一种基于深度学习的燃煤电厂用煤量预测方法及系统与流程

1.本技术涉及用煤量预测领域，具体涉及一种基于深度学习的燃煤电厂用煤量预测方法及系统。


背景技术：

2.在我国能源转型的关键阶段，燃煤发电机组在电力系统中仍占有着主要地位；在构建以新能源为主体的新型电力系统进程中，以光伏、风电为典型代表的新能源发电装机容量在电力系统中的比例迅速增加，电力系统也逐渐朝着清洁低碳的目标迈进。
3.当前，新能源发电在电网中仍存在一系列问题，主要体现在两个方面：第一，新能源发电严重依赖于外界环境，存在间歇性、随机性和不确定性等特点；在极端恶劣天气或者负荷晚高峰期间，新能源出力受到严重制约，区域电网往往会出现巨大的负荷的缺口，威胁电网的安全稳定运行；第二，新能源发电机组转动惯量极低，由于新能源装机容量占比较大，导致电力系统整体惯量下降，调频备用容量不足，会影响电力系统的稳定运行；因此，在新型电力系统中，燃煤发电机组在能源供需平衡、频率稳定方面发挥着不可替代的作用。
4.燃煤火电发电厂的用煤量及煤炭储备量对于新型电力系统的安全稳定运行具有重要意义；如果燃煤发电厂的煤炭储备不足，当电力系统出现巨大的负荷缺口或遭遇极端天气情况时，容易导致燃煤发电厂无法承担电力系统保供电任务，危及电网安全稳定运行和地区经济发展；因此，对燃煤电厂的用煤量进行监测和预测，能够科学合理指导安排燃煤电厂进行煤炭储备，在重要阶段能够及时完成电网调度任务，降低因电煤库存不足导致的电网运行风险，提高新型电力系统的安全可靠稳定运行。
5.燃煤电厂的用煤量及电煤储备量是电网调度部门需要监测的重要数据之一。
6.当前，燃煤电厂的用煤量监测和电煤储备量预测方法主要分为两种：第一种方法，主要采用供应链理论、现代库存管理方法、金融学风险管理理论、系统动力学思想等分析影响燃煤电站的电煤储备的因素，建立燃煤电站电煤储备预测模型，以合理预测燃煤电厂煤炭储备量；第二种方法，通常采用时间序列分析的方法对电煤库存、发电负荷、电煤价格等影响电煤储存的不确定因素进行长短期预测。
7.第一种方法受限于燃煤电厂储煤电煤价格、交通运输成本、天气情况及电厂上网电价等多种因素影响，建立短期精确预测模型的难度较大，因此，第二种方法应用较为普遍，尤其是随着深度学习算法的广泛应用，在一定程度上推动了时间序列分析方法在燃煤电厂用煤量监测及电煤储备预测方面的应用深度。
8.然而，由于燃煤电厂电煤量预测所需相关数据的时间序列很长、数据量大，给深度学习模型的数据处理带来较大困难；同时，单一的时间序列算法（lstm）通常采用单一时间序列进行预测，无法实现多特征时间序列的预测，造成大量数据信息失效，因此，燃煤电厂的电煤量监测和预测模型既要有效利用多维数据信息，提取保留数据局部特征，同时，也要
兼顾数据的处理效率，从全局上对特征序列进行训练识别，达到电煤量精确、快速预测的目的。


技术实现要素：

9.为了解决上述技术缺陷之一，本技术提供了一种有效提高预测精度的一种基于深度学习的燃煤电厂用煤量预测方法及系统。
10.根据本技术的第一个方面，提供了一种基于深度学习的燃煤电厂用煤量预测方法，包括：s10，构建用于燃煤电厂用煤量预测的两类数据库；s20，通过cnn网络模型分别对两类数据库中的数据进行数据特征的提取和压缩，对应于两类数据库分别得到第一样本数据和第二样本数据；s30，通过transformer模型分别对第一样本数据和第二样本数据进行预测，对应于两类样本数据分别得到第一预测结果和第二预测结果；s40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充。
11.优选地，所述两类数据库中，第一类数据库包括：煤炭消费量、原煤产量、煤炭工业用电量、煤矿变电站用电量和燃煤电厂用煤量；第二类数据库包括：地区社会生产总值、地区社会发电量、地区燃煤电厂发电量和燃煤电厂用煤量；基于第一类数据库，燃煤电厂用煤量的计算表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，表示基于第一类数据库计算得到的燃煤电厂用煤量；表示地区发电用煤炭占比，且；表示地区煤炭消费比，且；表示地区煤炭产出率，且；表示地区煤矿站用电占比，且；基于第二类数据库，燃煤电厂用煤量的计算表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，表示基于第二类数据库计算得到的燃煤电厂用煤量；为地区发电量与生产总值比，其中：；
