一种基于支持向量机回归模型的发电成本预测方法

技术领域

本发明属于燃煤发电技术领域，尤其涉及一种基于支持向量机回归模型的发电成本预测方法。

背景技术

随着电力市场改革的不断推进和深化，相关企业通过参与电力市场竞价获得上网发电的机会。在燃煤发电生产的过程中，锅炉运行时采取不同生产的方案，会引发燃煤发电生产的各个环节成本的变化。而目前相关企业在发电成本核算方面主要用到的是“后核算”，无法做到对实时发电成本的计算，也无法对当前生产方案可能因为的成本进行预测。因此，为了有效提高企业竞争力，寻找合理有效的发电成本预测方法时企业当务之急。

发明内容

鉴于上述的分析，本发明旨在提供一种基于支持向量机回归模型的发电成本预测方法，能够基于燃煤企业的生产历史数据有效准确的预测发电成本。具体包括如下步骤：

获取历史各时间点的燃煤发电参数计算得到度电发电成本数据集；获取待预测各时间点和所述历史各时间点相应的锅炉运行参数进行预处理，其中预处理后的所述历史各时间点的锅炉运行参数组成运行参数数据集；所述燃煤发电参数和锅炉运行参数均包括总煤量和各种煤的掺配比例；

基于所述运行参数数据集和所述发电成本数据集构建训练集；

使用训练集对DA-SVM模型进行训练，得到训练好的DA-SVM模型；其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型；

使用所述训练好的DA-SVM模型基于所述待预测各时间点的预处理后的锅炉运行参数预测发电成本。

进一步的，所述使用训练集对DA-SVM模型进行训练，得到训练好的DA-SVM模型包括：

初始化迭代次数、蜻蜓算法的种群规模、种群中每个蜻蜓个体的位置向量和蜻蜓算法的步长向量；其中，由SVM的参数惩罚因子c、核函数系数g的一组取值组合构成一个蜻蜓个体的位置向量；

在每一轮迭代中：对于每个蜻蜓个体，使用SVM基于该个体的c、g值和训练集中每个样本的运行参数得到每个样本相应的预测成本值，基于所有的预测成本值和所有相应的度电发电成本计算得到该蜻蜓个体的适应度值；使用蜻蜓算法基于所有蜻蜓个体的适应度值确定食物位置、敌人位置和步长向量，并更新蜻蜓位置；其中，确定当前种群中具有最优适应度值的个体位置为食物，当前种群中具有最差适应度值的个体位置为敌人；

判断是否到达终止条件，如果否，则继续迭代；如果是，则停止迭代，记录最优适应度值的个体位置相应的c、g值为SVM的c、g取值，得到训练好的DA-SVM模型。

进一步的，计算所述适应度值的适应度函数为：

其中，n为样本个数；P

进一步的，所述终止条件包括：达到迭代次数或蜻蜓算法已求得最优适应度值。

进一步的，所述度电发电成本包括度电燃煤成本和度电运行成本；其中，所述度电运行成本包括度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本。

进一步的，所述度电燃煤成本的计算方法为：

C

其中，N表示燃煤掺烧方案中煤的种类；X

进一步的，所述度电用水成本包括盐水制水成本、循环水制水成本和中水成本，所述盐水制水成本、循环水制水成本和中水成本分别基于每分钟除盐水出水管流量、每分钟循环水补水流量和每分钟中水母管流量计算得到。

进一步的，所述度电排放成本包括石灰石粉费、排放环保成本和度电尿素费用成本；所述石灰石粉费的计算方法为：

其中，

进一步的，所述排放环保成本包括度电NO

其中，

表示净烟气SO

C

进一步的，所述度电维护成本的计算公式为：

C

其中，C

本发明至少可以实现下述之一的有益效果：

通过采集燃煤发电企业历史各个时间点各个生产环节的数据，计算各时间点相应的实时度电发电成本；根据历史各时间点的实时度电发电成本，训练模型寻找锅炉运行参数和度电发电成本之间的对应关系，从而可以使用模型基于锅炉运行的不同生产方案高效快捷的预测相应的发电成本，一方面可以根据成本情况指导生产方案的调整以达到节约成本的目的；另一方面可以根据当前生产方案预测发电成本，指导电厂制定合理的上网电价竞价策略。

本发明中通过采用蜻蜓算法(DA)来选择支持向量机(SVM)的最优参数，由于蜻蜓算法具有较强的局部搜索能力和全局搜索能力，在参数优化中具有良好的效果，减小了SVM预测的随机性，提升了预测的准确性；在回归中，SVM选取高斯径向基核函数，可以更准确描述数据的分布结构，相对于其他的预测模型，本发明采用的DA-SVM模型预测结果更准确、误差更小，具有良好的泛化能力。

