CN119397412A 一种火电厂负荷的预测方法及系统 （陕西君创智盈能源科技有限公司）

2境参数数据以及电网调度数据；对实时运行数据进行基于时间序列插值法的数据缺失处步骤S3：基于时间特征数据构建多层次负荷预测模基于随机森林的短期预测模型、基于XGBoost的中期预测模型以及基于长短期记忆网络的步骤S4：利用负荷预测模型根据预获取的当前运行数据步骤S5：当突变工况特征向量中任一参数的变化率超过步骤S163：对单一标记异常数据进行与前后时间窗口的3步骤S164：根据标记异常检测数据对单一标记异常数步骤S166：根据综合异常值数据对完整运行数据进行期预测采用随机森林算法，中期预测采用XGBoost算法，长期预测采用长短期记忆网络算步骤S33：利用网格搜索法根据模型训练数据中的训练集对多层次负荷预测模型中各步骤S35：基于模型训练数据中的验证集对优化预测模型进行各子模型在不同预测时步骤S36：根据模型评估数据以及特征权重数据进行基于自适应权重分配方法的各子利用网格搜索法根据模型训练数据对多层次负荷预测模型中各预测子模型的超参数4步骤S42：利用负荷预测模型对当前运行数据进行基于不同预测周期需求的对应的预步骤S431：根据当前运行数据进行发电机组输出功率步骤S432：根据当前运行数据进行基于主蒸汽压力、步骤S433：根据当前运行数据进行电网频率的实时间特征提取模块，用于对运行预处理数据进行预测模型构建模块，用于基于时间特征数据构建多层次负荷预测模型，其荷预测模型包括基于随机森林的短期预测模型、基于XGBoost的中期预测模型以及基于长5实时负荷预测模块，用于利用负荷预测模型根据预获取的当前运行数据进行负荷预自适应预测调整模块，用于当突变工况特征向量中任一参数的变化率超过预设阈值6包括基于随机森林的短期预测模型、基于XGBoost的中期预测模型以及基于长短期记忆网模型进行权重自适应调整，并根据调整后的权重系数对各模型的预测结果进行加权融合，7自适应机制提升了模型在突发状况下的预测准确性，确保了负荷预测的稳健性和实时性。次负荷预测模型包括基于随机森林的短期预测模型、基于XGBoost的中期预测模型以及基于长短期记忆网络的长期预测模型；利用运行预处理数据对多层次负荷预测模型进行训8术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范9包括基于随机森林的短期预测模型、基于XGBoost的中期预测模型以及基于长短期记忆网LSTM的隐藏层数量1_3等。根据验证集的预测精度评估各模型在不同时间尺度特征上的权模型进行权重自适应调整，并根据调整后的权重系数对各模型的预测结果进行加权融合，[0018]本发明实施例将步骤S4获得的突变工况特征向量中的参数变化率与预设阈值进[0025]本发明实施例对步骤S15生成的实时运行数据执行数据缺失处理，采用时间序列本发明实施例利用数据完整性检查模块对实时运行数据中的每一数据点进行缺[0028]步骤S162：对完整运行数据进行基于Z_score方法以及隔离森林算法的异常值检本发明实施例根据标记异常检测数据，对单一标记异常数据点进行进一步筛选。[0031]步骤S165：将复合标记异常数据以及异常值标记筛选数据合并为综合异常值数本发明实施例将复合标记异常数据与异常值标记筛选数据合并为综合异常值数反映该时间段内负荷的平均水平；同时计算该小时内起始负荷与结束负荷之间的变化率，有助于捕捉日内负荷的短期变化情况，为负荷预测模型提供反映负荷动态变化的精确数发现不同时间段的负荷压力。日负荷率和日峰谷差有助于评估一天内负荷的分布与波动。可以捕捉到负荷在不同星期的周期性变化情况，从而了解不同周次之间的负荷波动和趋[0044]步骤S33：利用网格搜索法根据模型训练数据中的训练集对多层次负荷预测模型本发明实施例采用网格搜索法对多层次负荷预测模型中各子模型的超参数进行得特征的重要性排序，例如随机森林和XGBoost可以通过特征在树中的分裂次数和分裂增[0046]步骤S35：基于模型训练数据中的验证集对优化预测模型进行各子模型在不同预[0047]步骤S36：根据模型评估数据以及特征权重数据进行基于自适应权重分配方法的[0050]本发明通过分别采用适合不同时间尺度预测的算法（随机森林用于短期预测、还使得模型能够更灵活地应对不同负荷预测周期的变化。这些步骤有助于生成一个准确、高效且具有高度适应性的负荷预测模型，为电力系统的调度和管理提供强有力的数据支利用网格搜索法根据模型训练数据对多层次负荷预测模型中各预测子模型的超逐一遍历各参数组合，针对每一组参数在训练集上训练模型并在验证集上评估预测效果，选取最优的均方误差对应的参数组合，最终确定LSTM的最佳超参数组合。此优化步骤使可以在随机森林模型中控制模型的复杂性。增加树的数量可以提高模型的稳定性和准确型的容量和复杂度。增加隐藏层数量可以使网络更有能力捕捉更深层次的时间序列特征，本发明实施例获取火电厂当前运行数据，需从多个监控系统采集关键实时参数。[0055]步骤S42：利用负荷预测模型对当前运行数据进行基于不同预测周期需求的对应本发明实施例利用负荷预测模型对当前运行数据进行基于不同预测周期需求的型协同工作的方式使得预测结果在不同周期下更加精确；随机森林快速处理近期负荷波本发明实施例通过获取环境温度的动态变化信息，对温度数据进行多维度分析。识别电网是否处于正常运行状态。频率偏差率和变化速率提供了电网频率变化的定量特频率波动导致的电力设备不稳定或停运。频率特征数据可以为突变工况检测提供重要线本发明实施例通过将突变工况特征向量中的各参数变化率与其对应的预设阈值[0070]本发明实施例根据优化后的模型融合权重数据对初始预测结果数据进行加权融测结果通常已经经过优化，因此直接使用初始预测结果能保证负荷预测的高效性和精度，次负荷预测模型包括基于随机森林的短期预测模型、基于XGBoost的中期预测模型以及基于长短期记忆网络的长期预测模型；利用运行预处理数据对多层次负荷预测模型进行训[0074]以上所述仅是本发