为燃煤电厂发电量占比，其中：；为燃煤电厂煤耗率，其中：。
12.优选地，所述cnn网络模型中，通过燃煤电厂用煤量实际值和预测值计算损失量；将损失量作为目标函数，使用adam优化算法更新cnn网络模型的权值，得到优化后cnn网络模型；其中：目标函数的表达式为：
ꢀꢀꢀꢀ
（3）式（3）中，n为样本个数，和为燃煤电厂用煤量实际值和预测值矩阵；和为燃煤电厂用煤量实际样本数据和预测数据。
13.优选地，所述transformer模型包括：transformer模型编码器和transformer模型解码器；所述transformer模型编码器包括：多个子编码模块，每个子编码模块之间通过残差连接；每个子编码模块包括：多头自注意力机制和前馈神经网络，多头自注意力机制的输出数据、前馈神经网络的输出数据均进行相加和层归一化处理；所述transformer模型解码器包括：多个子解码器模块，每个子解码模块之间通过残差连接；每个子解码器模块包括：遮挡多头自注意力机制、多头自注意力机制和前馈神经网络，遮挡多头自注意力机制的输出数据、多头自注意力机制的输出数据、前馈神经网络的输出数据均进行相加和层归一化处理。
14.优选地，所述步骤s30中，通过transformer模型对第一样本数据进行预测，得到第一预测结果，包括：s311，将第一类数据库中的燃煤电厂用煤量数据序列作为transformer模型的第一标签数据；通过第一标签数据对第一样本数据进行位置编码，得到transformer模型编码器的第一输入特征序列；s312, transformer模型编码器对第一输入特征序列进行编码后，输出第一特征序列编码数据；s313，通过全连接神经网络对第一标签数据进行数据升维；s314，transformer模型编码器的多头自注意力机制对升维后的标签数据进行信息遮挡；s315，transformer模型解码器接收遮挡后的标签数据及第一特征序列编码数据后，进行解码操作，得到第一解码数据；s316，通过全连接神经网络对第一解码数据进行数据升降维后得到第一预测结果；所述步骤s30中，通过transformer模型对第二样本数据进行预测，得到第二预测结果，包括：s321，将第二类数据库中的燃煤电厂用煤量数据序列作为transformer模型的第
二标签数据；通过第二标签数据对第二样本数据进行位置编码，得到transformer模型编码器的第二输入特征序列；s322, transformer模型编码器对第二输入特征序列进行编码后，输出第二特征序列编码数据；s323，通过全连接神经网络对第二标签数据进行数据升维；s324，transformer模型编码器的多头自注意力机制对升维后的标签数据进行信息遮挡；s325，transformer模型解码器接收遮挡后的标签数据及第二特征序列编码数据后，进行解码操作，得到第二解码数据；s326，通过全连接神经网络对第二解码数据进行数据升降维后得到第二预测结果。
15.优选地，所述通过第一标签数据对第一样本数据进行位置编码，或通过第二标签数据对第二样本数据进行位置编码中，所述的位置编码的表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式（4）、式（5）中，i为第一/第二标签数据中第i个元素，d表示第一/第二样本数据的维度，p表示第一/第二样本数据的位置；对于第一/第二样本数据中的元素，偶数位采用式（4）进行位置编码，奇数位采用式（5）进行位置编码。
