，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。
4. 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，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
得到所述支持向量回归机模 型； 其中，x表不输入变量，y表不输出变量，K(Xi, x)表不核函数，Xi表不第i个样本的输 入变量，ai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。
5. 根据权利要求1所述的方法，其特征在于，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：：?。= ? wiei+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，fi表示所述神 经网络模型计算得到的第一预测值，4表示所述支持向量回归机模型计算得到的第二预测 值，ei表示所述神经网络模型的第一预测误差，e2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，表示所述支持向量回归机模型的第 二权系数，Wi+Wf1 ; 按照以下公式计算权系数《k:
其中，k表示第k个模型，k= 1，2 ;j表示第j个模型，j= 1，2 ;N表示样本总数，i表 示第i个样本，s表示从N个样本数据中取出时间最近的s个样本数据进行计算，eki表示 第k个模型中第i个样本的预测误差，A,表示第j个模型中第i个样本的预测误差。
6. 根据权利要求1至5中任一项所述的方法，其特征在于，使用所述组合模型预测钢铁 用电量包括： 对未来预设时间内的预设用电量指标进行无量纲处理，得到归一化的预设用电量指 标； 将所述归一化的预设用电量指标输入到所述神经网络模型，计算得到第一用电量预测 值； 将所述归一化的预设用电量指标输入到所述支持向量回归机模型，计算得到第二用电 量预测值； 将所述第一用电量预测值和所述第二用电量预测值输入到所述组合模型，计算得到钢 铁用电量预测值。
7. 根据权利要求1至5中任一项所述的方法，其特征在于，所述用电量指标包括：产量 指标、能耗指标和容量指标；其中，所述产量指标包括：所述待预测地区的钢铁产成品产量 和下游产品产量；所述能耗指标为所述待预测地区的钢铁单位产品的能耗；所述容量指标 包括：所述待预测地区的用电设备容量总和及该地区输电容量。
8. -种钢铁用电量的预测装置，其特征在于，包括： 获取单元，用于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； 处理单元，用于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； 神经网络模型构建单元，用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； 支持向量回归机模型构建单元，用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，构建支持向量回归机模型； 组合模型构建单元，用于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； 用电量预测单元，用于使用所述组合模型预测钢铁用电量。
9. 根据权利要求8所述的装置，其特征在于，所述神经网络模型构建单元包括： 设置模块，用于设置所述神经网络模型的输入层、中间层、输出层以及模型训练参数， 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，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； 模型训练模块，用于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； 第一仿真模块，用于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。
10. 根据权利要求8所述的装置，其特征在于，所述支持向量回归机模型构建单元包 括： 支持向量回归函数构造模块，用于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
1得到所述支持向量回归机模型；其中，x表示输入变量,y表示输出 变量，K(Xi，x)表示核函数，Xi表示第i个样本的输入变量，ai表示拉格朗日乘子，b表示 偏置，N表示样本总数； 第二仿真模块，用于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 t匕，得到所述支持向量回归机模型的第二预测误差。
11. 根据权利要求8所述的装置，其特征在于，所述组合模型构建单元，具体用于使用 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：fc=? (〇而+"而； 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，fi表示所述神 经网络模型计算得到的第一预测值，4表示所述支持向量回归机模型计算得到的第二预测 值，ei表示所述神经网络模型的第一预测误差，e2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，表示所述支持向量回归机模型的第 二权系数，Wi+Wf1 ; 按照以下公式计算权系数《k:
其中，k表示第k个模型，k= 1，2 ;j表示第j个模型，j= 1，2 ;N表示样本总数，i表 示第i个样本，s表示从N个样本数据中取出时间最近的s个样本数据进行计算，eki表示 第k个模型中第i个样本的预测误差，A,表示第j个模型中第i个样本的预测误差。
12. 根据权利要求8至11中任一项所述的装置，其特征在于， 所述处理单元，还用于对未来预设时间内的预设用电量指标进行无量纲处理，得到归 一化的预设用电量指标； 所述用电量预测单元包括： 第一计算模块，用于将所述归一化的预设用电量指标输入到所述神经网络模型，计算 得到第一用电量预测值； 第二计算模块，用于将所述归一化的预设用电量指标输入到所述支持向量回归机模 型，计算得到第二用电量预测值； 第三计算模块，用于将所述第一用电量预测值和所述第二用电量预测值输入到所述组 合模型，计算得到钢铁用电量预测值。
13.根据权利要求8至11中任一项所述的装置，其特征在于，所述用电量指标包括：产 量指标、能耗指标和容量指标；其中，所述产量指标包括：所述待预测地区的钢铁产成品产 量和下游产品产量；所述能耗指标为所述待预测地区的钢铁单位产品的能耗；所述容量指 标包括：所述待预测地区的用电设备容量总和及该地区输电容量。
【专利摘要】本发明公开了一种钢铁用电量的预测方法及装置，该预测方法包括：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，其中钢铁历史数据包括：用电量指标和钢铁用电量；对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；将归一化的用电量指标作为输入变量，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；将归一化的用电量指标作为输入变量，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；对神经网络模型和支持向量回归机模型进行组合得到组合模型，并使用组合模型预测钢铁用电量。最大限度满足钢铁用电量预测精度要求，为电网的经济合理规划提供依据。
【IPC分类】G06Q50-06, G06Q10-04
【公开号】CN104573854
【申请号】CN201410815393
【发明人】秦砺寒, 牛东晓, 李顺昕, 王智敏, 单体华, 岳云力, 史智萍, 霍菲阳, 黄毅臣, 聂文海, 马天男, 韩江磊, 胥永兰, 李博, 李笑蓉, 陈丹, 杨敏, 张海霞, 赵国梁, 李莉, 杨金刚, 赵炜炜, 许晓敏, 刘丽, 朱正甲, 范荻, 吕昕, 梁大鹏, 覃泓皓, 汪鹏, 牛辰昊
【申请人】国家电网公司, 国网冀北电力有限公司经济技术研究院
【公开日】2015年4月29日
【申请日】2014年12月23日