【技术实现步骤摘要】
本专利技术涉及能源系统，尤其是涉及一种多时间尺度的负荷功率预测方法及系统。
技术介绍
1、在倡导绿色、环保及低碳的大背景下，新能源在能源系统中的占比越来越高。然而，矿热炉负荷在能源系统中存在诸多挑战。矿热炉负荷的功率波动性较大，导致能源系统的不稳定性和不可靠性。cn108647812a公开了一种基于主成分自适应bp神经网络的短期电力负荷预测方法，采用自适应bp神经网络方法建造模型，是将电厂历史数据作为输入，建立一种主成分与自适应bp神经网络算法相结合输出电厂负荷的短期预测方法。该方法减少了计算量，但是由于忽视了较多原始数据中的特征，导致预测精度受到影响。cn102705303a公开了一种基于残差与双级神经网络的液压伺服系统故障定位的方法，直接利用初始数据作为输入参数，计算量较大，预测效率低。鉴于前述现有技术中的不足，对矿热炉负荷的功率进行准确且高效的预测具有重大现实意义。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种多时间尺度的负荷功率预测方法及系统。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种多时间尺度的负荷功率预测方法，包括以下步骤：
4、获取负荷的历史数据，并将该历史数据划分为多种时间尺度的负荷数据；
5、根据不同时间尺度的负荷数据采用对应的预测算法，构建并训练得到对应时间尺度的负荷预测模型；
6、将负荷的实时数据载入对应时间尺度的负荷预测模型中，得到对应时间尺度的预
7、所述的负荷的历史数据包括矿热炉历史真值数据、冶炼物料加料量、入炉锰矿品质、加热装置温度以及矿热炉负荷上限。
8、所述的负荷的历史数据经过数据预处理后划分为多种时间尺度的负荷数据，其中，所述预处理包括数据异常处理、数据归一化和数据重采样。
9、所述的数据异常处理具体为：采用统计方法3σ原则对输入数据进行异常值检测，对检测出的异常数据采用直接删除法、历史同时刻真值填充、前后项填充、线性插值填充四种方式中的一种对异常数据进行填充。
10、通过填充效果回测验证法确定对异常数据进行填充的填充方式，具体步骤如下：
11、1)分别采用四种方式进行数据填充，获得4种类型的填充数据，拟合得到候选填充曲线；
12、2)获取与历史矿热炉相似度排名从高到低的前预设个数的候选负荷曲线；
13、3)将候选负荷曲线取均值得到类真实矿热炉用电负荷曲线；
14、4)分别计算候选填充曲线与类真实矿热炉用电负荷曲线的相似度，选取相似度最高的候选填充曲线所采用的填充方式作为最终的异常处理方法。
15、所述的数据重采样根据对时间尺度的需求，通过颗粒度进行配置，自动进行上采样或下采样。
16、所述的不同时间尺度的负荷数据经过特征工程和特征选择后用于训练负荷预测模型，其中，所述特征工程包括统计特征、周期内同时刻统计特征和领域知识特征，所述特征选择采用过滤法、包裹法或嵌入法中的一种。
17、所述的统计特征包括基于时间窗口提取的最大值、最小值、斜率、峰度、偏度、累计面积、峰峰值特征，其中，斜率用于反应矿热炉用电负荷的爬坡率、下坡率；所述的周期内同时刻统计特征为在同期内提取的同时刻点的统计特征，用于分析特定时间点负荷变化离散程度和趋势；所述的领域知识特征包括排产计划和维修计划，排产计划分为降产、正常、量产三种类型，维修计划分为维修、不维修两种类型，将排产计划、维修计划根据类型分别进行编码，根据不同类型提取相关领域特征，其中，排产计划的领域知识特征包括负荷峰值、负荷持续时间、负荷上升斜率、负荷下降斜率、负荷曲线下方面积、负荷变化平滑程度。
18、所述的负荷预测模型内置xgboost、lightgbm两种算法，当生产需要满足实时性需求时，通过参数配置将预测模型切换为lightgbm进行实时负荷预测，当生产需要满足模型预测精度需求时，通过参数配置将预测模型切换为xgboost进行实时负荷预测。
19、一种多时间尺度的负荷功率预测系统，包括：
20、数据获取模块，用于获取负荷的历史数据，并将该历史数据划分为多种时间尺度的负荷数据；
21、预测模型构建与训练模块，用于根据不同时间尺度的负荷数据采用对应的预测算法，构建并训练得到对应时间尺度的负荷预测模型；
22、预测模块，用于将负荷的实时数据载入对应时间尺度的负荷预测模型中，得到对应时间尺度的预测结果。
23、与现有技术相比，本专利技术具有以下有益效果：
24、(1)本专利技术针对矿热炉负荷历史数据，进行特征工程和特征选择后得到有效的负荷特征，从而训练负荷预测模型，以提高模型预测精度；同时，负荷预测模型内置两种算法，可以根据实际应用的需要进行选择，从而兼顾预测精度和预测效率。
25、(2)本专利技术在对负荷数据进行数据预处理时采用四种异常数据填充方式，并通过填充效果回测验证法确定所采用的方式，降低异常处理不当所造成的误差，提高模型预测精度。
