首页 / 专利库 / 人工智能 / 特征向量 / 一种基于SSA与LSTM深度学习的电厂存煤量短期预测方法

一种基于SSA与LSTM深度学习的电厂存量短期预测方法

阅读:1发布:2020-11-02

专利汇可以提供一种基于SSA与LSTM深度学习的电厂存量短期预测方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于SSA与LSTM 深度学习 的电厂存 煤 量短期预测方法,包括以下步骤:获取预测时间 节点 前设定天数的电厂存煤量、进煤量、耗煤量、发电量的历史数据和 温度 数据作为输入数据;采用SSA 算法 对输入数据进行嵌入、分解、重组、重构和归一化处理;将处理后的数据输入训练好的LSTM网络模型进行预测时间节点后设定天数的电厂日存煤量的预测;将预测结果反归一化并输出结果。与 现有技术 相比,本发明有效提高了电厂日存煤量短期预测的准确性。,下面是一种基于SSA与LSTM深度学习的电厂存量短期预测方法专利的具体信息内容。

1.一种基于SSA与LSTM深度学习的电厂存量短期预测方法,其特征在于,包括如下步骤:
S1、获取预测时间节点前设定天数的电厂存煤量、进煤量、耗煤量、发电量的历史数据和温度数据作为输入数据;
S2、采用SSA算法对输入数据进行嵌入、分解、重组、重构和归一化处理;
S3、将处理后的数据输入训练好的LSTM网络模型进行预测时间节点后设定天数的电厂日存煤量的预测;
S4、将预测结果反归一化并输出结果。
2.根据权利要求1所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,所述的步骤S2中,SSA算法将每种输入数据作为一个时间序列,根据每个时间序列设置轨迹矩阵并进行分解与重构,从时间序列中提取出周期信号、长期趋势信号等信息,并且去除噪声干扰。
3.根据权利要求1所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,嵌入步骤为对于长度为N的时间序列S={s1,…,sN},构造的轨迹矩阵为:
式中,L为嵌套空间维数,M取值为N-L+1。
4.根据权利要求3所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,分解步骤为对对矩阵X进行奇异值分解,分解表达式为:
式中,Xs为白噪声,Xn为信号能量;向量V1,V2,…,VL为矩阵XXT的特征值λ1≥λ2≥…≥λL≥0对应的单位特征向量; 为奇异谱密度;h5.根据权利要求4所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,分组步骤为将矩阵进行分组,将I=(i1,i2,…,ip)表示为一组索引,将对应于组I的矩阵XI定义为XI=Xi1+Xi2+…+Xip,则X分成了K个不相交的矩阵之和,X=XI1+XI2+…+XIK。
6.根据权利要求5所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,重构步骤采用对平均法,对角平均是将每个XIn(n=1,2,…,K)转化成时间序列,令L*=min(L,M),M*=max(L,M),记 对角平均将矩阵X转化成序列g0,…,gN-1,转化过程为:
7.根据权利要求1所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,所述的LSTM网络训练步骤如下:
A1、获取历史存煤量、进煤量、耗煤量、发电量和温度作为训练样本;
A2、采用SSA算法对训练数据进行分解重构,并归一化处理;
A3、构建LSTM网络输入层、隐含层、输出层参数;
A4、设置LSTM网络权值、偏差、状态的初始化;
A5、对n层LSTM网络进行训练并储存最优网络结构。
8.根据权利要求6所述的基于SSA与LSTM深度学习的电厂存煤量短期预测方法,其特征在于,所述的步骤A2中:
输入层和输出层参数包括输入层时间步数、输入层维数与输出层维数,其中输入层时间步数等于电厂存煤量预测的变量时间序列的长度设置为设定天数值;输出层维数即输出变量维数设为设定天数值;输入层维数即变量数设为设定天数值*5;
隐含层参数包括输入层维数和隐含层的数目,其中隐含层的数目设为4;隐含层的维数为64。