16.优选地，所述步骤s40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充；具体包括：s401，接收预测周期内的第一预测结果和第二预测结果，计算出预测周期内的第一预测值和第二预测值；s402，对第一预测值和第二预测值进行偏差校验，当，执行步骤s403，否则，暂停预警以进行偏差分析；其中，为允许偏差；s403，选择第一预测值和第二预测值中较大的值作为预测结果；s404，将预测结果与当前燃煤电厂煤炭储备量进行比较，当：时，表示现有储备即可满足短期内电力供需平衡，无需增加储备；当时，表示现有储煤量可基本满足要求，可进行适当补充；当时，表示煤炭储备量不足，需要及时进行补充；当时，表示煤炭储备粮严重不足，需要立即补充；
其中，r为燃煤储备裕度值。
17.优选地，所述第一预测值和第二预测值的计算表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）式（6）中，t为预测天数；为第j天的第一预测结果；为预测周期内的第一预测结果之和；为第j天的第二预测结果；为预测周期内的第二预测结果之和。
18.优选地，通过cnn网络模型分别对两类数据库中的数据进行数据特征的提取和压缩中，所述cnn网络模型的隐含层由卷积层和池化层构成；所述卷积层为两层，其中：第一卷积层：卷积核个数k1，卷积核大小为：f
×
f，卷积计算滑动步长为s，样本填充操作参数为p；第二卷积层：卷积核个数k2，卷积核大小为：f
×
f，卷积计算滑动步长为s，样本填充操作参数为p；池化层：大小为f
×
f，滑动步长为s，样本填充操作参数为p。
19.根据本技术实施例的第二个方面，提供了一种基于深度学习的燃煤电厂用煤量预测系统，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的一种基于深度学习的燃煤电厂用煤量预测方法。
20.采用本技术提供的一种基于深度学习的燃煤电厂用煤量预测方法及系统，与现有技术相比，具有以下有益效果：（1）本发明提出基于深度学习的燃煤电厂用煤量预测方法，与传统采用的函数拟合预测相比，避免函数建模的复杂和修正困难，具有更为广泛的适用性。
21.（2）本发明采用两类数据库同步预测，相互校核的方式，减少了深度学习预测中因历史数据问题导致的预测偏差，提高方法的可靠性。
22.（3）本发明采用cnn进行样本数据卷积和池化处理，既提取保留样本数据的全局特征，又对样本进行压缩和降维，保留原始数据特征的完整性。
23.（4）本发明采用transformer模型用于预测，可以充分利用输入序列中任意向量的依赖关系，较为全面的保留样本数据局部特征，提高预测算法的精确性。
24.（5）本发明根据预测结果和地区预测周期，提出燃煤电厂用煤量监测和预警系统，通过对燃煤电厂的煤炭储备进行短期预测和定期预警，达到科学指导燃煤电厂煤炭储备的目的。
附图说明
25.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例提供的一种基于深度学习的燃煤电厂用煤量预测方法的流程示意图；图2为采用adam优化算法更新cnn网络模型的权值的流程示意图；图3为本技术实施例中transformer模型的结构示意图；图4为本技术实施例提供的一种基于深度学习的燃煤电厂用煤量预测方法中步骤s30的流程示意图；图5为本技术实施例中transformer模型编码器中多头注意机制的流程示意图；图6为本技术实施例中cnn-transformer模型的结构示意图；图7为本技术实施例提供的一种基于深度学习的燃煤电厂用煤量预测方法中步骤s40的流程示意图。
具体实施方式
26.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
实施例一
27.如图1所示，本技术实施例中提供了一种基于深度学习的燃煤电厂用煤量预测方法，包括：s10，构建用于燃煤电厂用煤量预测的两类数据库；s20，通过cnn网络模型分别对两类数据库中的数据进行数据特征的提取和压缩，对应于两类数据库分别得到第一样本数据和第二样本数据；s30，通过transformer模型分别对第一样本数据和第二样本数据进行预测，对应于两类样本数据分别得到第一预测结果和第二预测结果；s40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充。
