一种基于设备组合状态转换的钢厂电力负荷预测方法技术

本发明专利技术涉及一种基于设备组合状态转换的钢厂电力负荷预测方法，属于电力负荷预测领域。通过隐马尔可夫HMM模型对钢厂主要用电设备工作状态进行组合转换，对转换后的组合状态进行分组，对于每一组状态，分别构建长短时记忆神经网络进行负荷预测模型的训练。将历史负荷数据分为样本集数据及测试集数据，其中样本集数据用于训练神经网络；测试集数据作为负荷预测输入数据，输入训练完成的神经网络得到负荷预测值。本发明专利技术通过针对不同设备组合状态分别构建负荷预测神经网络模型，提高了钢厂电力负荷预测的准确性，各个神经网络采用相同架构进行并行训练，提高了训练效率。提高了训练效率。提高了训练效率。

【技术实现步骤摘要】
一种基于设备组合状态转换的钢厂电力负荷预测方法


[0001]本专利技术属于电力负荷预测领域，涉及一种基于设备组合状态转换的钢厂电力负荷预测方法。

技术介绍

[0002]目前电力负荷预测方法主要可以分为时间序列预测法、回归分析预测法和人工智能预测法。对于电力用户来说，负荷预测的影响因素具有种类多、突发性和不确定性等特点，就时间序列预测法和回归分析预测法来说，负荷预测的准确度较低且鲁棒性较差，而以神经网络、支持向量机预测为代表的人工智能方法则比以上方法具有更好的表现，在近年来得到快速发展。然而常用的电力负荷预测方法并没有考虑钢厂电力负荷的特殊性，钢厂负荷一般取决于钢铁生产工况，而受天气、温度、季节等环境因素影响不大。因此，大多电力负荷预测方法无法直接套用于钢厂负荷的预测。
[0003]对于钢厂电力负荷预测，目前有针对设备类型根据其不同的用电特性进行分别预测，再叠加各个负荷分量构建得到总的钢厂负荷预测值。但单个设备的负荷特性捕捉难度较大，且需要针对各个设备的特点分别构建不同架构的预测模型，效率较低。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于设备组合状态转换的钢厂电力负荷预测方法，解决现有技术中需要采用多种预测模型架构来分别预测负荷分量，叠加得到负荷预测值的技术问题。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于设备组合状态转换的钢厂电力负荷预测方法，包括以下步骤：
[0007]构建模型数据集：获取待预测时刻前钢厂各主要用电设备状态及历史负荷值；
[0008]所述主要用电设备包括精炼炉、冷轧机、热轧机等钢厂生产工艺中主要用电负荷。
[0009]设备组合状态转换：设备与设备之间进行状态组合，采用隐马尔可夫模型(HMM)通过状态转移矩阵将各个时刻的设备状态连接起来；
[0010]所述状态转移矩阵元素为设备由一种状态转移到另一种状态的概率。
[0011]所述状态组合具体组合方式为：共有K个设备，设备1共有n1种状态，设备2共有n2种状态，设备K共有n
k
种状态，则包含K个设备的组合系统进行状态转换后共有n＝n1×
n2···
×
n
k
种可能的潜在状态。
[0012]提取待预测时刻状态：由各设备状态组合转换后的组合状态转移矩阵可以得到设备组合系统由一种状态转移到另一种状态的概率，提取概率最大的状态为待预测时刻状态，并按此状态进行分组，设备经组合状态转换后为相同的状态归为一个组别。
[0013]神经网络训练：将历史负荷数据样本集数据按其状态进行分组，分别构建神经网络模型进行训练。神经网络基本架构采用长短时记忆递归循环网络(LSTM)。
[0014]钢厂电力负荷预测：判断测试集数据待预测时刻的设备组合状态，并按状态对测
试集数据分组，输入每一组状态对应的训练完成的神经网络，输出结果即为预测值。
[0015]进一步的，利用隐马尔可夫(HMM)模型对钢厂主要用电设备进行设备组合状态转换，由状态转移矩阵建立状态与状态之间的联系，矩阵元素为一种状态向另一种状态转移的概率，即矩阵元素a
ij
表示设备从状态i在下一时刻向状态j转移的概率，如下所示：
[0016][0017]式中，A
(1)
表示设备1的状态转移矩阵，设备1共有n1种状态；a
11
表示设备从状态1在下一时刻向状态1转移的概率，表示设备从状态1在下一时刻向状态n1转换的概率，表示设备从状态n1在下一时刻向状态1转移的概率，表示设备从状态n1在下一时刻向状态n1转换的概率。
[0018]包含K个设备的组合系统总状态转移矩阵如下式所示：
[0019][0020]式中，表示克罗内克积；A为设备组合系统的总状态转移矩阵，A
(1)
、A
(2)
、A
(K)
分别表示第1个设备、第2个设备、第K个设备的状态转移矩阵。设备1共有n1种状态，设备2共有n2种状态，设备K共有n
k
种状态，则组合状态后，设备组合系统共有n＝n1×
n2···
×
n
k
种可能的潜在状态。
[0021]设备进行组合状态转换后，得到的总状态转移矩阵A矩阵元素a
ij
表示设备组合系统从状态i在下一时刻向状态j转移的概率，对应每一输入状态，提取概率最大的状态作为转换后的组合状态，设备经组合状态转换后为相同的状态分为一个组别。
