一种工业蒸汽末端消费量预测模型建立、预测方法及系统

摘要

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。

说明书

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'

式中，y'

步骤3.2，构建时间特征数据集{O'

式中，o'

步骤3.3，对步骤3.2的时间特征数据集中的o'

步骤3.4，将{O

步骤3.5，删除数据集L′中含有缺失值所在行的数据，得到数据集L；

步骤4，将数据集L中的y'

具体的，所述步骤2中异常值的处理方法为：首先将数据中大于设定阈值的数值设置为缺失值，然后根据3σ准则将异常值设置为缺失值。

具体的，所述步骤2中缺失值填充方法为：若连续缺失两个或两个值以上，则不作处理，缺失值保留；否则，采用滑动平均窗口法取缺失值前后各2～5个值的均值作为此处的缺失值进行填充。

优选的，所述步骤3.5中，在删除数据集L′中含有缺失值所在行的数据后，还对数据集进行归一化处理，数据归一化为[0,1]。

具体的，所述的神经网络模型的结构包括依次连接的GRU层、Dropout层、2个LSTM层和2个Dense层。

本发明还公开了一种工业蒸汽末端消费量的预测模型建立系统，包括：

数据采集模块，用于以小时为单位采集蒸汽消费量数据，得到数据序列；

数据预处理模块，用于将数据序列中的异常值设置为缺失值，并填充数据序列中的缺失值；

数据计算模块，用于计算相邻时刻的蒸汽消费量之差，以及将t时刻在一天、一周、一个月或一年中的位置用不同的数字表示；

模型训练模块，用于根据数据计算模块得到的数值对神经网络模型进行训练，得到预测模型。

具体的，所述神经网络模型的结构包括依次连接的GRU层、Dropout层、2个LSTM层和2个Dense层。

本发明还公开了一种工业蒸汽末端消费量的预测方法，包括：

步骤1，以小时为单位采集不同时刻的蒸汽消费量数据；

步骤2，根据本上述记载的步骤2对蒸汽消费量数据进行处理；然后计算{o

步骤3，将步骤2中得到的o'

本发明还公开了一种工业蒸汽末端消费量的预测系统，包括数据采集模块、数据处理模块和预测模块；

所述数据采集模块用于以小时为单位采集不同时刻的蒸汽消费量数据；

所述数据处理模块用于对数据采集模块的蒸汽消费量数据进行处理；计算{o

所述预测模块用于将数据处理模块得到的数据值输入预测模型中，对未来时刻蒸汽消费量进行预测。

与现有技术相比，本发明的有益效果是：

(1)本发明的数据采集思路充分考虑了数据的时间特征，采用该数据训练后的模型检测精度高；

(2)本发明基于循环神经网络模型的对工业蒸汽消费量进行预测，根据对历史蒸汽消费量进行建模，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。

附图说明

图1是本发明的预测模型的获取过程以及锅炉的调控思路。

图2是本发明实施例中预测模型进行未来24小时蒸汽消费量预测结果图。

具体实施方式

本发明中所述的“时间特征”是指某个时刻在一天中、一周中、一个月、一年中的位置，并将其用不同的数字代表。

以下给出本发明的具体实施方案，需要说明的是，本发明并不局限于以下具体实施方案，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。

实施例1

本实施例公开了一种工业蒸汽末端消费量的预测模型建立方法，该方法包括以下步骤：

步骤1，制作样本数据集：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；本步骤中蒸汽消费量数据是有系统采集的历史蒸汽消费量数据。

本实施例中，采集咸阳某热电厂的历史蒸汽消费数据，该热电厂的蒸汽消费端包括7家企业，从监测系统的数据库中提取了2019年4月1日到5月30日期间的蒸汽消费量数据，组成小时级的历史蒸汽消费量数据序列，共计1349个历史数据。

步骤2，数据预处理：若数据中存在数据缺失时，需要对缺失值进行填充，然后再对填充缺失值后的整体数据的异常值进行处理，得到预处理后的数据。

异常值检测方法为：首先，将数据中大于设定阈值的数值设置为缺失值NaN，本实施例中筛选出不在[0,60]范围内的数据；

然后，根据3σ准则处理异常值，具体为：

用贝塞尔公式

将所有检测到的异常值视为缺失值NaN，按照缺失值处理方法进行处理。

作为本实施例的优选方案，缺失值填充方法为：首先检测缺失值NaN的数量，若该组数据存在连续缺失两个或两个值以上，则不做处理，缺失值保留为NaN；否则，采用滑动平均窗口法取缺失值前后各2～5个值的均值作为此处的缺失值进行填充。本实施例中取缺失值前后各3个值，如序列{x