28.本技术中，采用两类数据库对燃煤电厂的用煤量进行预测，数据库信息如下：第一类数据库主要包含：煤炭消费量、原煤产量、煤炭工业用电量、煤矿变电站用电量和燃煤电厂用煤量五类数据，主要思路为：通过地区煤炭工业用电量、原煤产量、煤炭消费量、煤炭变电站数量与燃煤电厂用煤量的相关性关系对其进行预测，通常燃煤电厂用煤量的计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）表示基于第一类数据库计算得到的燃煤电厂用煤量；其中：煤矿变电站用电量可在调度scada系统中进行统计和查询；
表示地区发电用煤炭占比，且；表示地区煤炭消费比，且；表示地区煤炭产出率，且；表示地区煤矿站用电占比，且；由式（1）可知，燃煤电厂用煤量与煤炭消费量、原煤产量、煤炭工业用电量、煤矿变电站用电量存在高度相关性，因此，采用地区月或周燃煤电厂用煤量、煤炭消费量、原煤产量、煤炭工业用电量数据和调度系统采集的煤矿变电站用电量数据构建第一类数据库。
29.第二类数据库主要包含：地区社会生产总值、地区社会发电量、地区燃煤电厂发电量和燃煤电厂用煤量四类数据，主要思路为：通过地区生产总值、社会发电量、燃煤电厂发电量与燃煤电厂用煤量的相关性关系对其进行预测，通常燃煤电厂用煤量的计算公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，地区燃煤电厂发电量可在调度scada系统中进行统计和查询；为地区发电量与生产总值比，其中：；为燃煤电厂发电量占比，其中：；为燃煤电厂煤耗率，其中：。
30.由式（2）可知，燃煤电厂用煤量与地区生产总值、社会发电量、燃煤电厂发电量存在高度相关性，因此，采用地区周或月燃煤电厂用煤量、地区生产总值、社会发电量和调度系统采集的燃煤电厂发电量数据构建第二类数据库。
31.两类数据库中，地区社会生产总值、地区社会发电量、燃煤电厂用煤量、燃煤电厂用煤量、煤炭工业用电量、原煤产量、煤炭消费量等数据通过煤矿用户数据统计收集、在能源局官方网站《山西统计年鉴》中进行历史数据查询等方法均可构建年、月、周数据库。
32.本实施例中，在构建两类数据库后，采用卷积神经网络cnn（convolutional neural networks,cnn）进行数据特征的提取和压缩，生成新的特征序列；然后基于transformer模型进行特征训练和学习，实现燃煤电厂的用煤量预测。
33.具体地，由于数据库中数据表征的物理意义不同，其数量级也存在显著差异，因此，为提高cnn模型的性能，需要对数据库数据进行归一化处理，本技术采用min-max归一化的变换方法进行数据归一化：
34.式中：表示归一化变换后的数据，为原始数据，和为原始数据的最大值和最小值。
35.在归一化之后，确定输入变量和输出变量：对于第一类数据库：输出变量为：燃煤电厂用煤量序列；
36.其中，为燃煤电厂用煤量归一化处理后的时间序列；i为时间,i=1,2,
……
,n；输入变量为：煤炭消费量序列：；原煤产量序列：；煤炭工业用电量序列：；煤矿变电站用电量序列：。
37.对于第二类数据库：输出变量为：燃煤电厂用煤量序列；
38.其中，为燃煤电厂用煤量归一化处理后的时间序列；i为时间,i=1,2,
……
,n；输入变量为：地区社会生产总值序列：；地区社会发电量序列：；地区燃煤电厂发电量序列：。
39.进一步地，采用归一化处理后的数据库进行cnn的卷积和池化处理。
40.本实施例中，所述cnn网络模型的隐含层由卷积层和池化层构成；卷积层负责对输入数据进行特征提取，池化层负责对卷积层的输出进行降维，有效降低网络参数数量和计算量，并在很大程度上降低网络训练过拟合风险。
41.对于第一类数据库，其输出为n个时刻的4种数据，因此，cnn模型中将输入通道设
