本發(fā)明屬于發(fā)電供熱預測，具體涉及一種基于神經互信息修正的火電廠供熱量預測方法及系統(tǒng)。

背景技術：

1、本部分的陳述僅僅是提供了與本發(fā)明相關的背景技術信息，不必然構成在先技術。

2、燃煤熱電聯(lián)產機組的主要特征是發(fā)電機組既生產電能，又利用汽輪發(fā)電機做過功的蒸汽對用戶進行供熱。目前，對于缺少水電和燃氣機組的北方地區(qū)，在采暖期間，電力系統(tǒng)不僅存在新能源消納問題，系統(tǒng)中大多數(shù)火電機組還同時肩負著電力和熱力供應任務，存在著“以熱定電”的工況約束。采暖季的調峰能力受到嚴重制約，部分供熱量大的機組甚至無法調峰，而此時風電出力卻顯著增加，“風熱沖突”加劇了調峰難度。因此，對電廠采暖供熱量(簡稱“供熱量”)進行準確預測，既有助于電網公司合理安排電廠日次發(fā)電計劃，優(yōu)化分配當?shù)仉娫促Y源，科學消納新能源出力，也有助于電廠優(yōu)化發(fā)電運行管理，提高發(fā)電效率和經濟效益。

3、供熱量主要受當?shù)貧鉁?、氣候、風速等天氣因素影響，且具有數(shù)據(jù)量大、隨機性高、變化快的特點。目前，己有預的測方法主要有回歸、時間序列，小波分析、灰色模型以及支持向量機法等。這些方法受限于模型容量不足，無法對歷史數(shù)據(jù)的波動特征進行充分挖掘，進而影響了預測效果。在深度學習模型中，長短期記憶(lstm)模型也被用于供熱量預測，但對于更長的時間序列，lstm模型很難學習和保存有效的信息。同時，由于模型由輸入門、遺忘門和輸出門3部分組成，這導致了模型中參數(shù)過多，模型在訓練的過程中會出現(xiàn)梯度消失的問題。此外，現(xiàn)有模型也沒有納入歷史天氣與供熱量之間的數(shù)據(jù)關聯(lián)程度，進而無法考慮到數(shù)據(jù)特征之間的互信息水平在訓練過程中對模型參數(shù)的影響。

4、綜上所述，現(xiàn)有的發(fā)電廠供熱量預測方法存在對歷史數(shù)據(jù)的波動特征挖掘不夠的現(xiàn)象，且無法考慮到數(shù)據(jù)特征之間的互信息水平在預測模型訓練過程中對參數(shù)的影響。

技術實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于神經互信息修正的火電廠供熱量預測方法及系統(tǒng)，本發(fā)明建立了以門控循環(huán)單元(gated?recurrent?unit,gru)為基本計算單元的序列到序列(sequence?to?sequence,seq2seq)模型，取代了參數(shù)較多的lstm計算單元，減少了模型的訓練參數(shù)，將權重結果納入到解碼階段的每步計算過程中，充分考慮了歷史供熱量和天氣數(shù)據(jù)對預測供熱量的不同影響，對歷史供熱量數(shù)據(jù)和天氣數(shù)據(jù)進行互信息度計算，對重要度權重進行修正，最終達到了模型在預測過程中平衡歷史信息與未來信息的目的。

2、根據(jù)一些實施例，本發(fā)明的第一方案提供了一種基于神經互信息修正的火電廠供熱量預測方法，采用如下技術方案：

3、基于神經互信息修正的火電廠供熱量預測方法，包括：

4、獲取火電廠歷史供熱量、歷史天氣數(shù)據(jù)以及預測期天氣預報數(shù)據(jù)作為預測輸入數(shù)據(jù)，并進行預處理；

5、基于預處理后的預測輸入數(shù)據(jù)，利用預先訓練好的火電廠供熱量預測模型進行供熱量預測；

6、其中，所述利用預先訓練好的火電廠供熱量預測模型進行供熱量預測，具體為：

7、編碼階段，利用前饋神經網絡確定預處理后的預測輸入數(shù)據(jù)中歷史天氣數(shù)據(jù)以及歷史供熱量之間的互信息度，利用門控循環(huán)單元計算歷史數(shù)據(jù)以及預測期天氣預報數(shù)據(jù)編碼階段的隱變量值；

8、基于互信息度以及編碼階段的隱變量值對注意力權重進行修正，得到修正后的注意力權重；

9、解碼階段，利用門控循環(huán)單元計算上一時間步的供熱量預測結果以及預測期天氣預報數(shù)據(jù)解碼階段的隱變量值，根據(jù)修正后的注意力權重、解碼階段該時間步的隱變量值、上一個時間步的供熱量預測結果以及預測期天氣預報數(shù)據(jù)預測火電廠供熱量。

10、進一步地，所述預測期天氣預報數(shù)據(jù)包括預報氣溫、預報氣壓、預報風速以及預報濕度；

11、所述歷史天氣數(shù)據(jù)包括歷史氣溫、歷史氣壓、歷史風速以及歷史濕度。

12、進一步地，所述利用前饋神經網絡確定預處理后的預測輸入數(shù)據(jù)中的歷史天氣數(shù)據(jù)以及歷史供熱量之間的互信息度，具體為：

13、定義為歷史天氣數(shù)據(jù)與歷史供熱量數(shù)據(jù)之間的互信息度；用tθ(.)表示互信息神經計算單元，tθ(.)為一個3層前饋神經網絡，θ為函數(shù)tθ(.)需要更新的參數(shù)；

