[发明专利]基于Box_cox变换和UFCNN的供热负荷预测方法及系统

说明书

本发明公开了一种基于Box_cox变换和UFCNN的供热负荷预测方法及系统，其中，该方法包括确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；对样本数据集中每个样本的输入和输出数据均进行Box‑Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；将待预测数据输入UFCNN，计算出与Box‑Cox变换同量纲的供热负荷预测结果；对与Box‑Cox变换同量纲的供热负荷预测结果进行逆Box‑Cox变换，得出最终的供热负荷预测值。本发明能够纠正供热负荷数据的偏态分布，使其更符合正态分布形式，从而提高数据预测的准确性。

技术领域

本发明属于电力行业供热负荷预测领域，尤其涉及一种基于Box_cox变换和UFCNN的供热负荷预测方法及系统。

背景技术

燃煤热电联产机组的主要特征是发电机组既生产电能，又利用汽轮发电机做过功的蒸汽对用户进行供热。因此，在北方的采暖季中，燃煤热电联产机组主要承担着对特定地区内居民集中供暖的主要工作。目前，国家规定的热电联产电厂的运行原则是“以热定电”，即：热电厂应根据热负荷的需要，确定最佳运行方案，并以满足热负荷的需要为主要目标。地区电力管理部门在制定热电厂电力调度曲线时，必须充分考虑供热负荷曲线和节能因素，不得以电量指标限制热电厂对外供热。因此，对地区供热负荷进行准确预测，既有助于电网公司合理安排电厂发电，优化分配当地电源资源，提升机网协调水平，也有助于电厂优化发电管理，提高发电效率。

供热负荷主要受当地气温、气候、风速等天气因素影响，且具有数据量大、随机性高、变化快的特点。目前，已有供热负荷预测的方法主要有回归、时间序列、灰色模型、BP神经网络预测法以及支持向量机法等。这些方法都属于浅层学习方法，无法深入挖掘供热负荷数据的随机性和非线性特征。

例如：利用深度学习方法对时间序列数据进行预测时往往采用循环神经网络结构(RNN)。其中：长短期记忆循环神经网络(以下简称“LSTM_RNN”)是近些年深度学习领域中经常被用于时间序列预测的深度学习模型。虽然LSTM_RNN能够通过引入控制门来缓解训练过程中的梯度消失问题，但多层LSTM模型也无法完全避免上述问题。此外，由于LSTM模型结构复杂，随着网络层数的增加，训练参数也会呈现指数上升，这会大大消耗计算资源，显著提高网络训练速度，降低使用效率。

卷积神经网络(CNN)，是一种可以高效地进行图像识别的前馈人工神经网络。受到生物脑皮层神经结构和特征识别过程的启发，CNN网络具备局部感受野、权值共享以及池化(也称为下采样)三个主要特征。其中：局部感受野是指在图像识别的过程中，每个隐层节点只连接到图像中某一部分的像素点上，即用小维度的窗口(也称为卷积核)来对图像进行扫描；权值共享是指同一个卷积核内，所有的神经元的权值是相同的，不同的区域通过共同的参数来识别，这样可以减少参数的数量；池化是指每次将原图像卷积后，都通过一个取最大(最小)或者取平均运算来缩小卷积后得到的图形尺寸的过程。由于对图像的分类过程是一个从具体到抽象的过程，因此虽然CNN中的池化过程能够有效地总结并提取输入对象的核心特征以提高分类的效率，但并不适用于时间序列的预测过程。这是因为对于时间序列预测而言，输入数据和输出数据都要求具有同样的频率，而不是一个单纯的抽象化过程。此外，由于CNN在的卷积核在扫描过的相邻像素块基本上是重复的，因此这种计算也有很大程度上的重复。

最后，供热机组的负荷在大部分时间里维持某一固定的高位区间段内运行，只有少部分时间里当外部环境发生突发性变化时才出现负荷的明显变化，且变化的方向主要是降低负荷，因此供热负荷数据在分布上具有左偏的特征。这会影响数据预测的准确性，需要对其进行变换以使数据具备正态分布的特征。

综上所述，传统供热预测方法难以深入挖掘数据，最终使供热预测精度不高以及LSTM网络训练速度慢，预测过程中占用资源偏高。

发明内容