说明书全文

一种基于SSA与LSTM深度学习的电厂存量短期预测方法

技术领域

[0001] 本发明涉及火电厂发电侧预测方法,尤其是涉及一种基于SSA与LSTM深度学习的电厂存煤量短期预测方法。

背景技术

[0002] 近年来、光、等清洁能源发电规模越来越大,但煤炭发电所占的市场份额依然是最大的。因此,从电网调度来说,只有准确掌握网内各个火电厂真实的发电能,才能合理地安排发电计划与购电计划或售电计划,从而保证电力系统可靠又经济的运行。
[0003] 目前国内外主流的短期预测方法有采用时间序列法和神经网络深度学习算法。但是考虑到火电厂存煤量是一个具有周期性和随机性双重特性的变量,受实时煤价、气象以及特殊的政策性事件的影响,因此单一的预测模型已无法满足现阶段电网高效又经济运行对预测结果精度的要求。同时,现有的预测算法都是基于历史数据进行预测,但是当电厂出现停运,检修等意外状况,或者记录了错误的历史数据就会对预测造成一定的影响,使得预测结果不够精确。

发明内容

[0004] 本发明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基于SSA与LSTM深度学习的电厂存煤量短期预测方法。
[0005] 本发明的目的可以通过以下技术方案来实现:
[0006] 一种基于SSA与LSTM深度学习的电厂存煤量短期预测方法,包括如下步骤:
[0007] S1、获取预测时间节点前设定天数的电厂存煤量、进煤量、耗煤量、发电量的历史数据和温度数据作为输入数据;
[0008] S2、采用SSA算法对输入数据进行嵌入、分解、重组、重构和归一化处理;
[0009] S3、将处理后的数据输入训练好的LSTM网络模型进行预测时间节点后设定天数的电厂日存煤量的预测;
[0010] S4、将预测结果反归一化并输出结果。
[0011] 进一步地,所述的步骤S2中,SSA算法将每种输入数据作为一个时间序列,根据每个时间序列设置轨迹矩阵并进行分解与重构,从时间序列中提取出周期信号、长期趋势信号等信息,并且去除噪声干扰。
[0012] 进一步地,嵌入步骤为对于长度为N的时间序列S={s1,…,sN},构造的轨迹矩阵为:
[0013]
[0014] 式中,L为嵌套空间维数,M取值为N-L+1。
[0015] 进一步地,分解步骤为对对矩阵X进行奇异值分解,分解表达式为:
[0016]
[0017]
[0018] 式中,Xs为白噪声,Xn为信号能量;向量V1,V2,…,VL为矩阵XXT的特征值λ1≥λ2≥…≥λL≥0对应的单位特征向量; 为奇异谱密度;h
[0019] 进一步地,分组步骤为将矩阵进行分组,将I=(i1,i2,…,ip)表示为一组索引,将对应于组I的矩阵XI定义为XI=Xi1+Xi2+…+Xip,则X分成了K个不相交的矩阵之和,X=XI1+XI2+…+XIK。
[0020] 进一步地,重构步骤采用对平均法,对角平均是将每个XIn(n=1,2,…,K)转化成时间序列,令L*=min(L,M),M*=max(L,M),记 对角平均将矩阵X转化成序列g0,…,gN-1,转化过程为:
[0021]
[0022] 进一步地,所述的LSTM网络训练步骤如下:
[0023] A1、获取历史存煤量、进煤量、耗煤量、发电量和温度作为训练样本;
[0024] A2、采用SSA算法对训练数据进行分解重构,并归一化处理;
[0025] A3、构建LSTM网络输入层、隐含层、输出层参数;
[0026] A4、设置LSTM网络权值、偏差、状态的初始化;
[0027] A5、对n层LSTM网络进行训练并储存最优网络结构。
[0028] 进一步地,所述的步骤A2中:
[0029] 输入层和输出层参数包括输入层时间步数、输入层维数与输出层维数,其中输入层时间步数等于电厂存煤量预测的变量时间序列的长度设置为设定天数值;输出层维数即输出变量维数设为设定天数值;输入层维数即变量数设为设定天数值*5;
[0030] 隐含层参数包括输入层维数和隐含层的数目,其中隐含层的数目设为4;隐含层的维数为64。
[0031] 与现有技术相比,本发明具有以下优点:
[0032] 本发明采用SSA算法(奇艺谱分析算法)对训练和预测的时序数据进行平滑处理,过滤掉了由不确定性因素而产生突变的影响,降低了数据的不稳定性,提高预测精度;同时SSA再结合LSTM网络(长短时记忆神经网络)进行动态时序建模,进而实现多步预测,避免了误差累积,有效提高了电厂日存煤量短期预测的准确性。本发明实现燃煤电厂存煤量的预测为实现电网的优化调度建立精确的控制依据。附图说明
[0033] 图1为本发明中SSA算法流程图
[0034] 图2为本发明中LSTM网络流程图;
[0035] 图3为本发明中基于SSA与LSTM的预测模型流程图;
[0036] 图4为实例中某电厂2015-2018年每月耗煤量;
[0037] 图5为实例中某电厂2015-2018年每月存煤量;
[0038] 图6为实例中某电厂日进煤量平滑前后对比;
[0039] 图7为实例中某电厂日耗煤量平滑前后对比;
[0040] 图8为实例中某电厂日存煤量平滑前后对比;
[0041] 图9为实例中某电厂日发电量平滑前后对比;
[0042] 图10为实例中某电厂每日温度平滑前后对比;
[0043] 图11为实例中三种神经网络预测结果;
[0044] 图12为实例中三种神经网络预测误差。