14、按照標準正態(tài)分布，初始化θ；

15、重復從數(shù)據(jù)集的聯(lián)合分布中，抽取b組樣本，從的邊緣分布中，抽取b組樣本；

16、基于抽取的樣本數(shù)據(jù)，計算確界數(shù)據(jù)；

17、以確界數(shù)據(jù)最大化為目標，得到最優(yōu)的互信息度神經計算單元的參數(shù)，此時對應的確界數(shù)據(jù)就是歷史天氣數(shù)據(jù)與歷史供熱量數(shù)據(jù)之間的互信息度。

18、進一步地，所述計算確界數(shù)據(jù)，公式如下：

19、

20、這里，exp(x)＝e(x)，e為自然數(shù)，i是第i組樣本數(shù)據(jù)。

21、進一步地，所述基于互信息度以及輸入數(shù)據(jù)歷史序列長度對注意力權重進行修正，得到修正后的注意力權重，具體為：

22、根據(jù)解碼階段的隱變量值和編碼階段的隱變量值確定能量值，基于能量值確定注意力權重；

23、利用互信息度修正注意力權重，如下式：

24、

25、其中，th是歷史數(shù)據(jù)序列長度；為解碼階段第t步對應的編碼階段第j步的能量值；為解碼階段第t步對應的編碼階段第k步的能量值，表示確界數(shù)據(jù)最大化下對應歷史天氣數(shù)據(jù)與歷史供熱數(shù)量之間的互信息度。

26、進一步地，所述門控循環(huán)單元計算隱變量值的過程，具體為：

27、

28、其中，當前時間步t的候選隱變量值和更新門上一個時間步的隱變量值是

29、進一步地，所述所述根據(jù)修正后的注意力權重、解碼階段該時間步的隱變量值、上一個時間步的供熱量預測結果以及預測期天氣預報數(shù)據(jù)預測火電廠供熱量，具體為：

30、

31、這里，表示未來第t時間步的天氣預報值，表示未來第t時間步的供熱量預測結果，表示解碼階段第t步的隱變量值，ct表示注意力權重修正的中間變量，α′tj表示修征后的注意力權重，編碼階段第j步的隱變量值。

32、根據(jù)一些實施例，本發(fā)明的第二方案提供了一種基于神經互信息修正的火電廠供熱量預測系統(tǒng)，采用如下技術方案：

33、基于神經互信息修正的火電廠供熱量預測系統(tǒng)，包括：

34、數(shù)據(jù)采集處理模塊，被配置為獲取火電廠歷史供熱量、歷史天氣數(shù)據(jù)以及預測期天氣預報數(shù)據(jù)作為預測輸入數(shù)據(jù)，并進行預處理；

35、供熱量預測模塊，被配置為基于預處理后的預測輸入數(shù)據(jù)，利用預先訓練好的火電廠供熱量預測模型進行供熱量預測；

36、其中，所述利用預先訓練好的火電廠供熱量預測模型進行供熱量預測，具體為：

37、編碼階段，利用前饋神經網絡確定預處理后的預測輸入數(shù)據(jù)中歷史天氣數(shù)據(jù)以及歷史供熱量之間的互信息度，利用門控循環(huán)單元計算歷史數(shù)據(jù)以及預測期天氣預報數(shù)據(jù)編碼階段的隱變量值；

38、基于互信息度以及編碼階段的隱變量值對注意力權重進行修正，得到修正后的注意力權重；

39、解碼階段，利用門控循環(huán)單元計算上一時間步的供熱量預測結果以及預測期天氣預報數(shù)據(jù)解碼階段的隱變量值，根據(jù)修正后的注意力權重、解碼階段該時間步的隱變量值、上一個時間步的供熱量預測結果以及預測期天氣預報數(shù)據(jù)預測火電廠供熱量。

40、根據(jù)一些實施例，本發(fā)明的第三方案提供了一種計算機可讀存儲介質。

41、一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)如上述第一個方面所述的基于神經互信息修正的火電廠供熱量預測方法中的步驟。

42、根據(jù)一些實施例，本發(fā)明的第四方案提供了一種計算機設備。

43、一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述第一個方面所述的基于神經互信息修正的火電廠供熱量預測方法中的步驟。

44、與現(xiàn)有技術相比，本發(fā)明的有益效果為：

45、本發(fā)明建立了以門控循環(huán)單元(gated?recurrent?unit,gru)為基本計算單元的序列到序列(sequence?to?sequence,seq2seq)模型，取代了參數(shù)較多的lstm計算單元，減少了模型的訓練參數(shù)；其次，引入了注意力機制，對模型在編碼階段的每步gru中間計算結果進行重要度權重計算，將權重結果納入到解碼階段的每步計算過程中，充分考慮了歷史供熱量和天氣數(shù)據(jù)對預測供熱量的不同影響；第三，在模型解碼階段輸入了天氣預報數(shù)據(jù)，從而使模型在預測供熱量的過程中考慮了未來信息；第四，構建了互信息神經計算單元，對歷史供熱量數(shù)據(jù)和天氣數(shù)據(jù)進行互信息度計算，對重要度權重進行修正，把互信息度計算函數(shù)引入到模型的損失函數(shù)中，相應地改進了模型的訓練過程，最終達到了模型在預測過程中平衡歷史信息與未來信息的目的。