通过考虑燃煤发电各个生产环节的成本，提升了对度电发电成本计算的准确性；通过在计算过程中，对各环节成本实现分钟级的计算，做到了度电发电成本计算的实时性。其中，基于煤机瞬时煤量数据计算得到分钟级的度电燃煤成本；基于二氧化硫与氮氧化物的处理原理，使用化学公式、根据烟气流速与污染物浓度值推算出污染物处理的成本，可以实现“分钟”级的排放成本核算；基于循环水、除盐水和中水管道流量值得到火电企业每分钟的用水量进而计算得到“分钟”级的度电用水成本。本发明实现的分钟级的度电生成成本计算，相对于现有技术中通常采用的“后计算”，综合考虑了各个生产环节、数据采集实时，计算结果更为准确，更有利于为企业提供生产方案的决策和竞价决策提供数据支撑。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；

图1为本发明方法流程图；

图2为实施例二中参数c、g的寻优迭代过程图；

图3为实施例二中c、g的结果选择等高线图；

图4为实施例二中采用DA-SVM模型和其他不同模型对不同样本进行预测的预测结果。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

实施例一

本发明的一个具体实施例，公开了一种基于支持向量机回归模型的发电成本预测方法，具体包括如下步骤：

步骤S01、获取历史各时间点的燃煤发电参数计算得到度电发电成本数据集；获取待预测各时间点和所述历史各时间点相应的锅炉运行参数进行预处理，其中预处理后的所述历史各时间点的锅炉运行参数组成运行参数数据集；所述燃煤发电参数和锅炉运行参数均包括总煤量和各种煤的掺配比例；

步骤S02、基于所述运行参数数据集和所述度电发电成本数据集构建训练集；

步骤S03、使用训练集对DA-SVM模型进行训练，得到训练好的DA-SVM模型；其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型；

步骤S04、使用所述训练好的DA-SVM模型基于所述待预测各时间点的预处理后的锅炉运行参数预测发电成本。

具体的，步骤S01中的锅炉运行参数包括送风温度、凝汽器真空、给水流量、总一次风量、总二次风量、锅炉总风量、炉膛氧量、给水温度、总煤量和各种煤的掺配比例；具体的，在本实施例中，各种煤的掺配比例包括：高挥高热煤比例、高挥低热煤比例、经济煤比例。

进一步的，对待预测各时间点和历史各时间点相应的锅炉运行参数进行归一化预处理得到运行参数数据集，所采用的归一化方程为：

需要说明的是，在实际发电生产中，不同的锅炉运行情况会导致发电企业的各个生产环节发生的成本不同，即不同的锅炉运行参数对应不同的度电发电成本。而度电生成成本基于发电生产的各个环节的成本汇计算获得。

本实施例方法通过对各生产环节的相应时间点的成本进行计算得到燃煤发电企业的各相应时间点的实时度电发电成本。

具体的，在步骤S01中，度电发电成本包括度电燃煤成本和度电运行成本；所述度电运行成本包括度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本。

进一步的，度电燃煤成本的计算方法和相关燃煤发电参数为：

C

其中，N表示燃煤掺烧方案中煤的种类；X

进一步的，在本实施例中，N＝3；煤的种类包括高挥高热煤、高挥低热煤、经济煤；计算时分别基于相应种类煤的比例进行计算。

进一步的，进一步的，度电发电燃油成本的计算公式和相关燃油发电参数为：

C

其中，C

进一步的，度电用水成本包括盐水制水成本、循环水制水成本和中水成本，其中盐水制水成本、循环水制水成本和中水成本分别基于每分钟除盐水出水管流量、每分钟循环水补水流量和每分钟中水母管流量计算得到。

进一步的，盐水制水成本、循环水制水成本和中水成本，计算方法和相关燃煤发电参数(此处的燃煤发电参数为燃煤发电时的用水参数)分别为：

C

其中，C

C

其中，C

C

其中，C

进一步的，度电厂用电成本包含火电企业所有生产环节的设备用电成本，其计算公式和相关燃煤发电参数(此处的燃煤发电参数为设备用电参数)为：

C

其中，C

进一步的，度电维护成本的计算公式和相关燃煤发电参数(设备维护参数)为：

C

其中，C

进一步的，度电排放成本包括石灰石粉费、排放环保成本和度电尿素费用成本。

具体的，石灰石粉费的计算方法和相关燃煤发电参数(此处为相关企业排放参数)为：

其中，

进一步的，排放环保成本包括度电NO

其中，

表示净烟气SO

C

其中，烟气标干流量是指实际测出来的烟气流量换算成标准状态下(0℃＝273K、101.325Kpa)的流量，原烟气标干流量和净烟气标干流量的计算方法和相关燃煤发电参数(企业排放参数)分别为：

其中，C

进一步的，度电尿素费用成本的计算方法和相关燃煤发电参数(企业排放参数)为：

其中，C

进一步的，度电运行成本为上述度电发电燃油成本、度电用水成本、度电厂用电成本、度电维护成本和度电排放成本的和，表示为：C

其中，C

C

C

进一步的，度电发电成本为度电燃煤成本和度电运行成本之和，表示为：

C＝C

具体的，在步骤S02中，运行参数数据集和度电发电成本数据集中的数据基于各时间点是一一对应的关系。

具体的，在步骤S03中，使用训练集对DA-SVM模型进行训练，得到训练好的DA-SVM模型包括：

初始化迭代次数、蜻蜓算法的种群规模、种群中每个蜻蜓个体的位置向量和蜻蜓算法的步长向量；其中，由SVM的参数惩罚因子c、核函数系数g的一组取值组合构成一个蜻蜓个体的位置向量，向量维度为2；其中，c、g两个参数的寻优范围为2

