[发明专利]一种蒸汽负荷预测方法、系统、电子设备及介质

说明书

本发明公开了一种蒸汽负荷预测方法、系统、电子设备及介质，涉及蒸汽负荷预测领域，该方法，包括：对当前时段的蒸汽负荷序列进行经验模态分解，得到当前时段的n个内涵模态分量和一个残余趋势分量；将当前时段的n个内涵模态分量和一个残余趋势分量输入到分量预测模型中，得到未来时段各个分量的负荷预测值；将未来时段各个分量的负荷预测值进行叠加，得到未来时段的负荷初次预测值；将当前时段的蒸汽负荷数据和当前时段的外部因素数据输入负荷预测模型中，得到未来时段的负荷二次预测值；根据权重值，将所述负荷初次预测值和所述二次预测值以加权求和的方式进行组合，得到未来时段的最终负荷预测值。本发明能提高预测效率和预测精度。

技术领域

本发明涉及蒸汽负荷预测领域，特别是涉及一种蒸汽负荷预测方法、系统、电子设备及介质。

背景技术

蒸汽是一种重要的二次能源，其生产过程中需要消耗煤炭、水等大量的一次能源，随着人们经济水平及工业生产总值的提高对热负荷的需求也越来越大。人们的日常生活和工业生产都离不开热负荷。不同种类热负荷具有不同的特性，生活用热主要以热水的方式进行供水和季节性供暖，工业用户主要以蒸汽的方式用热，广泛用于电力、化工、冶金等大型工业生产部门。目前大多数研究主要集中在工业供热领域热负荷的预测，而针对锅炉房蒸汽热负荷的研究相对较少。蒸汽热负荷不仅受到天气等自然因素的影响，并且还会受到节假日、重大事件等的影响，这在一定程度上将给蒸汽负荷的预测工作增加难度，因此蒸汽热负荷的准确预测会大大提升热电厂的经济效益和安全稳定运行。

现有的蒸汽热负荷短期预测方法主要分为传统预测方法和人工智能预测方法两大类，其中传统方法包括时间序列分析法、回归分析法、灰色系统法、生长曲线法等。例如，有文献基于蒸汽负荷序列的混沌特性，首先对蒸汽负荷时间序列进行相空间重构，然后在相空间中，利用最小二乘支持向量机建立蒸汽负荷预测模型，并用改进的粒子群算法对模型参数进行优化。人工智能方法主要有随机森林法、人工神经网络法、支持向量机、深度学习的集成方法等。有文献提出了一种基于人工神经网络的蒸汽负荷预测方法，该方法考虑了多因素对蒸汽负荷的影响，建立了BP神经网络模型，再利用遗传算法对BP网络进行优化，经过优化的BP神经网络模型在预测精度方面有所提升。传统预测方法根据历史数据的变化规律进行预测工作，数据量少，不需要耗费大量的计算资源，但是当蒸汽负荷发生较大变化时，不能够做出准确的预测，适用于线性平稳序列。

人工智能算法是目前较为主流的预测方法，能够充分挖掘热负荷数据的内部特征，提取热负荷典型的变化规律特征，但需大量的数据作为支撑，计算量较大，影响预测效率。其中神经网络预测算法还存在已陷入局部最小，网络复杂等缺陷，影响预测精度。

发明内容

基于此，本发明实施例提供一种蒸汽负荷预测方法、系统、电子设备及介质，以提高预测效率和预测精度。

为实现上述目的，本发明提供了如下方案：

一种蒸汽负荷预测方法，包括：

获取当前时段的蒸汽负荷序列和当前时段的外部因素数据；所述当前时段为以当前时刻为结束时刻的一段时间；所述外部因素数据，包括天气状况数据和日期类型；

对当前时段的蒸汽负荷序列进行经验模态分解，得到当前时段的n个内涵模态分量和一个残余趋势分量；其中，n≥1；

将当前时段的n个内涵模态分量和一个残余趋势分量输入到分量预测模型中，得到未来时段各个分量的负荷预测值；当前时段一个分量对应输入到所述分量预测模型中的一个预测网络中；所述预测网络是基于历史时段的蒸汽负荷序列和BP神经网络建立的；所述历史时段为当前时刻之前的一段时间；所述未来时段为以下一时刻为开始时刻的一段时间；

将未来时段各个分量的负荷预测值进行叠加，得到未来时段的负荷初次预测值；