全社会用电量比例水平高，用电量波动对电网影响较大，因此对钢铁行业 负荷特性的研究至关重要。
[0004]目前，预测钢铁行业用电主要是针对钢铁用电影响因素指标体系和数学模型这两 方面内容分别进行研究。对钢铁用电影响因素指标的分析主要集中在钢铁产量上，产品产 量直接影响到高耗能行业的用电量，尤其是钢铁行业。通过产量的变化趋势来预测钢铁行 业用电状况具有一定的可行性，但是预测指标较为单一。
[0005]用电量的预测方法主要分为传统预测方法和智能预测方法。
[0006] 传统预测方法包括：回归预测法、灰色预测方法、趋势外推法、GDP (Gross Domestic Product，国内生产总值）单能耗预测法、弹性系数法、因果分析法、时间序列法、 指数平滑法等。传统预测方法针对用电量历史数据，通过不同的数学公式来拟合和研究用 电量的历史变化规律，根据用电量的发展趋势来达到预测用电量的目的。
[0007]智能预测方法是借助机器学习算法并将其应用于负荷预测，使用最广泛的智能预 测方法包括：神经网络和支持向量回归机（Support Vector Regression,简称为SVR)。
[0008]其中，神经网络通过模拟大脑神经元的工作方式来构建网络，设定网络的输入输 出及初始权重、阈值，最后通过不断迭代更改网络神经元间的连接权重来训练学习自变量 与因变量之间的关系。将需要预测年份可能的自变量数据带入到已经训练好的网络中进行 仿真，网络输出结果即为该年份的用电量预测值。神经网络预测的最大缺陷在于收敛速度 慢且容易陷入局部最优，不能得到全局最优解。
[0009]支持向量回归机是支持向量机（Support Vector Machine,简称为SVM)在函数回 归领域的应用。支持向量回归算法主要通过使用核函数对样本数据进行升维变换后，在高 维空间中构造线性决策函数来实现线性回归。支持向量回归机的理论建立在统计学习理论 的VC维（Vapnik-Chervonenkis Dimension)理论和结构风险最小化原则的基础上，其对小 样本数据的预测性能较好。支持向量回归机的主要缺点是对核函数和惩罚因子参数的依赖 性高，参数选择的不准确对预测结果影响很大。
[0010] 由此可见，在钢铁用电影响因素研究方面，对影响因素的分析不够全面，指标体系 内容较为单一，不能达到精确预测钢铁用电需求的目的；在预测模型方面，传统预测方法模 型简单，没有考虑影响钢铁用电的因素，预测精度低。而单一智能预测方法无论是神经网络 还是支持向量回归机都存在自身的缺点，预测精度容易受到外界不确定性因素的干扰。因 此，目前钢铁用电预测方法不能很好地满足对预测精度的要求，这将直接影响到电网的经 济性与合理性规划。
【发明内容】
[0011] 本发明提供了一种钢铁用电量的预测方法及装置，以至少解决现有的钢铁行业用 电量预测不能很好地满足预测精度要求的问题。
[0012] 根据本发明的一个方面，提供了一种钢铁用电量的预测方法，包括：获取待预测地 区在预设时间内的钢铁历史数据，作为样本数据，其中所述钢铁历史数据包括：用电量指标 和钢铁用电量；对所述样本数据进行无量纲处理，得到归一化的用电量指标和归一化的钢 铁用电量；将所述归一化的用电量指标作为输入变量，所述归一化的钢铁用电量作为输出 变量，进行网络训练，构建神经网络模型；将所述归一化的用电量指标作为输入变量，所述 归一化的钢铁用电量作为输出变量，构建支持向量回归机模型；对所述神经网络模型和所 述支持向量回归机模型进行组合，得到组合模型，并使用所述组合模型预测钢铁用电量。
[0013] 在一个实施例中，对所述样本数据进行无量纲处理包括：利用极值法公式 A = ,1' 分别对所述样本数据中的每一个数据行无量纲处理，其中，瓦?表示h 对应的归一化值，Pmin表不与P !?属于同一类数据的N个数据中的最小值，p max表不与p 于 同一类数据的N个数据中的最大值，N表示样本总数。