步骤3，根据处理后的数据和时间特征构建数据集，本实施例具体包括以下步骤：

步骤3.1，根据处理后的数据构建数据集{X'

式中，y'

步骤3.2，根据需要预测的时刻(如t时刻)生成系列特征构建数据集{O'

式中，o'

步骤3.3，对步骤3.2的时刻特征数据集o'

步骤3.4，将{O

步骤3.5，删除L′中含有缺失值NaN所在行的数据，得到数据集L；

作为优选方案，上述步骤3.5还包括：对删除含有缺失值NaN所在行后的数据进行归一化处理，数据归一化为[0,1]。

本实施优选的，归一化公式为：

其中，X

经过上述处理后得到的样本数据集，包含1315条数据。将该样本集分为训练集、验证集和测试集，分别包括850条、300条和165条数据。

步骤4，将步骤3经过归一化后的数据集中的y'

本实施例中的构建的神经网络结构依次由以下6层构成：

GRU层：units数量为100，激活函数为relu函数：f(x)＝max(0,x)，x为输入的数据，GRU作为LSTM的一种变体，比LSTM层结构更简单，训练效率更高；

Dropout层：在训练时，每个神经单元以0.1的概率被丢弃，避免在给定的训练集上，可能发生有些中间输出只依赖某些神经元的情况，造成对训练集的过拟合，随机关掉一些神经元，可以让更多神经元参与到最终的输出当中。

2个LSTM层：units数量为64，激活函数为tanh函数：

2个Dense层：units数量分别为32和1；

损失函数为MAE：

使用本实施例的850条训练集和300条验证集数据对模型进行训练，得到训练后的预测模型。

实施例2

本实施例公开了一种工业蒸汽末端消费量的预测方法，采用实施例1获得的模型对未来某一时刻的蒸汽消费量进行预测，根据数据集L可知，预测模型输入端需要知晓预测当天前一天的蒸汽消费量，因此本发明方法可以预测第二天的蒸汽消费量。本实施例的预测方法具体为：

步骤1，本实施例中的数据为实施例1的测试集的165条数据。根据实施例1中步骤1至步骤2的方法采集数据并对数据进行异常值和缺失值处理；计算{o

步骤2，将步骤1中得到的数据按照实施例1步骤3.3至步骤3.5的one-hot编码、数据拼接后，输入到实施例1的得到的预测模型中，得到需要预测的蒸汽消费量y'

本实施例中，将采用预测模型得到的蒸汽消费量的数值与测试集中实际采集的数据进行比较，如图1所示为本实施例模型进行未来24小时蒸汽消费量预测值与实际值对比图。预测值与实际值平均绝对误差MAE为2.4。

实施例3

本实施例公开了一种工业蒸汽末端消费量的预测模型建立系统，包括数据采集模块、数据预处理模块、数据计算模块和模型训练模块。

其中，数据采集模块用于以小时为单位采集蒸汽消费量数据，得到数据序列，实际生产中锅炉的DCS系统会实时对蒸汽消费量进行保存；数据预处理模块用于将数据序列中的异常值设置为缺失值NaN，并填充数据序列中的缺失值；具体填充和去除过程见实施例1步骤2的详细记载；数据计算模块用于计算相邻时刻的蒸汽消费量之差，如步骤3中t-1时刻蒸汽消费量与t-2时刻蒸汽消费量之差，以及将t时刻在一天、一周、一个月或一年中的位置用不同的数字表示，具体表达形式见实施例1步骤3所示；模型训练模块用于根据数据计算模块得到的数值对神经网络模型进行训练，得到预测模型。本实施例的模型训练模块中神经网络模型的结构包括依次连接的GRU层、Dropout层、2个LSTM层和2个Dense层。

实施例4

本实施例公开了一种工业蒸汽末端消费量的预测系统，包括数据采集模块、数据处理模块和预测模块，其中，

数据采集模块用于以小时为单位采集不同时刻的蒸汽消费量数据，采集手段同实施例3；数据处理模块用于对数据采集模块的蒸汽消费量数据进行预处理，处理异常值并填充缺失值，同时该模块还要计算{o

本发明的方法和系统可以根据预测的蒸汽消费量，提前对锅炉进行主动的调控，图1所示，避免能源浪费或供汽不足的现象。