[0022]进一步的，对应每一个组合状态分别构建神经网络模型，采用的神经网络架构为长短时记忆递归神经网络(LSTM)。将历史负荷数据分为样本集数据和测试集数据，其中样本集数据用于神经网络的训练。样本集数据中，一组输入数据对应一个输出数据，训练过程中，神经网络输出数据拟合t时刻的负荷值，则将上一时刻的设备状态进行组合转换后提取t时刻的组合状态，将样本集数据按此状态进行分组，对于每一组状态构建相应的神经网络模型，对多组神经网络进行并行训练。LSTM通过“门”控制信息的传递，实现对记忆单元状态的遗忘或记忆，进而实现对长序列数据的信息记忆能力。单个LSTM基本单元包括遗忘门f
t
、输入门i
t
、输出门o
t
、候选门将样本集负荷数据输入LSTM网络，具体运算公式如下所示：
[0023]f
t
＝σ(W
f
x
t
+U
f
h
t-1
+b
f
)
[0024]i
t
＝σ(W
i
x
t
+U
i
h
t-1
+b
i
)
[0025]o
t
＝σ(W
o
x
t
+U
o
h
t-1
+b
o
)
[0026][0027][0028]h
t
＝o
t
⊙
tanh(c
t
)
[0029]式中，σ表示激活函数；x
t
为输入数据，h
t
、h
t-1
为当前时刻和上一时刻的输出数据，f
t
为遗忘门输出变量，i
t
为输入门输出变量，o
t
为输出门输出变量，为候选门输出变量；W
f
、
W
i
、W
o
、W
c
分别为f
t
、i
t
、o
t
、对应x
t
的权重参数，U
f
、U
i
、U
o<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于设备组合状态转换的钢厂电力负荷预测方法，其特征在于：该方法包括以下步骤：构建模型数据集：获取待预测时刻前钢厂各用电设备状态及历史负荷值；所述用电设备包括精炼炉、冷轧机和热轧机；设备组合状态转换：设备与设备之间进行状态组合，采用隐马尔可夫模型HMM通过状态转移矩阵将各个时刻的设备状态连接起来；所述状态转移矩阵元素为设备由一种状态转移到另一种状态的概率；所述状态组合具体组合方式为：共有K个设备，设备1共有n1种状态，设备2共有n2种状态，设备K共有n
k
种状态，则包含K个设备的组合系统进行状态转换后共有n＝n1×
n2···
×
n
k
种可能的潜在状态；提取待预测时刻状态：由各设备状态组合转换后的组合状态转移矩阵得到设备组合系统由一种状态转移到另一种状态的概率，提取概率最大的状态为待预测时刻状态，并按此状态进行分组，设备经组合状态转换后为相同的状态归为一个组别；神经网络训练：将历史负荷数据样本集数据按其状态进行分组，分别构建神经网络模型进行训练；神经网络基本架构采用长短时记忆递归循环网络LSTM；钢厂电力负荷预测：判断测试集数据待预测时刻的设备组合状态，并按状态对测试集数据分组，输入每一组状态对应的训练完成的神经网络，输出结果即为预测值。2.根据权利要求1所述的一种基于设备组合状态转换的钢厂电力负荷预测方法，其特征在于：利用所述隐马尔可夫模型HMM对钢厂主要用电设备进行设备组合状态转换，由状态转移矩阵建立状态与状态之间的联系，矩阵元素为一种状态向另一种状态转移的概率，即矩阵元素a
ij
表示设备从状态i在下一时刻向状态j转移的概率，如下所示：式中，A
(1)
表示设备1的状态转移矩阵，设备1共有n1种状态；a
11
表示设备从状态1在下一时刻向状态1转移的概率，表示设备从状态1在下一时刻向状态n1转换的概率，表示设备从状态n1在下一时刻向状态1转移的概率，表示设备从状态n1在下一时刻向状态n1转换的概率；包含K个设备的组合系统总状态转移矩阵如下：式中，表示克罗内克积；A为设备组合系统的总状态转移矩阵，A
(1)
、A
(2)
、A
(K)
分别表示第1个设备、第2个设备、第K个设备的状态转移矩阵；设备1共有n1种状态，设备2共有n2种状态，设备K共有n
k
种状态，则组合状态后，设备组合系统共有n＝n1×
n2···
×
n
k
种可能的潜在状态；设备进行组合状态转换后，得到的总状态转移矩阵A矩阵元素a
ij
表示设备组合系统从状态i在下一时刻向状态j转移的概率，对应每一输入状态，提取概率最大的状态作为转换后的组合状态，设备经组合状态转换后为相同的状态分为一个组别。
3.根据权利要求1所述的一种基于设备组合状态转换的钢厂电力负荷预测方法，其特征在于：对应每一个所述组合状态分别构建神经网络模型，采用的神经网络架构为长短时记忆递归神经网络LSTM；将历史负荷数据分为样本集数据和测试集数据，其中样本集数据用于神经网络的训练；样本集数据中，一组输入数据对应一个输出数据，训练过程中，神经网络输出数据拟合t时刻的负荷值，则将上一时刻的设备状态进行组合转换后提...

【专利技术属性】
技术研发人员：何小红，周有为，王伟，高忠江，童建林，欧博，莫海勇，秦香玲，傅强，
申请(专利权)人：中冶赛迪电气技术有限公司，
类型：发明
国别省市：