[0014] 在一个实施例中，将所述归一化的用电量指标作为输入变量，所述归一化的钢铁 用电量作为输出变量，进行网络训练，构建神经网络模型包括：设置所述神经网络模型的输 入层、中间层和输出层，其中，所述输入层包含的神经元个数与所述归一化的用电量指标的 类别个数相同，所述输出层包含1个神经元；设置模型训练参数，其中，所述模型训练参数 包括：神经元初始权值和阈值、最大训练数、学习速率、图像显示率、期望误差最小值以及中 间层传递函数；将所述归一化的用电量指标和所述归一化的钢铁用电量输入到所述神经网 络模型，进行模型训练，直到训练误差达到收敛为止；将所述归一化的用电量指标输入到所 述神经网络模型，进行仿真，将仿真得到的预测值与所述归一化的用电量指标对应的实际 钢铁用电量进行对比，得到所述神经网络模型的第一预测误差。
[0015] 在一个实施例中，将所述归一化的用电量指标作为输入变量，所述归一化的钢铁 用电量作为输出变量，构建支持向量回归机模型包括：使用核函数对所述归一化的用电 量指标和所述归一化的钢铁用电量进行升维变换，并在高维空间构造支持向量回归函数 少'(夂）=人（AW) + △，得到所述支持向量回归机模型；其中，X表不输入变量，y表不输出 i=l 变量，K(Xi，x)表示核函数，Xi表示第i个样本的输入变量，a i表示拉格朗日乘子，b表示 偏置，N表示样本总数；将所述归一化的用电量指标输入到所述支持向量回归机模型，进行 仿真，将仿真得到的预测值与所述归一化的用电量指标对应的实际钢铁用电量进行对比， 得到所述支持向量回归机模型的第二预测误差。
[0016]在一个实施例中，对所述神经网络模型和所述支持向量回归机模型进行组合，得 到组合模型包括：使用方差-协方差优选组合中的时变权法对所述神经网络模型和所述支 持向量回归机模型进行组合，得到所述组合模型：f e= ? w iei+w2e2;其中， f。表示加权平均的组合预测值，e。表示加权平均的组合预测误差，表示所述神经网络模 型计算得到的第一预测值，f2表示所述支持向量回归机模型计算得到的第二预测值，^表 示所述神经网络模型的第一预测误差，e 2表示所述支持向量回归机模型的第二预测误差， %表示所述神经网络模型的第一权系数，《 2表示所述支持向量回归机模型的第二权系 数，《1+?2= 1 ;按照以下公式计算权系数《 t
【主权项】
1. 一种钢铁用电量的预测方法，其特征在于，包括： 获取待预测地区在预设时间内的钢铁历史数据，作为样本数据，其中所述钢铁历史数 据包括：用电量指标和钢铁用电量； 对所述样本数据进行无量纲处理，得到归一化的用电量指标和归一化的钢铁用电量； 将所述归一化的用电量指标作为输入变量，所述归一化的钢铁用电量作为输出变量， 进行网络训练，构建神经网络模型； 将所述归一化的用电量指标作为输入变量，所述归一化的钢铁用电量作为输出变量， 构建支持向量回归机模型； 对所述神经网络模型和所述支持向量回归机模型进行组合，得到组合模型，并使用所 述组合模型预测钢铁用电量。
2. 根据权利要求1所述的方法，其特征在于，对所述样本数据进行无量纲处理包括： 利用极值法公式
分别对所述样本数据中的每一个数据IV?行无量纲处 理，其中，氕表示应的归一化值，pmin表示与pJS于同一类数据的N个数据中的最小 值，P_表示与PJS于同一类数据的N个数据中的最大值，N表示样本总数。
3. 根据权利要求1所述的方法，其特征在于，将所述归一化的用电量指标作为输入变 量，所述归一化的钢铁用电量作为输出变量，进行网络训练，构建神经网络模型包括： 设置所述神经网络模型的输入层、中间层和输出层，其中，所述输入层包含的神经元个 数与所述归一化的用电量指标的类别个数相同，所述输出层包含1个神经元； 设置模型训练参数，其中