置为4，输入数据维度为1
×n×
4；即：通道1为1
×
n的煤炭消费量矩阵;通道2为1
×
n的原煤产量矩阵;通道3为1
×
n的煤炭工业用电量矩阵;通道4为1
×
n的煤矿变电站用电量矩阵，输出通道为：1
×
n的燃煤电厂用煤量矩阵。
42.对于第二类数据库，其输出为n个时刻的3种数据，因此，cnn模型中将输入通道设置为3，输入数据维度为1
×n×
3；即：通道1为1
×
n的地区社会生产总值矩阵;通道2为1
×
n的地区社会发电量矩阵;通3为1
×
n的地区燃煤电厂发电量矩阵；输出通道为：1
×
n的燃煤电厂用煤量矩阵。
43.本实施例中，对于卷积层和卷积核的参数设置：本发明所涉及的函数关系拟合问题，卷积层数不宜设置太复杂，三层卷积层即能达到很高的精度，但层数过多会增加数据训练难度，甚至出现过拟合。
44.因此，本发明设置两层卷积层，卷积核尺寸设置为：第一卷积层：卷积核个数k1，卷积核大小为：f
×
f，卷积计算滑动步长为s，样本填充操作参数为p；第二卷积层：卷积核个数k2，卷积核大小为：f
×
f，卷积计算滑动步长为s，样本填充操作参数为p；卷积核按照一定的计算步长s在输入样本数据上遍历，卷积核的权值与每次遍历对应位置的元素相乘，并将结果求和作为新的输出值，其计算公式为：；式中：xi为输入样本数据，yi为卷积计算的输出，wi为卷积核的权值，b为偏置量。
45.经过卷积计算后的特征数据维度为：；
[0046][0047]
。
[0048]
在进行卷积运算的结果需要通过激活函数才能作为下一层的输入，本实施例中，采用relu函数作为卷积层的激活函数，公式如下：
[0049]
经过卷积计算后的数据特征矩阵进行池化操作，为保留数据的整体特征，本发明采用平均池化方式，降低数据维度，同时保留样本数据卷积计算提取后的特征。
[0050]
本实施例中，池化层的参数设置如下：池化层大小：f
×
f；滑动步长：s；
样本填充操作参数：p；经过池化后的输出数据维度为：；
[0051][0052]
。
[0053]
在卷积计算中，通常依赖于权值进行调整样本数据的训练和学习，本实施例中，在cnn模型中设置目标函数进行卷积层神经元中权重值的优化。
[0054]
本实施例中，通过燃煤电厂用煤量实际值和预测值计算损失量；将损失量作为目标函数，使用adam优化算法更新cnn网络模型的权值，得到优化后cnn网络模型；其中：目标函数的表达式为： （3）式（3）中，n为样本个数，和为燃煤电厂用煤量实际值和预测值矩阵；和为燃煤电厂用煤量实际样本数据和预测数据。
[0055]
具体地，cnn网络模型根据目标函数的计算值将误差反向传播，通过调节cnn网络的权值来使损失函数达到最优，本实施例使用adam优化算法更新cnn网络模型的权值，得到优化后cnn网络模型。
[0056]
如图2所示，采用自适应矩估计（adaptive moment estimation，adam）优化算法更新cnn网络模型的权值，包括：（1）初始参数的设置：初始学习率，设置超参数和，且、均在（0，1]区间内，最大迭代次数为tmax；求当前最小批量数据梯度 g：
[0057]
式中：m为权值个数；为根据拉格朗日乘数法对卷积计算输出，求取输入样本的梯度；（2）计算衰减梯度v：
[0058]
式中：为第t-1次的衰减梯度，为第t次的衰减梯度。
[0059]
（3）计算衰减学习率r：
[0060]
式中：为第t-1次的衰减学习率，为第t次的衰减学习率（4）计算偏差修正：
[0061][0062]
式中：为第t次的衰减梯度偏差，为第t次的衰减学习率偏差；（5）学习率更新计算，同时计算相应的权重值，至最大迭代次数；计算公式如下：
[0063][0064]
式中：为维持数值稳定的常数。
[0065]
adam优化算法中：、、及为超参数，通常在设定之后无需调整或仅需微调；和分别为梯度g一阶和二阶矩的衰减系数。
实施例二
[0066]
