一种电厂实时负荷在线预测方法
【技术领域】
[0001] 本发明涉及电厂数据预测技术领域，具体涉及一种电厂实时负荷在线预测方法。
【背景技术】
[0002] 火电机组的实时数据记录了电厂设备和操作运行人员的操作过程，为电厂的运 行、检修和事故处理提供重要决策依据。这些数据对提高电厂的生产效率、经济安全性有 积极指导意义，同时也有助于提升电厂的运行优化、故障诊断以及状态检修技术。随着电站 SIS和MIS的发展，大量历史数据被存入数据库，也给数据的存储和分析带来困难。研究火 电机组重要参数实时数据的整体特征、发展趋势等问题，对决策制定，预警具有重要的参考 价值，也对优化电厂生产计划与运行调度、提高企业能效和经济效益、故障诊断与维护等方 面、增强电力企业的市场竞争力具有积极意义。如何有效利用数据信息，充分借鉴新信息 优先原则，避免使用过多历史数据带来运算量大等和复杂度高等问题显得尤为重要，此外， 由于受电网调度控制、参数相互制约等因素限制，各种数据参数容易波动，也给预测带来困 难。在众多火电机组重要数据参数中，实时负荷反映了电厂发电量的重要指标，是机组调节 和控制设备运行状态的重要参数。因此，准确预测实时负荷对电厂的生产运行调度具有重 要的指导作用，有利于节煤、节油和降低发电成本、合理安排机组检修计划，同时也对设备 的正常运行起到辅助监测作用。
[0003] 实时负荷预测的核心在于预测模型。目前，比较常见的发展预测如回归分析法、统 计分析法、贝叶斯法、神经网络预测法、支持向量机法、灰色模型法、AR(自回归），MA(移动 平均），ARMA(自回归移动平均），ARIMA(自回归移动平均）模型，混沌时间序列预测、小波 分析等。这些方法具有一定的适用条件，在建模和预测过程中普遍存在建模手段单一，参数 物理意义不清晰，扩展性不强等问题。灰色理论着重研究"小样本，贫信息不确定"等问题， 可有效应用于数据量不多的情况中。
【发明内容】
[0004] 针对现有技术存在的问题，本发明提供一种电厂实时负荷在线预测方法。
[0005] 本发明的技术方案是：
[0006] 一种电厂实时负荷在线预测方法，包括以下步骤：
[0007] 步骤1、实时采集电厂当前时刻负荷数据，并获取历史时刻电厂负荷数据，进行分 数阶累加预处理；
[0008] 步骤1. 1、实时采集电厂当前时刻负荷数据，该电厂当前时刻负荷数据与历史时刻 电厂负荷数据，生成小样本的原始数据非负序列；
[0009] 步骤1. 2、利用欧拉Gamma函数描述分数阶累加算子，进行原始数据非负序列的分 数阶累加，得到电厂负荷原始数据分数阶累加生成序列；
[0010] 步骤2、利用分数阶累加预处理得到的电厂负荷原始数据分数阶累加生成序列，建 立预测电厂负荷数据的分数阶累加GM(1，1)模型，即电厂负荷数据预测模型，将电厂负荷 原始数据分数阶累加生成序列作为分数阶累加GM(1，1)模型的输入，电厂当前时刻负荷数 据、历史时刻电厂负荷数据与下一时刻电厂负荷数据分数阶累加生成序列，作为分数阶累 加GM(1，1)模型的输出；
[0011] 步骤3、利用电厂负荷数据预测模型对下一时刻电厂负荷数据进行实时预测；
[0012] 步骤4、对下一时刻电厂负荷数据实时预测结果进行修正。
[0013]所述步骤2包括以下步骤：
[0014] 步骤2. 1、建立预测电厂负荷数据的分数阶累加GM(1，1)模型：将电厂负荷原始 数据分数阶累加生成序列作为分数阶累加GM(1，1)模型的输入，电厂当前时刻负荷数据、 历史时刻电厂负荷数据与下一时刻电厂负荷数据分数阶累加生成序列，作为分数阶累加 GM(1，1)模型的输出；
[0015] 步骤2. 2、利用最小二乘法，基于电厂负荷原始数据分数阶累加生成序列估计分数 阶累加GM(1，1)模型中的参数；
[0016] 步骤2. 3、对电厂负荷原始数据分数阶累加生成序列建立分数阶累加GM(1，1)模 型，进行分数阶累加GM(1，1)模型误差分析，利用遗传算法寻找最优阶次；
[0017] 步骤2. 4、建立最优阶次的分数阶累加GM(1，1)模型即电厂负荷数据预测模型。
[0018]所述步骤3包括以下步骤：