在每一轮迭代中：

对于每个蜻蜓个体，使用SVM基于该个体的c、g值和训练集中每个样本的运行参数得到每个样本相应的预测成本值，基于所有的预测成本值和所有相应的度电发电成本计算得到该蜻蜓个体的适应度值；

使用蜻蜓算法基于所有蜻蜓个体的适应度值确定食物位置、敌人位置，更新蜻蜓的权重、位置向量和步长向量；其中，确定当前种群中具有最优适应度值的个体位置为食物，当前种群中具有最差适应度值的个体位置为敌人；所述最优适应度值指所有适应度值中的最小值，所述最差适应度值指所有适应度值中的最大值；

在每一轮迭代完成时：

判断是否到达终止条件，如果否，则继续下一轮迭代；如果是，则停止迭代，记录最优适应度值的个体位置相应的c、g值为SVM的c、g取值，得到训练好的DA-SVM模型；其中，终止条件包括：达到迭代次数或蜻蜓算法已求得最优适应度值。

进一步的，计算所述适应度值的适应度函数为：

其中，n为样本个数；P

优选的，SVM选用高斯径向基核函数。

具体的，在步骤S04中，基于在步骤S01中归一化处理后的待预测各时间点的锅炉运行参数，使用训练好的DA-SVM模型预测各时间点相应的发电成本；具体的，待预测各时间点指待预测成本的当前生产时间段内选取的各时间点；可选的，对待预测各时间点相应的成本预测结果求均值，为当前生产时间段的成本预测结果。

本实施例，公开了一种基于支持向量机回归模型的发电成本预测方法，通过根据历史各时间点的实时度电发电成本，训练模型寻找锅炉运行参数和度电发电成本之间的对应关系，从而可以使用模型基于锅炉运行的不同生产方案高效快捷的预测相应的发电成本，一方面可以根据成本情况指导生产方案的调整以达到节约成本的目的；另一方面可以根据当前生产方案预测发电成本，指导电厂制定合理的上网电价竞价策略。

通过采用蜻蜓算法(DA)来选择支持向量机(SVM)的最优参数，由于蜻蜓算法具有较强的局部搜索能力和全局搜索能力，在参数优化中具有良好的效果，减小了SVM预测的随机性，提升了预测的准确性。

在计算历史发电成本过程中，通过考虑燃煤发电各个生产环节的成本，对各环节成本实现分钟级的计算，做到了度电发电成本计算的实时性和准确性，相对于现有技术中通常采用的“后计算”，综合考虑了各个生产环节、数据采集实时，计算结果更为准确，更有利于为企业提供生产方案的决策和竞价决策提供数据支撑。

实施例二

本发明的另一个具体实施例，公开了一种基于支持向量机回归模型的发电成本预测方法，具体包括如下步骤：

步骤S11、同实施例一的S01,具体的，选取历史最近两个月内分钟级时间点的燃煤发电参数值，计算得到相应的分钟级的度电发电成本数据，组成度电发电成本数据集。

步骤S12、基于所述运行参数数据集和所述度电发电成本数据集构建训练集。

步骤S13、使用训练集对DA-SVM模型进行训练，得到训练好的DA-SVM模型；其中DA-SVM模型为基于蜻蜓算法改进的支持向量机回归模型；

具体的，DA-SVM模型的训练迭代次数初始化值为100；种群规模为50，即蜻蜓种群中个体个数为50；c、g两个参数的寻优范围为2

步骤S14、使用所述训练好的DA-SVM模型基于待预测各时间点锅炉运行参数预测发电成本。

具体的，本实施例选取当前一周生产中各时间点的锅炉运行参数，基于当前一周的生产方案进行成本预测。

具体的，在本实施例中，为了验证DA-SVM模型的性能，分别采用随机森林(RandomForest,RF)模型和BP神经网络(Back Propagation Neural Network,BP)模型对相同样本集的单位运行成本进行预测。将真实度电运行成本分别与三种模型的预测结果进行对比。其中RF模型中初始化参数树的个数为50(n_estimators＝50)，其他为默认值；BP模型中初始化参数学习率为0.02(learning rate＝0.02)，训练数为300(epochs＝300)，隐层节点数为100(Number of hidden layers＝100)。图4展示了采用不同模型对不同样本进行预测的预测结果，表1给出了不同模型的预测结果评价指标对比。

表1、预测结果评价指标对比

其中，各评价指标的表达式分别为：

均方误差

均误差平方根

平均绝对误差

平均绝对百分比误差

根据表1的对比可以看出，DA-SVM模型的评价指标结果为：MSE为3.84×10

需要说明的是，上述实施例基于相同的发明构思，未重复描述之处，可相互借鉴。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。