[发明专利]一种工业蒸汽末端消费量预测模型建立、预测方法及系统

说明书

本发明公开了一种工业蒸汽末端消费量预测模型建立、预测方法及系统，首先采集数据，对数据进行预处理；然后根据处理后的数据和时间特征构建数据集，将数据集中的y'_t1作为神经网络模型的输出，除y'_t1以外的其他值作为输入训练神经网络模型，得到预测模型；对于需要预测的未来时刻，将前期采集的数据属于该预测模型中，即可得到该未来时刻的蒸汽消费量。本发明的数据采集思路充分考虑了数据的时间特征，对未来一段时间的蒸汽消费量进行有效预测，能够提前对锅炉进行调控，达到优化锅炉运行的目的；同时通过主动调控，能够有效避免能源浪费和供汽不足的现象，实现节能减排；帮助解决锅炉被动调控手段导致的反馈不及时、调控迟缓的问题。

技术领域

本发明属于能源预测技术领域，涉及一种工业蒸汽末端消费量预测模型建立、预测方法及系统。

背景技术

传统的工业蒸汽量预测主要集中在生产端，通过分析锅炉历史工况数据和生产的蒸汽量之间的相关性预测蒸汽的产生量，对于末端(即消费端)所需的蒸汽量关注很少，实际上消费端的工业蒸汽的预测对于热电厂的安全经济运行有重要的意义，但是相对于生产端的蒸汽数据，消费端的数据质量更差，不可预测性更强，技术要求更高。

传统锅炉控制方法主要是基于PID的反馈控制，属于被动调控，一方面可能因蒸汽需求突然增加，而燃烧调节时滞性大，负荷跟随有延迟，影响蒸汽品质，并出现供汽不足，另一方面可能出现蒸汽供应过量的现象。如果能够提前预测未来需要的蒸汽消费量，就能够提前进行锅炉之间的负荷分配，实现锅炉的优化运行，解决反馈不及时的问题。

蒸汽消费量本身就受到多种因素的影响，包括天气等自然因素、节假日等重要日期、消费端工业自身的生产特点和工厂操作人员的操作习惯等，影响因素复杂，因此很难建立具体的数学模型来预测消费量的变化趋势。传统的预测技术主要基于统计理论分析的时间序列方法，适用于消费量有明显变化规律的情况，结构简单，但是在特征提取方面存在短板，预测效果一般，如常用的SVM只适合处理小样本问题，迭代收敛慢。现代的预测方法主要应用了人工智能领域相关的成果，在复杂系统中具有更好的通用性和实用性。蒸汽消费本身就存在明显的时序性，因此长短期记忆网络(LSTM)也被广泛地应用到能源需求预测中，但是简单地使用LSTM模型并不能充分挖掘出消费量变化的时序特点，模型预测精度低。若能通过准确预测未来蒸汽消费量的变化趋势，能够转被动调控为主动调控，避免能源浪费。

发明内容

为解决现有技术中存在的不足，本发明提供了一种工业蒸汽末端消费量预测模型建立、预测方法及系统，解决现有预测方法精度不高的问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：

一种工业蒸汽末端消费量的预测模型建立方法，其特征在于，包括：

步骤1，以小时为单位采集蒸汽消费量数据，得到小时级的数据序列；

步骤2，将数据序列中的异常值设置为缺失值NaN，然后填充数据序列中的缺失值，得到预处理后的数据；

步骤3，根据处理后的数据和时间特征构建数据集L，包括：

步骤3.1，根据处理后的数据构建数据集{X'_T}，

式中，y'_t1为t时刻的蒸汽消费量，x'_t7为t-1时刻的蒸汽消费量，x'_t6为t-2时刻的蒸汽消费量，x'_t5为t-3时刻的蒸汽消费量，x'_t4为t-4时刻的蒸汽消费量，x'_t3为t-5时刻的蒸汽消费量，x'_t2为t-24时刻的蒸汽消费量，x'_t1为t-1时刻蒸汽消费量与t-2时刻蒸汽消费量之差；

步骤3.2，构建时间特征数据集{O'_T}，