鋼鐵用電量的預(yù)測(cè)方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種鋼鐵用電量的預(yù)測(cè)方法及裝 置。
【背景技術(shù)】
[0002] 電力負(fù)荷預(yù)測(cè)是指，在充分考慮一些重要的系統(tǒng)運(yùn)行特性、增容決策、自然條件與 社會(huì)影響的條件下，研究或利用一套系統(tǒng)地處理過去與未來負(fù)荷的數(shù)學(xué)方法，在滿足一定 精度要求的條件下，確定未來某特定時(shí)刻的負(fù)荷數(shù)值。負(fù)荷預(yù)測(cè)的準(zhǔn)確性對(duì)于電力系統(tǒng)的 安全運(yùn)行和經(jīng)濟(jì)調(diào)度具有重要意義。準(zhǔn)確的負(fù)荷預(yù)測(cè)是中長(zhǎng)期電力建設(shè)投資的基礎(chǔ)，有利 于決定未來需新建的變電站個(gè)數(shù)、主變臺(tái)數(shù)與容量、供電線路回?cái)?shù)和自有發(fā)電機(jī)組的安裝、 裝機(jī)容量的大小等；可以合理安排電網(wǎng)內(nèi)部電力設(shè)施的檢修、試驗(yàn)和發(fā)電機(jī)組的啟停，保證 電力系統(tǒng)安全穩(wěn)定的運(yùn)行；還可以指導(dǎo)電網(wǎng)調(diào)度工作的合理開展，保證電網(wǎng)運(yùn)行的經(jīng)濟(jì)性 和合理性。
[0003]鋼鐵行業(yè)是以從事黑色金屬礦物采選和黑色金屬冶煉加工等工業(yè)生產(chǎn)活動(dòng)為主 的工業(yè)行業(yè)，包括金屬鐵、鉻、錳等的礦物采選業(yè)、煉鐵業(yè)、煉鋼業(yè)、鋼加工業(yè)、鐵合金冶煉 業(yè)、鋼絲及其制品業(yè)等細(xì)分行業(yè)，是國(guó)家重要的原材料工業(yè)之一。鋼鐵行業(yè)是重要的高耗能 行業(yè)，鋼鐵用電占全社會(huì)用電量比例水平高，用電量波動(dòng)對(duì)電網(wǎng)影響較大，因此對(duì)鋼鐵行業(yè) 負(fù)荷特性的研究至關(guān)重要。
[0004]目前，預(yù)測(cè)鋼鐵行業(yè)用電主要是針對(duì)鋼鐵用電影響因素指標(biāo)體系和數(shù)學(xué)模型這兩 方面內(nèi)容分別進(jìn)行研究。對(duì)鋼鐵用電影響因素指標(biāo)的分析主要集中在鋼鐵產(chǎn)量上，產(chǎn)品產(chǎn) 量直接影響到高耗能行業(yè)的用電量，尤其是鋼鐵行業(yè)。通過產(chǎn)量的變化趨勢(shì)來預(yù)測(cè)鋼鐵行 業(yè)用電狀況具有一定的可行性，但是預(yù)測(cè)指標(biāo)較為單一。
[0005]用電量的預(yù)測(cè)方法主要分為傳統(tǒng)預(yù)測(cè)方法和智能預(yù)測(cè)方法。
[0006] 傳統(tǒng)預(yù)測(cè)方法包括：回歸預(yù)測(cè)法、灰色預(yù)測(cè)方法、趨勢(shì)外推法、GDP (Gross Domestic Product，國(guó)內(nèi)生產(chǎn)總值）單能耗預(yù)測(cè)法、彈性系數(shù)法、因果分析法、時(shí)間序列法、 指數(shù)平滑法等。傳統(tǒng)預(yù)測(cè)方法針對(duì)用電量歷史數(shù)據(jù)，通過不同的數(shù)學(xué)公式來擬合和研究用 電量的歷史變化規(guī)律，根據(jù)用電量的發(fā)展趨勢(shì)來達(dá)到預(yù)測(cè)用電量的目的。
[0007]智能預(yù)測(cè)方法是借助機(jī)器學(xué)習(xí)算法并將其應(yīng)用于負(fù)荷預(yù)測(cè)，使用最廣泛的智能預(yù) 測(cè)方法包括：神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)（Support Vector Regression,簡(jiǎn)稱為SVR)。
