[发明专利]一种蒸汽负荷预测方法、系统、电子设备及介质

权利要求书

1.一种蒸汽负荷预测方法，其特征在于，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；

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；所述负荷预测模型是基于历史时段的蒸汽负荷序列和历史时段的外部因素数据，采用自适应粒子群算法对多层神经网络模型中的参数进行优化得到的；

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；所述权重值是根据自适应粒子群算法进行寻优确定的。

2.根据权利要求1所述的一种蒸汽负荷预测方法，其特征在于，所述分量预测模型的确定方法为：

获取历史时段的蒸汽负荷序列；

将历史时段的蒸汽负荷序列划分为第一训练集和第一测试集；

构建n+1个BP神经网络；

对所述第一训练集和所述第一测试集分别进行经验模态分解，得到训练分量集和测试分量集；

将所述训练分量集中的每个分量对应输入一个BP神经网络中进行训练，得到n+1个训练好的BP神经网络；

将所述测试分量集中的每个分量对应输入一个训练好的BP神经网络中进行参数调整，得到n+1个预测网络；

将n+1个预测网络确定为所述分量预测模型。

3.根据权利要求1所述的一种蒸汽负荷预测方法，其特征在于，所述负荷预测模型的确定方法为：

获取历史数据；所述历史数据，包括：历史时段的蒸汽负荷序列和历史时段的外部因素数据；

将所述历史数据划分为第二训练集和第二测试集；

构建多层神经网络模型；所述多层神经网络模型，包括：依次连接的第一层门控神经网络、第二层门控神经网络、融合层、连接层和输出层；

将所述第二训练集中的蒸汽负荷序列作为所述多层神经网络模型中第一层门控神经网络的输入，将所述第二训练集中的外部因素数据作为所述多层神经网络模型中融合层的输入，并采用自适应粒子群算法对所述多层神经网络模型中的参数进行训练优化，得到训练好的多层神经网络模型；

将所述第二测试集中的蒸汽负荷序列作为训练好的多层神经网络模型中第一层门控神经网络的输入，将所述第二测试集中的外部因素数据作为训练好的多层神经网络模型中融合层的输入，对训练好的多层神经网络模型的参数进行调整，得到所述负荷预测模型。

4.根据权利要求1所述的一种蒸汽负荷预测方法，其特征在于，所述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，具体包括：

在当前时段的蒸汽负荷序列中依次增加不同的正太分布白噪声序列，得到每一次加噪后的蒸汽负荷序列；

对每一次加噪后的蒸汽负荷序列均进行经验模态分解，得到每一次加噪后对应的n个内涵模态分量和一个残余趋势分量；

对每一次加噪后对应的n个内涵模态分量和一个残余趋势分量进行集成平均处理，得到当前时段的n个内涵模态分量和一个残余趋势分量。

5.根据权利要求1所述的一种蒸汽负荷预测方法，其特征在于，所述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，具体包括：

获取当前时段的原始数据；所述原始数据包括原始蒸汽负荷序列和原始外部因素数据；

采用拉格朗日法对当前时段的原始数据进行异常值和缺失值的修正，得到当前时段的修正数据；

对当前时段的修正数据进行归一化操作，得到当前时段的蒸汽负荷序列和当前时段的外部因素数据。