[发明专利]一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法

说明书

一种基于AP‑TS‑SVR模型的热电厂短期工业热负荷预测方法，包括以下步骤：按照设定的采样间隔从热电厂工业用户数据库中读取预测时刻前E天的各个工业用户的历史负荷数据；采用平均比例法分别计算M个工业用户的热负荷占热电厂工业总热负荷的平均比例，剔除平均占比小于设定值Ⅰ的工业用户，保留剩余的K个用户（KM）；预测K个用户未来24小时的热负荷值；采用支持向量机建模和预测热电厂工业总热负荷。本发明剔除平均占比小的用户并对其余分用户逐一预测，节约预测时间，提高模型辨识度。

技术领域

本发明涉及热负荷预测领域，尤其是涉及一种基于AP-TS-SVR的模型的热电厂短期工业热负荷预测方法。

背景技术

工业用户是热电厂供热的主要对象，用户热负荷实时变化，且电厂热力系统的热惰性以及管网输送的延迟性导致电厂供热与用户用热之间难以实现供需平衡而造成能源浪费与经济损失。利用工业用户历史热负荷数据，提取用户用热规律，预测用户未来的热负荷，可提前指导电厂做好热能调配，优化系统运行，节约资源，降低能耗。

对工业热负荷而言，通常包含服装加工、饮料生产、制药、建筑材料加工等多个领域的热用户，其用汽特性各不相同，可能同时具有趋势性、周期性和随机性的特点。预测模型通常可较好的识别趋势性与周期性，而对于随机性的识别能力较差。工业热用户的订单量、生产班制、检修周期、上游生产物资的供应以及政治政策等都是影响热负荷的因素，而占据主导因素的订单量和上游物资供应则主要取决于消费者行为以及原材料的市场特性等，由此导致工业热负荷具有较强的随机性，且订单量和上游物资供应难以作为小时等级的因素输入预测模型进行训练，造成预测模型输入的影响因素单一，导致预测难度较大。

对于热电厂而言，预测小时甚至分钟等级的工业总热负荷，才可指导其热力系统运行优化，因此有必要对区域性总的工业热负荷进行小时级别的预测。由于热电厂供给的工业热用户繁多，逐一预测再求取热负荷总和不仅会引起预测误差的不断叠加导致预测精度降低，而且使得预测时间过长。若将所有热用户的热负荷直接相加，再对总热负荷进行预测，又会掩盖各个用户热负荷特性中的细节难以被模型辨识，同样降低预测精度。

发明内容

针对以上存在的问题，本发明的目的在于提供一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，仅需输入用户逐时历史负荷数据，即可预测热电厂短期工业总热负荷，同时模型对工业热负荷的负荷特性进行双重识别，提高预测精度。

本发明采用以下技术方案：

一种基于AP-TS-SVR模型的热电厂短期工业热负荷预测方法，包括以下步骤：

S1：按照设定的采样间隔从热电厂工业用户数据库中读取预测时刻前 E天的各个工业用户的历史负荷数据；所述历史负荷数据为工业用户的蒸汽用量；

S2：采用平均比例法分别计算M个工业用户的热负荷占热电厂工业总热负荷的平均比例，剔除平均占比小于设定值Ⅰ的工业用户，保留剩余的 K个用户(KM)；

S3：基于工业用户前E天的历史热负荷数据，采用时间序列法分别预测K个用户未来24小时的热负荷值；

S4：采用支持向量机建模和预测热电厂工业总热负荷，建模时，输入为预测时刻K个用户前F天(FE)的历史实际负荷值，输出为热电厂M 个工业用户前F天的历史总热负荷值；模型预测时，输入为步骤S3中预测的K个用户未来24小时的热负荷值，输出为未来24小时的热电厂工业用户的总热负荷预测值。

所述步骤S1中，获取工业用户的历史负荷数据后，对历史负荷数据进行丢失数据的填充和错误数据的修正；

所述丢失数据的填充包括：假定一列数据中的某个数据出现丢失，以该数据点为中心，取前后G个数据按照数据大小进行排序，然后求取中间两个数据的平均值，得到这列数据的中位数，以此中位数填充缺失的值；