26、(3)本专利技术在特征工程中提取的统计特征可以反应矿热炉的用电变化趋势，通过学习序列过去的变化特征、发现序列运行规律，从而预计未来序列的走势；在同期内提取同时刻点的统计特征有助于分析特定时间点负荷变化离散程度和趋势；此外，还加入了矿热炉领域特征，使得能够对该应用场景下的矿热炉特征进行更为准确、具有针对性的分析。
本文档来自技高网...【技术保护点】
1.一种多时间尺度的负荷功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的负荷的历史数据包括矿热炉历史真值数据、冶炼物料加料量、入炉锰矿品质、加热装置温度以及矿热炉负荷上限。
3.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的负荷的历史数据经过数据预处理后划分为多种时间尺度的负荷数据，其中，所述预处理包括数据异常处理、数据归一化和数据重采样。
4.根据权利要求3所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的数据异常处理具体为：采用统计方法3σ原则对输入数据进行异常值检测，对检测出的异常数据采用直接删除法、历史同时刻真值填充、前后项填充、线性插值填充四种方式中的一种对异常数据进行填充。
5.根据权利要求4所述的一种多时间尺度的负荷功率预测方法，其特征在于，通过填充效果回测验证法确定对异常数据进行填充的填充方式，具体步骤如下：
6.根据权利要求3所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的数据重采样根据对时
7.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的不同时间尺度的负荷数据经过特征工程和特征选择后用于训练负荷预测模型，其中，所述特征工程包括统计特征、周期内同时刻统计特征和领域知识特征，所述特征选择采用过滤法、包裹法或嵌入法中的一种。
8.根据权利要求7所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的统计特征包括基于时间窗口提取的最大值、最小值、斜率、峰度、偏度、累计面积、峰峰值特征，其中，斜率用于反应矿热炉用电负荷的爬坡率、下坡率；所述的周期内同时刻统计特征为在同期内提取的同时刻点的统计特征，用于分析特定时间点负荷变化离散程度和趋势；所述的领域知识特征包括排产计划和维修计划，排产计划分为降产、正常、量产三种类型，维修计划分为维修、不维修两种类型，将排产计划、维修计划根据类型分别进行编码，根据不同类型提取相关领域特征，其中，排产计划的领域知识特征包括负荷峰值、负荷持续时间、负荷上升斜率、负荷下降斜率、负荷曲线下方面积、负荷变化平滑程度。
9.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的负荷预测模型内置XGBoost、LightGBM两种算法，当生产需要满足实时性需求时，通过参数配置将预测模型切换为LightGBM进行实时负荷预测，当生产需要满足模型预测精度需求时，通过参数配置将预测模型切换为XGBoost进行实时负荷预测。
10.一种多时间尺度的负荷功率预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种多时间尺度的负荷功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的负荷的历史数据包括矿热炉历史真值数据、冶炼物料加料量、入炉锰矿品质、加热装置温度以及矿热炉负荷上限。
3.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的负荷的历史数据经过数据预处理后划分为多种时间尺度的负荷数据，其中，所述预处理包括数据异常处理、数据归一化和数据重采样。
4.根据权利要求3所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的数据异常处理具体为：采用统计方法3σ原则对输入数据进行异常值检测，对检测出的异常数据采用直接删除法、历史同时刻真值填充、前后项填充、线性插值填充四种方式中的一种对异常数据进行填充。
5.根据权利要求4所述的一种多时间尺度的负荷功率预测方法，其特征在于，通过填充效果回测验证法确定对异常数据进行填充的填充方式，具体步骤如下：
6.根据权利要求3所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的数据重采样根据对时间尺度的需求，通过颗粒度进行配置，自动进行上采样或下采样。
7.根据权利要求1所述的一种多时间尺度的负荷功率预测方法，其特征在于，所述的不同时间尺度的负荷数据经过特征工程和特征选...
【专利技术属性】
技术研发人员：贾项南，许婷，张凯，任可心，周胜，张元，
申请(专利权)人：远景能源有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。