具体实施方式

[0045] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
[0046] 如图1所示,本实施例提供了一种基于SSA与LSTM深度学习的电厂存煤量短期预测方法,包括如下步骤:
[0047] 步骤S1、通过数据报送系统获取预测时间节点前设定天数(7天)的电厂存煤量、进煤量、耗煤量、发电量的历史数据和温度数据作为输入数据;
[0048] 步骤S2、采用SSA算法对输入数据进行嵌入、分解、重组、重构和归一化处理;
[0049] 步骤S3、将处理后的数据输入训练好的LSTM网络模型进行预测时间节点后设定天数(7天)的电厂日存煤量的预测;
[0050] 步骤S4、将预测结果反归一化并输出结果。
[0051] 如图2所示,步骤S2中,SSA算法将每种输入数据作为一个时间序列,分别为作为序列S1、S2…SL;根据每个时间序列设置轨迹矩阵并进行分解,得到序列X1、X2...Xh,然后再进行分组得到序列XI1、XI2...XIK,最后进行重构,得到序列g0、g1...gN-1,从时间序列中提取出周期信号、长期趋势信号等信息,并且去除噪声干扰。
[0052] (1)嵌入步骤为对于长度为N的时间序列S={s1,…,sN},构造的轨迹矩阵为:
[0053]
[0054] 式中,L为嵌套空间维数,M取值为N-L+1,本实施例取L=60
[0055] (2)分解步骤为对对矩阵X进行奇异值分解,分解表达式为:
[0056]
[0057]
[0058] 式中,Xs为白噪声,Xn为信号能量;向量V1,V2,…,VL为矩阵XXT的特征值λ1≥λ2≥…≥λL≥0对应的单位特征向量; 为奇异谱密度;h
[0059] (3)分组步骤为将矩阵进行分组,将I=(i1,i2,…,ip)表示为一组索引,将对应于组I的矩阵XI定义为XI=Xi1+Xi2+…+Xip,则X分成了K个不相交的矩阵之和,X=XI1+XI2+…+XIK。
[0060] (4)重构步骤采用对角平均法,对角平均是将每个XIn(n=1,2,…,K)转化成时间序列,令L*=min(L,M),M*=max(L,M),记 对角平均将矩阵X转化成序列g0,…,gN-1,转化过程为:
[0061]
[0062] 如图3所述,LSTM网络训练步骤如下:
[0063] 步骤A1、获取最近多年(3年以上)的历史存煤量、进煤量、耗煤量、发电量和温度作为训练样本;
[0064] 步骤A2、采用SSA算法对训练数据进行分解重构,并归一化处理;
[0065] 步骤A3、构建LSTM网络输入层、隐含层、输出层参数;
[0066] 步骤A4、设置LSTM网络权值、偏差、状态的初始化;
[0067] 步骤A5、对n层LSTM网络进行训练并储存最优网络结构。
[0068] 每个LSTM细胞单元含有3个控制,分别是Input Gate(输入门),Forget Gate(遗忘门)和OutputGate(输出门)。输入门主要决定当前输入数据有多少输入到记忆单元中,遗忘门主要决定细胞历史状态信息的保留,而记忆单元状态值有多少需要输出到当前输出值则由输出门来控制,其过程可用以下公式表示:
[0069] it=σ(Wxixt+Wλiht-1+Wcict-1+bi)
[0070] ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)
[0071] ct=ftct-1+i tan(Wxcxc+Whcht-1+bc)