[0019] 步骤3. 1、利用电厂负荷数据预测模型，预测出电厂当前时刻负荷数据、历史时刻 电厂负荷数据与下一时刻电厂负荷数据分数阶累加生成序列；
[0020] 步骤3. 2、将电厂当前时刻负荷数据、历史时刻电厂负荷数据与下一时刻电厂负 荷数据分数阶累加生成序列还原成原始数据非负序列形式，得出电厂负荷数据实时预测结 果。
[0021 ] 所述步骤4包括以下步骤：
[0022] 步骤4. 1、使用傅里叶级数提取残差序列的周期性信息；
[0023] 步骤4. 1. 1、利用电厂负荷数据预测模型得出历史时刻电厂负荷数据的估计序 列；
[0024] 步骤4. 1. 2、将历史时刻电厂负荷数据与历史时刻电厂负荷数据的估计序列之差， 作为残差序列；
[0025] 步骤4. 1. 3、使用傅里叶级数提取残差序列的周期性信息；
[0026] 步骤4. 2、利用残差序列的周期性信息对下一时刻电厂负荷数据实时预测结果进 行修正，将下一时刻电厂负荷数据实时预测结果中相应的该周期性信息剔除，得到最终的 下一时刻电厂负荷数据实时预测结果。
[0027] 所述步骤2. 3包括以下步骤：
[0028] 步骤2.3. 1、对历史时刻电厂负荷数据分数阶累加生成序列建立分数阶累加 GM(1，1)模型；
[0029] 步骤2. 3. 2、进行电厂负荷数据预测模型误差分析，得到分数阶累加GM(1，1)模型 的相对误差序列；
[0030] 步骤2. 3. 3、将分数阶累加GM(1，1)模型的相对误差序列的平均值作为分数阶次 优化的目标值；
[0031] 步骤2. 3. 4、利用遗传算法寻找最优阶次。
[0032] 有益效果：
[0033] 本发明利用传感器通过网络收集机组现场在线运行数据，根据预测电厂负荷数据 的分数阶累加GM(1，1)模型对下一时刻电厂实时负荷数据进行预测，并通过网络传回给监 控级设备中去，再由监控设备传递给机组运行人员。本发明对电厂负荷原始数据分数阶累 加生成序列建立分数阶累加GM(1，1)模型，进行分数阶累加GM(1，1)模型误差分析，利用遗 传算法寻找最优分数阶阶次；利用最优阶次的分数阶累加GM(1，1)模型对下一时刻电厂实 时负荷数据进行实时预测。由于预测结果实时显示在监控级设备中并传递给机组运行人 员，可以方便机组人员随时观察及分析数据，对于异常预测数据提前启动预警措施，提高机 组运行在线控制的精细化水平，降低不必要的能源和设备调整的经济损失，有利于企业对 生产计划、调度和控制等做好准备工作。
[0034] 本发明采用预测电厂实时负荷数据的分数阶累加GM(1，1)模型，建模过程中采用 小样本的历史数据，避免数据量大带来的存储、运算及复杂度问题，有效提高数据的利用 率，同时其中间数据参数分析及结果具有高度的可理解性，方便机组运行人员分析与理解， 由于采用数据的实时在线滚动更新，本发明尤其适用于小样本数据的建模和预测，具有模 型灵活、适用范围广、解释程度高、模型建模准确度好及预测精度高等特点，可广泛应用于 电厂数据的预测、分析与控制中，也可应用于其它小样本的短期数据预测、模型的寻优、数 据的预处理中和结果校正等相关问题中。
【附图说明】
[0035] 图1(a)~（b)是本发明【具体实施方式】的分数阶累加权重因子随阶次的变化规 律；
[0036] 图2是本发明【具体实施方式】的某分数阶累加生成序列；
[0037] 图3是本发明【具体实施方式】不同阶次的电厂负荷原始数据分数阶累加生成序列；
[0038] 图4是本发明【具体实施方式】中历史时刻电厂负荷数据不同阶次的分数阶累加 GM(1，1)模型的分析结果，（a)是历史时刻电厂负荷数据不同阶次的分数阶累加GM(1，1)模 型的估计序列，（b)历史时刻电厂负荷数据不同阶次的分数阶累加GM(1，1)模型的误差分 析结果；
[0039] 图5是本发明【具体实施方式】的电厂负荷数据的分数阶累加GM(1，1)模型预测分析 结果，（a)是最优阶次的分数阶累加GM(1，1)模型估计序列，（b)是最优阶次的分数阶累加 GM(1，1)模型的误差分析结果；
[0040] 图6是本发明【具体实施方式】中基于