一种基于深度自学习的火力发电中长期建模预测方法技术

本发明专利技术涉及一种基于深度自学习的火力发电中长期建模预测方法，包括，步骤S1，收集区域总用电量与电力关联因素历史数据，形成样本数据；步骤S2，建立区域总用电量中长期预测模型；步骤S3，建立新能源发电中长期预测模型；步骤S4，根据区域总用电量中长期预测模型、新能源发电中长期预测模型、外购电计划数据、外销电计划数据，建立火力发电缺口预测模型；步骤S5，根据火力发电历史数据数据建立火力发电预测模型，并将其与火力发电预测模型进行修正合并，形成最终的火力发电中长期预测模型；步骤S6，根据多高斯分布组合计算不同置信度下的火力发电量分布区间。本发明专利技术通过多预测模型修正合并，实现精确的电力风险量化预警。实现精确的电力风险量化预警。实现精确的电力风险量化预警。

【技术实现步骤摘要】
一种基于深度自学习的火力发电中长期建模预测方法


[0001]本专利技术涉及火力发电建模预测
，尤其涉及一种基于深度自学习的火力发电中长期建模预测方法。

技术介绍

[0002]我国是全球电力生产第一大国，发电量约占全球发电量总额的四分之一，从中国电源结构看，火电装机容量占比超过60%，火电发电量占比达到70%，电力行业关联国家的经济命脉，电力生产的安全、高效、绿色，是关系国家与企业的健康发展的关键，为提高电力企业的抗风险能力，实现精细化管理，研究并践行风险量化预警是必不可少的途径，能源结构优化的要求从长远来看为电力行业的健康绿色发展带来了要求，而对短期的经营带来了挑战，体现在具有随机特性的新能源发电全吸纳、火力发电为电量支撑和电力保障的新能源结构，需要在用电量、新能源发电量的精确预测基础上，从而可以精确安排火力发电。
[0003]但用电量主要由社会、经济发展大环境所决定的，具有随人口结构、经济状况的周期性变化而具有波动性，同时，新能源发电量是由气候与环境条件所决定的，具有明显的随机性，在现有的火力发电预测模型中不能进行多因素的建模预测，并对预测模型的修正不充分，难以准确预测实际需求与新能源发电量约束下的火力发电量变化规律，从而对火电企业的生产经营带来不确定性，为了实现精确的评估这种不确定性带来的经营风险，需有更精确的火力发电预测方法，不仅预测火力发电量，同时计算其置信度，实现风险量化预警。