[0072] ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)
[0073] yt=ot tanct
[0074] 式中,it表示t时刻输入门的输出,xt为输入数据,yt为输出值,ct为记忆状态,ft为遗忘门的输出,ot为输入门的输出,W,b为偏置矩阵,σ采用Sigmoid函数。LSTM更新细胞状态的依据是遗忘门和输入门的输出。更新后的细胞状态由2部分构成:①来自上一时刻旧的细胞状态信息;②当前输入新生成的信息。
[0075] 建立基于LSTM网络的电厂短期存煤量模型,主要需要确定LSTM网络输入层、输出层与隐含层的参数。输入、输出层参数有输入层时间步数、输入层维数与输出层维数。输入层时间步数等于电厂存煤量预测的变量时间序列的长度,本实施例通过实验将该参数设置为7(设定天数值),输出层维数即输出变量维数也设为7(设定天数值),即用第t-7天至第t-1天的数据预测第t天至第t+6天的火电厂存煤量数据。输入层维数即变量数,本实施例设为
35(设定天数值*5),即为电厂日进煤量、日耗煤量、日存煤量、日发电量及温度这5个量连续
7天的数据。隐含层参数有输入层维数和隐含层的数目。隐含层的数目即LSTM层的个数,一定条件下模型的非线性拟合能力与隐含层数目成正比关系,本实施例通过实验将该参数设置为4;经过多次实验,隐含层的维数为64时预测效果较好。
[0076] 多步预测目前主要有直接多步预测法、递归多步预测法、直接递归混合多步预测法、多输入多输出预测法四种模型。记输入向量为X1,X2,...,XN,输出步长为M(M>3),则有输出向量YN+1,YN+2,...,YN+M,f为拟合的网络。直接多步预测法是为每个预测时间步骤开发一个单独的模型,可用下式表示:
[0077] YN+k=fk(X1,X2,...,XN),k∈[1,M]
[0078] 递归多步预测法只需要建立一个模型,网络下一步的预测输入来自前一步的预测输出,可用下式表示:
[0079] YN+1=f(X1,X2,...,XN)
[0080] YN+2=f(X1,X2,...,XN,YN+1)
[0081] YN+k=f(X1,X2,...,XN,YN+1,...,YN+k-1),k∈[3,M]
[0082] 直接递归混合多步预测法是直接法与递归法的结合,要为预测的每个时间步骤构建一个单独的模型,但每个模型可以使用之前时间步骤中模型所做的预测输出作为输入值,可用下式表示:
[0083] YN+1=f1(X1,X2,...,XN)
[0084] YN+2=f2(X1,X2,...,XN,YN+1)
[0085] YN+k=fk(X1,X2,...,XN,YN+1,...,YN+k-1),k∈[3,M]
[0086] 多输入多输出预测法采用一种模型一次性预测多天数据,可用下式表示。
[0087] (YN+1,YN+2,...,YN+k)=f(X1,X2,...,XN)
[0088] 由此看出,直接多步预测法需要建立多个模型,较为繁琐;递归多步预测法和直接递归混合多步预测法存在误差累积;多输入多输出预测法不存在误差累积,但模型更复杂,训练速度较慢,且需要较多数据避免过拟合。为满足实际需求,提高预测精度,本发明采用多输入多输出预测法,预测步长取7,即一次预测火电厂七天存煤量。而LSTM网络为支持多个变量平行输入的多步预测网络,一次能输出多个值,即一次计算多步预测值,在多步预测中占很大优势。