[0008]其中，神經(jīng)網(wǎng)絡(luò)通過模擬大腦神經(jīng)元的工作方式來構(gòu)建網(wǎng)絡(luò)，設(shè)定網(wǎng)絡(luò)的輸入輸 出及初始權(quán)重、閾值，最后通過不斷迭代更改網(wǎng)絡(luò)神經(jīng)元間的連接權(quán)重來訓(xùn)練學(xué)習(xí)自變量 與因變量之間的關(guān)系。將需要預(yù)測(cè)年份可能的自變量數(shù)據(jù)帶入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中進(jìn)行 仿真，網(wǎng)絡(luò)輸出結(jié)果即為該年份的用電量預(yù)測(cè)值。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的最大缺陷在于收斂速度 慢且容易陷入局部最優(yōu)，不能得到全局最優(yōu)解。
[0009]支持向量回歸機(jī)是支持向量機(jī)（Support Vector Machine,簡(jiǎn)稱為SVM)在函數(shù)回 歸領(lǐng)域的應(yīng)用。支持向量回歸算法主要通過使用核函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行升維變換后，在高 維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)線性回歸。支持向量回歸機(jī)的理論建立在統(tǒng)計(jì)學(xué)習(xí)理論 的VC維（Vapnik-Chervonenkis Dimension)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的基礎(chǔ)上，其對(duì)小 樣本數(shù)據(jù)的預(yù)測(cè)性能較好。支持向量回歸機(jī)的主要缺點(diǎn)是對(duì)核函數(shù)和懲罰因子參數(shù)的依賴 性高，參數(shù)選擇的不準(zhǔn)確對(duì)預(yù)測(cè)結(jié)果影響很大。
[0010] 由此可見，在鋼鐵用電影響因素研究方面，對(duì)影響因素的分析不夠全面，指標(biāo)體系 內(nèi)容較為單一，不能達(dá)到精確預(yù)測(cè)鋼鐵用電需求的目的；在預(yù)測(cè)模型方面，傳統(tǒng)預(yù)測(cè)方法模 型簡(jiǎn)單，沒有考慮影響鋼鐵用電的因素，預(yù)測(cè)精度低。而單一智能預(yù)測(cè)方法無論是神經(jīng)網(wǎng)絡(luò) 還是支持向量回歸機(jī)都存在自身的缺點(diǎn)，預(yù)測(cè)精度容易受到外界不確定性因素的干擾。因 此，目前鋼鐵用電預(yù)測(cè)方法不能很好地滿足對(duì)預(yù)測(cè)精度的要求，這將直接影響到電網(wǎng)的經(jīng) 濟(jì)性與合理性規(guī)劃。

【發(fā)明內(nèi)容】

[0011] 本發(fā)明提供了一種鋼鐵用電量的預(yù)測(cè)方法及裝置，以至少解決現(xiàn)有的鋼鐵行業(yè)用 電量預(yù)測(cè)不能很好地滿足預(yù)測(cè)精度要求的問題。