技术实现思路

[0004]为此，本专利技术提供一种基于深度自学习的火力发电中长期建模预测方法，用以克服现有技术中火力发电建模预测精确度差的问题。
[0005]为实现上述目的，本专利技术提供一种基于深度自学习的火力发电中长期建模预测方法，包括，步骤S1，对区域总用电量历史数据与电力关联因素历史数据进行收集，通过相关性分析工具对电力关联因素历史数据进行筛选并确定各类电量的关联要素数据，对区域总用电量历史数据与电量的关联要素数据进行预处理，形成样本数据；步骤S2，对区域总用电量历史数据的样本数据进行数据分解与统计分析，得到时间规律上的统计特征；根据历史区域总用电量的统计特征以及样本数量，确定用电量预测模型的类型与结构，建立区域总用电量中长期预测模型；步骤S3，对新能源发电量历史数据进行数据分解与统计分析，根据新能源发电量历史数据的统计特征以及样本数量，建立新能源发电中长期预测模型；步骤S4，根据是否有外购电、外销电对区域类型进行确定，根据区域类型计算火电缺口，火电缺口计算公式为，火力发电量=区域总用电量+外销电量
‑
外购电量
‑
新能源发电量；根据火电缺口计算公式，在区域总用电量中长期预测模型、新能源发电中长期预测模
型、外购电计划、外销电计划数据的基础上，建立火力发电缺口预测模型Vq=f(td)；步骤S5，对火力发电历史数据数据分解与统计分析，根据火力发电历史数据数据的统计特征以及样本数量，建立火力发电预测模型Vd=f(td)，将火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行差量计算与判定修正，并将修正过的火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行平均处理，形成最终的火力发电中长期预测模型；步骤S6，对预测误差进行多高斯拟合，根据多高斯分布组合计算不同置信度下的火力发电量分布区间。
[0006]进一步地，在所述步骤S4中建立的火力发电缺口预测模型Vq=f(td)，预测周期时长为Td，其中，td表示预测周期时长Td内的任一单位时长，Vq表示td单位时长该区域火力发电缺口预测电量；在所述步骤S5中建立的火力发电预测模型Vd=f(td)，预测周期时长为Td，其中，td表示预测周期时长Td内的任一单位时长，Vd表示td单位时长该区域火力发电预测电量；进一步地，在所述步骤S5中，设定有单位时长的火电电量标准差Vb，根据在预测周期时长内火力发电缺口预测模型任一单位时长td火力发电缺口预测电量Vq，与该单位时长火力发电预测电量Vd进行计算该单位时长的火电电量预测差Vc，Vc=|Vq
‑
Vd|，将该单位时长的火电电量预测差Vc与火电电量标准差Vb进行对比，当Vc≤Vb时，判定该单位时长的火电电量预测差未超过火电电量标准差，对该单位时长的火力发电缺口预测电量Vq=f(td)与该单位时长的火力发电预测电量Vd=f(td)进行保留标记；当Vc＞Vb时，判定该单位时长的火电电量预测差超过火电电量标准差，将对该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比计算，以确定对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
[0007]进一步地，当在td单位时长的火电电量预测差超过火电电量标准差时，将该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比，当Vq＞Vd时，判定该单位时长的火力发电缺口预测电量高于火力发电预测电量，将td单位时长的上一单位时长的火电电量预测差Vc1分别与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比，以确定对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整；当Vq＜Vd时，判定该单位时长的火力发电缺口预测电量低于火力发电预测电量，将td单位时长上一单位时长火力发电缺口预测电量Vq1与td单位时长的火力发电缺口预测电量Vq进行对比，将td单位时长上一单位时长火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比，结合两对比结果，对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。
[0008]进一步地，当判定td单位时长的火力发电缺口预测电量高于火力发电预测电量时，将根据火力发电缺口预测电量Vq1=f(td
‑
1)与火力发电预测电量Vd1=f(td
‑
1)计算火电电量预测差Vc1，Vc1= |Vq1
‑ꢀ
Vd1|，其中，td
‑
1表示在预测周期时长Td内的td单位时长的上一个单位时长，Vq1表示td
‑
1单位时长火力发电缺口预测电量，Vd1表示td
‑
1单位时长火力发电预测电量，
将td
‑
1单位时长的火电电量预测差Vc1与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比，当Vc1≤Vb时，判定td
‑
1单位时长的火电电量预测差未超过火电电量标准差，对td
‑
1单位时长的火力发电缺口预测电量Vq1=f(td
‑
1)与该单位时长的火力发电预测电量Vd1=f(td
‑
1)进行保留标记；将并将td单位时长的火力发电缺口预测电量调整为Vq
’
，Vq
’
= Vq
×
[1
‑
（Vc
‑
Vb）/Vc]，并对调节后的td单位时长火力发电缺口预测电量Vq
’
与火力发电预测电量Vd进行保留，但不进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度自学习的火力发电中长期建模预测方法,其特征在于，包括，步骤S1，对区域总用电量历史数据与电力关联因素历史数据进行收集，通过相关性分析工具对电力关联因素历史数据进行筛选并确定各类电量的关联要素数据，对区域总用电量历史数据与电量的关联要素数据进行预处理，形成样本数据；步骤S2，对区域总用电量历史数据的样本数据进行数据分解与统计分析，得到时间规律上的统计特征；根据历史区域总用电量的统计特征以及样本数量，确定用电量预测模型的类型与结构，建立区域总用电量中长期预测模型；步骤S3，对新能源发电量历史数据进行数据分解与统计分析，根据新能源发电量历史数据的统计特征以及样本数量，建立新能源发电中长期预测模型；步骤S4，根据是否有外购电、外销电对区域类型进行确定，根据区域类型计算火电缺口，火电缺口计算公式为，火力发电量=区域总用电量+外销电量
