[发明专利]一种电力实时需量的预测方法

说明书

本申请涉及一种电力实时需量的预测方法，包括设备分类模块、特征提取模块、工况识别模块、模型训练模块和实时预测模块。本申请将用电设备分为冲击负荷大用户和其他相对稳定用户，对不同种类的波动大用户分别提取相应的不同特征，相对稳定用户也提取相应的特征，然后基于机器学习算法建立实时需量预测模型，可以实现分钟级的精准且高效预测。

技术领域

本申请涉及一种电力实时需量的预测方法，适用于电力预测的技术领域。

背景技术

企业是用电大户，以钢铁企业为例，一般由电网提供110KV或220KV的高压电到钢铁企业的总降，总降下会分几个主变压器，通常将高电压降为35KV或10KV，分别供应不同的设备。电费主要是根据总降进口的总电表计数来计费，其波动受下面分挂设备的用电负荷变化影响，这些设备包括用电设备和发电设备等。另外，这些设备可以在不同的变压器甚至不同总降下母联切换。所有重要设备都有两路供电，以便对应变压器、母联等检修时，仍然可以正常工作。

良好的电力需量管理可以节约公司的电费成本，并减少由于用电大户用电量急剧变化带来的电网波动。而对电力需量进行准确的预测，是实现良好的需量管控的重要途径。因此业界尝试了多种预测方法，包括：牛顿插值法、滑动平均法、指数平滑法、灰度预测、多元线性回归、神经网络等，其中大部分只采用了传统的时间序列预测，虽然部分考虑了生产计划、季节气候等因素，但预测主要还是集中在日需量预测，甚至月需量预测上。然而实际生产中的实时影响因素很多，这样长周期的预测无法贴近实际生产情况，不能实现实时的准确电力需量预测。另一方面，企业的电力需量实时预测比较困难，大功率用电设备例如电炉、精炼炉、轧线等设备用电波动很大，而且和实际生产计划密切相关，还有可能由于设备故障等临时停机，因此电力负荷都是实时变化的冲击载荷，难以实现精准预测。

发明内容

本申请提出一种电力实时需量的预测系统和方法，可以实现生产、停产、设备检修、母联切换等各种生产活动下电力需量的分钟级实时预测，具有预测时效高、预测精度高的技术优势。

根据本申请的一种电力实时需量的预测系统，包括以下模块：

设备分类模块，其根据设备用电数据特性划分设备类型；

特征提取模块，其根据设备用电数据、影响设备用电的关键数据、表征设备状态变化的关键数据分别提取特征；

工况识别模块，其通过对母联状态的识别，识别出不同的工况，针对不同的工况建立不同的模型，将模拟的所有工况分别训练，得到不同工况的预测模型；

模型训练模块，其将特征提取处理后的数据采用机器学习算法训练不同工况的预测模型，优化调整参数，得到未来预设时间的预测模型；

实时预测模块，其实时使用最近某段时间的数据，通过特征提取模块构造特征，选择模型训练模块训练出来的模型实现预设时间的预测。

其中，所述工况识别模块可以利用已有历史数据模拟生成其他工况的数据，实时预测模块预测时，选择工况最相近的模型进行预测；所述工况识别模块可以利用已有历史数据模拟生成其他工况数据的模拟方法是通过设备间不同数据的组合或者在已有历史数据上增减功率；还可以包括模型在线更新模块，其在所述实时预测模块预测的结果超过偏差阈值时，利用实际发生的工况数据，重新经过所述特征提取模块来训练模型；所述实时预测模块选择模型的方法可以包括通过最近某段时间总电量及下属设备的电量变化情况来确定工况，或者通过母联状态来推算当前总降下设备的用电情况；还可以包括数据质量判断模块，其采用基于统计或规则的方法对通过传感器采集的生产过程数据质量进行初步判断，然后采用统计或异常监测算法实现数据的质量判断。

本申请还涉及一种电力实时需量的预测方法，包括以下步骤：

(1)根据设备用电数据特性划分设备类型；

(2)根据设备用电数据、影响设备用电的关键数据、表征设备状态变化的关键数据分别提取特征；