[0012] 根據(jù)本發(fā)明的一個(gè)方面，提供了一種鋼鐵用電量的預(yù)測(cè)方法，包括：獲取待預(yù)測(cè)地 區(qū)在預(yù)設(shè)時(shí)間內(nèi)的鋼鐵歷史數(shù)據(jù)，作為樣本數(shù)據(jù)，其中所述鋼鐵歷史數(shù)據(jù)包括：用電量指標(biāo) 和鋼鐵用電量；對(duì)所述樣本數(shù)據(jù)進(jìn)行無量綱處理，得到歸一化的用電量指標(biāo)和歸一化的鋼 鐵用電量；將所述歸一化的用電量指標(biāo)作為輸入變量，所述歸一化的鋼鐵用電量作為輸出 變量，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型；將所述歸一化的用電量指標(biāo)作為輸入變量，所述 歸一化的鋼鐵用電量作為輸出變量，構(gòu)建支持向量回歸機(jī)模型；對(duì)所述神經(jīng)網(wǎng)絡(luò)模型和所 述支持向量回歸機(jī)模型進(jìn)行組合，得到組合模型，并使用所述組合模型預(yù)測(cè)鋼鐵用電量。
[0013] 在一個(gè)實(shí)施例中，對(duì)所述樣本數(shù)據(jù)進(jìn)行無量綱處理包括：利用極值法公式 A = ,1' 分別對(duì)所述樣本數(shù)據(jù)中的每一個(gè)數(shù)據(jù)行無量綱處理，其中，瓦?表示h 對(duì)應(yīng)的歸一化值，Pmin表不與P !?屬于同一類數(shù)據(jù)的N個(gè)數(shù)據(jù)中的最小值，p max表不與p 于 同一類數(shù)據(jù)的N個(gè)數(shù)據(jù)中的最大值，N表示樣本總數(shù)。
[0014] 在一個(gè)實(shí)施例中，將所述歸一化的用電量指標(biāo)作為輸入變量，所述歸一化的鋼鐵 用電量作為輸出變量，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型包括：設(shè)置所述神經(jīng)網(wǎng)絡(luò)模型的輸 入層、中間層和輸出層，其中，所述輸入層包含的神經(jīng)元個(gè)數(shù)與所述歸一化的用電量指標(biāo)的 類別個(gè)數(shù)相同，所述輸出層包含1個(gè)神經(jīng)元；設(shè)置模型訓(xùn)練參數(shù)，其中，所述模型訓(xùn)練參數(shù) 包括：神經(jīng)元初始權(quán)值和閾值、最大訓(xùn)練數(shù)、學(xué)習(xí)速率、圖像顯示率、期望誤差最小值以及中 間層傳遞函數(shù)；將所述歸一化的用電量指標(biāo)和所述歸一化的鋼鐵用電量輸入到所述神經(jīng)網(wǎng) 絡(luò)模型，進(jìn)行模型訓(xùn)練，直到訓(xùn)練誤差達(dá)到收斂為止；將所述歸一化的用電量指標(biāo)輸入到所 述神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行仿真，將仿真得到的預(yù)測(cè)值與所述歸一化的用電量指標(biāo)對(duì)應(yīng)的實(shí)際 鋼鐵用電量進(jìn)行對(duì)比，得到所述神經(jīng)網(wǎng)絡(luò)模型的第一預(yù)測(cè)誤差。
[0015] 在一個(gè)實(shí)施例中，將所述歸一化的用電量指標(biāo)作為輸入變量，所述歸一化的鋼鐵 用電量作為輸出變量，構(gòu)建支持向量回歸機(jī)模型包括：使用核函數(shù)對(duì)所述歸一化的用電 量指標(biāo)和所述歸一化的鋼鐵用電量進(jìn)行升維變換，并在高維空間構(gòu)造支持向量回歸函數(shù) 少'(夂）=人（AW) + △，得到所述支持向量回歸機(jī)模型；其中，X表不輸入變量，y表不輸出 i=l 變量，K(Xi，x)表示核函數(shù)，Xi表示第i個(gè)樣本的輸入變量，a i表示拉格朗日乘子，b表示 偏置，N表示樣本總數(shù)；將所述歸一化的用電量指標(biāo)輸入到所述支持向量回歸機(jī)模型，進(jìn)行 仿真，將仿真得到的預(yù)測(cè)值與所述歸一化的用電量指標(biāo)對(duì)應(yīng)的實(shí)際鋼鐵用電量進(jìn)行對(duì)比， 得到所述支持向量回歸機(jī)模型的第二預(yù)測(cè)誤差。