‑
外购电量
‑
新能源发电量；根据火电缺口计算公式，在区域总用电量中长期预测模型、新能源发电中长期预测模型、外购电计划、外销电计划数据的基础上，建立火力发电缺口预测模型Vq=f(td)；步骤S5，对火力发电历史数据统计分析与数据分解，根据火力发电历史数据数据的统计特征以及样本数量，建立火力发电预测模型Vd=f(td)，将火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行差量计算与判定修正，并将修正过的火力发电缺口预测模型Vq=f(tq)与火力发电预测模型Vd=f(td)进行平均处理，形成最终的火力发电中长期预测模型；步骤S6，对预测误差进行多高斯拟合，根据多高斯分布组合计算不同置信度下的火力发电量分布区间。2.根据权利要求1所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于，在所述步骤S4中建立的火力发电缺口预测模型Vq=f(td)，预测周期时长为Td，其中，td表示预测周期时长Td内的任一单位时长，Vq表示td单位时长该区域火力发电缺口预测电量；在所述步骤S5中建立的火力发电预测模型Vd=f(td)，预测周期时长为Td，其中，td表示预测周期时长Td内的任一单位时长，Vd表示td单位时长该区域火力发电预测电量。3.根据权利要求2所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于，在所述步骤S5中，设定有单位时长的火电电量标准差Vb，根据在预测周期时长内火力发电缺口预测模型任一单位时长td火力发电缺口预测电量Vq，与该单位时长火力发电预测电量Vd进行计算该单位时长的火电电量预测差Vc，Vc=|Vq
‑
Vd|，将该单位时长的火电电量预测差Vc与火电电量标准差Vb进行对比，当Vc≤Vb时，判定该单位时长的火电电量预测差未超过火电电量标准差，对该单位时长的火力发电缺口预测电量Vq=f(td)与该单位时长的火力发电预测电量Vd=f(td)进行保留标记；当Vc＞Vb时，判定该单位时长的火电电量预测差超过火电电量标准差，将对该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比计算，以确定对该单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。4.根据权利要求3所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于，当在td单位时长的火电电量预测差超过火电电量标准差时，将该单位时长的火力发电缺口预测电量Vq与火力发电预测电量Vd进行对比，
当Vq＞Vd时，判定该单位时长的火力发电缺口预测电量高于火力发电预测电量，将td单位时长的上一单位时长的火电电量预测差Vc1分别与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比，以确定对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整；当Vq＜Vd时，判定该单位时长的火力发电缺口预测电量低于火力发电预测电量，将td单位时长上一单位时长火力发电缺口预测电量Vq1与td单位时长的火力发电缺口预测电量Vq进行对比，将td单位时长上一单位时长火力发电预测电量Vd1与td单位时长的火力发电预测电量Vd进行对比，结合两对比结果，对td单位时长的火力发电缺口预测电量Vq或火力发电预测电量Vd的调整。5. 根据权利要求4所述的基于深度自学习的火力发电中长期建模预测方法,其特征在于，当判定td单位时长的火力发电缺口预测电量高于火力发电预测电量时，将根据火力发电缺口预测电量Vq1=f(td
‑
1)与火力发电预测电量Vd1=f(td
‑
1)计算火电电量预测差Vc1，Vc1= |Vq1
‑ꢀ
Vd1|，其中，td
‑
1表示在预测周期时长Td内的td单位时长的上一个单位时长，Vq1表示td
‑
1单位时长火力发电缺口预测电量，Vd1表示td
‑
1单位时长火力发电预测电量，将td
‑
1单位时长的火电电量预测差Vc1与td单位时长的火电电量预测差Vc、火电电量标准差Vb进行对比，当Vc1≤Vb时，判定td
‑
1单位时长的火电电量预测差未超过火电电量标准差，对td
‑
1单位时长的火力发电缺口预测电量Vq1=f(td
‑
1)与该单位时长的火力发电预测电量Vd1=f(td
‑
1)进行保留标记；将并将td单位时长的火力发电缺口预测电量调整为Vq
’
，Vq
’
= Vq
×
[1
‑
（Vc
‑
Vb）/Vc]，并对调节后的td单位时长火力发电缺口预测电量Vq
’
与火力发电预测电量Vd进行保留，但不进行标记；当Vb＜Vc1＜Vc时，判定td
‑
1单位时长的火电电量预测差Vc1在td单位时长的火电电量预测差Vc与火电电量标准差Vb之间，将对td
‑
1单位时长的火力发电缺口预测电量、火力发电预测电量与td单位时长的火力发电缺口预测电量、火力发电预测电量进行对比，以确定对td单位时长的火力发电缺口预测电量、火力发电预测电量的调整；当Vc1＝Vc时，判定td
‑
1单位时长的火电电量预测差与td单位时长的火电电量预测差相等，将对td
‑
1单位时长的上一单位时长td
‑
2的火电电量预测差进行计算判定，直至使td
‑
2单位时长的火电电量预测差Vc2，达到Vc2≠Vc1时，停止对上一单位时长的火电电量...

【专利技术属性】
技术研发人员：田禾，许英坚，王鑫，梦鸽乐，卢怀钿，温志华，万常洪，杨伟康，彭岳星，张迎冰，
申请(专利权)人：中国华能集团有限公司江西分公司，
类型：发明
国别省市：