[0089] 如图4所示,耗煤量受季节影响特别大,每年夏季与冬季是耗煤的高峰时期。火电厂日进煤量与煤炭价格、社会生产实际、国家政策和计划发电量等因素密切相关;火电厂日耗煤量受到发电任务(即发电量)和该电厂所用煤炭种类的影响。
[0090] 为保证这两段时期的电力正常供应,必须在度夏、度冬来临之前超前提高电煤库存。某电厂近四年煤炭库存量如图5所示,每年5-6月份、10-11月份煤炭存煤量都呈上升趋势,且度冬的煤炭库存都高于度夏的煤炭库存。但是,每年耗煤与煤炭库存高峰时期的具体日期都不一样,这与当年的天气温度状况紧密相连。因此,对电厂日存煤量进行预测时,除去难以计算的社会因素,选取历史存煤量、进煤量、耗煤量、发电量和温度作为训练样本的属性。
[0091] 本实施例采用的样本数据是某市某电厂2013年1月1日至2018年11月26日的真实数据和在2345天气预报网站上查询的对应时间段的天气情况,包括日进煤量、日存煤量、日耗煤量、日发电量以及温度,共计2156条数据。在实际应用中,待预测日的火电厂发电侧数据是未知的,而温度数据可以根据天气预报获得,所以先将数据进行重组,将第t-7天至第t-1天的发电侧数据与第t天至第t+6天的温度数据作为一组输入数据。实验中将重组后的前2002条数据作为训练数据,后154条数据作为检验数据。
[0092] 本实施例采用sigmoid函数作为LSTM网络的激活函数,并将传统BP网络和RNN神经网络的预测结果与之进行对比,来检验LSTM网络的预测性能。本实施例对火电厂日存煤量进行了1-7步预测,即时间长度为7天的短期预测。先用SSA对五个输入量数据分别进行平滑处理,去除数据中的噪声成分,处理结果如图6-10所示。
[0093] 在2018年9月4日-2018年9月10日这一时间段,三种神经网络的预测结果和真实值的对比及相对误差如图11-12所示。由图中可以看出,BP神经网络由于其本身的不稳定性导致预测结果的波动较大,相对误差变化波动也较大;RNN与LSTM网络的预测相对误差都在预测步长大于5时明显增大,且LSTM网络与RNN网络的预测误差差值随着预测步长的增加而减小。这是因为预测步长增加后,火电厂实际的进、存、耗煤量、发电量与实际天气温度已发生改变,与历史数据的相关性已减弱,因而LSTM网络的优越性没有那么明显。但在第1-4天,LSTM网络的预测精度都明显高于RNN网络,优势明显。在这一时段三种模型预测结果的均方误差分别为e_MSE-BP=2.3465,e_MSE-RNN=0.3684,e_MSE-LSTM=0.0111,进一步说明LSTM网络的预测性能更好。
[0094] 为验证LSTM网络模型的普适性,本文对该电厂连续5个月进行预测验证。由于预测步长为7,预测效果评估则采用平均绝对百分比误差(e_MAPE)和均方误差(e_MSE)来评判,结果如表1所示。
[0095] 表1 不同网络各时间段的预测误差
[0096]
[0097]
[0098] 由以上结果可以看出,大部分情况下LSTM网络预测值的平均绝对百分比误差和均方误差都小于RNN模型和BP网络预测值的平均绝对百分比误差和均方误差;且LSTM网络不会像BP神经网络那样突然出现预测误差特别大的情况。这说明LSTM网络的预测精度高于RNN网络和BP网络,证明了LSTM网络拥有更好的预测性能和泛化性能。
[0099] 以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