[0016]在一個(gè)實(shí)施例中，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型和所述支持向量回歸機(jī)模型進(jìn)行組合，得 到組合模型包括：使用方差-協(xié)方差優(yōu)選組合中的時(shí)變權(quán)法對(duì)所述神經(jīng)網(wǎng)絡(luò)模型和所述支 持向量回歸機(jī)模型進(jìn)行組合，得到所述組合模型：f e= ? w iei+w2e2;其中， f。表示加權(quán)平均的組合預(yù)測(cè)值，e。表示加權(quán)平均的組合預(yù)測(cè)誤差，表示所述神經(jīng)網(wǎng)絡(luò)模 型計(jì)算得到的第一預(yù)測(cè)值，f2表示所述支持向量回歸機(jī)模型計(jì)算得到的第二預(yù)測(cè)值，^表 示所述神經(jīng)網(wǎng)絡(luò)模型的第一預(yù)測(cè)誤差，e 2表示所述支持向量回歸機(jī)模型的第二預(yù)測(cè)誤差， %表示所述神經(jīng)網(wǎng)絡(luò)模型的第一權(quán)系數(shù)，《 2表示所述支持向量回歸機(jī)模型的第二權(quán)系 數(shù)，《1+?2= 1 ;按照以下公式計(jì)算權(quán)系數(shù)《 t
【主權(quán)項(xiàng)】
1. 一種鋼鐵用電量的預(yù)測(cè)方法，其特征在于，包括： 獲取待預(yù)測(cè)地區(qū)在預(yù)設(shè)時(shí)間內(nèi)的鋼鐵歷史數(shù)據(jù)，作為樣本數(shù)據(jù)，其中所述鋼鐵歷史數(shù) 據(jù)包括：用電量指標(biāo)和鋼鐵用電量； 對(duì)所述樣本數(shù)據(jù)進(jìn)行無量綱處理，得到歸一化的用電量指標(biāo)和歸一化的鋼鐵用電量； 將所述歸一化的用電量指標(biāo)作為輸入變量，所述歸一化的鋼鐵用電量作為輸出變量， 進(jìn)行網(wǎng)絡(luò)訓(xùn)練，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型； 將所述歸一化的用電量指標(biāo)作為輸入變量，所述歸一化的鋼鐵用電量作為輸出變量， 構(gòu)建支持向量回歸機(jī)模型； 對(duì)所述神經(jīng)網(wǎng)絡(luò)模型和所述支持向量回歸機(jī)模型進(jìn)行組合，得到組合模型，并使用所 述組合模型預(yù)測(cè)鋼鐵用電量。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，對(duì)所述樣本數(shù)據(jù)進(jìn)行無量綱處理包括： 利用極值法公式
分別對(duì)所述樣本數(shù)據(jù)中的每一個(gè)數(shù)據(jù)IV?行無量綱處 理，其中，氕表示應(yīng)的歸一化值，pmin表示與pJS于同一類數(shù)據(jù)的N個(gè)數(shù)據(jù)中的最小 值，P_表示與PJS于同一類數(shù)據(jù)的N個(gè)數(shù)據(jù)中的最大值，N表示樣本總數(shù)。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述歸一化的用電量指標(biāo)作為輸入變 量，所述歸一化的鋼鐵用電量作為輸出變量，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型包括： 設(shè)置所述神經(jīng)網(wǎng)絡(luò)模型的輸入層、中間層和輸出層，其中，所述輸入層包含的神經(jīng)元個(gè) 數(shù)與所述歸一化的用電量指標(biāo)的類別個(gè)數(shù)相同，所述輸出層包含1個(gè)神經(jīng)元； 設(shè)置模型訓(xùn)練參數(shù)，其中