如图3所示，一种基于深度学习的燃煤电厂用煤量预测方法，所述步骤s30中，所述transformer模型包括：transformer模型编码器和transformer模型解码器；所述transformer模型编码器包括：多个子编码模块，每个子编码模块之间通过残差连接；每个子编码模块包括：多头自注意力机制和前馈神经网络，多头自注意力机制的输出数据、前馈神经网络的输出数据均进行相加和层归一化处理；所述transformer模型解码器包括：多个子解码器模块，每个子解码模块之间通过残差连接；每个子解码器模块包括：遮挡多头自注意力机制、多头自注意力机制和前馈神经网络，遮挡多头自注意力机制的输出数据、多头自注意力机制的输出数据、前馈神经网络的输出数据均进行相加和层归一化处理。
[0067]
如图4所示，所述步骤s30中，通过transformer模型对第一样本数据进行预测，得到第一预测结果，包括：s311，将第一类数据库中的燃煤电厂用煤量数据序列作为transformer模型的第一标签数据；通过第一标签数据对第一样本数据进行位置编码，得到transformer模型编码器的第一输入特征序列；s312, transformer模型编码器对第一输入特征序列进行编码后，输出第一特征序列编码数据；
s313，通过全连接神经网络对第一标签数据进行数据升维；s314，transformer模型编码器的多头自注意力机制对升维后的标签数据进行信息遮挡；s315，transformer模型解码器接收遮挡后的标签数据及第一特征序列编码数据后，进行解码操作，得到第一解码数据；s316，通过全连接神经网络对第一解码数据进行数据升降维后得到第一预测结果；所述步骤s30中，通过transformer模型对第二样本数据进行预测，得到第二预测结果，包括：s321，将第二类数据库中的燃煤电厂用煤量数据序列作为transformer模型的第二标签数据；通过第二标签数据对第二样本数据进行位置编码，得到transformer模型编码器的第二输入特征序列；s322, transformer模型编码器对第二输入特征序列进行编码后，输出第二特征序列编码数据；s323，通过全连接神经网络对第二标签数据进行数据升维；s324，transformer模型编码器的多头自注意力机制对升维后的标签数据进行信息遮挡；s325，transformer模型解码器接收遮挡后的标签数据及第二特征序列编码数据后，进行解码操作，得到第二解码数据；s326，通过全连接神经网络对第二解码数据进行数据升降维后得到第二预测结果。
[0068]
具体地，经过cnn网络模型得到的第一样本数据和第二样本数据分别输入到transformer模型编码器中，通过多头自注意力机制进行重要信息筛选，在经过多头注意机制处理前，需经过位置嵌入，即在第一样本数据、第二样本数据中分别加入位置编码操作，将位置信息整合到第一样本数据、第二样本数据中中，提高transformer模型捕捉顺序的能力。
[0069]
本实施例中，所述通过第一标签数据对第一样本数据进行位置编码，或通过第二标签数据对第二样本数据进行位置编码中，所述的位置编码的表达式为：
ꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀ
（5）式（4）、式（5）中，i为第一/第二标签数据中第i个元素，d表示第一/第二样本数据的维度（本实施例中，数据维度为：经过池化后的输出数据维度），p表示第一/第二样本数据的位置；每一个样本数据的位置编码都是由不同频率的余弦正弦函数组成的，波长逐渐由2π增长到10000*2π。
[0070]
对于第一/第二样本数据中的元素，偶数位采用式（4）进行位置编码，奇数位采用
式（5）进行位置编码。
[0071]
如图5所示，本实施例中，嵌入位置编码后的输入特征序列（第一输入特征序列或第二输入特征序列）经过多头自注意力机制变换，主要流程如下：首先，通过线性变换重新进行线性映射，分配三个权重值、、；对于某一序列中第i个元素对应的权重计算公式为：
[0072][0073][0074]
则，序列经线性化变换后得到q、k、v矩阵为：
[0075][0076][0077]
其中，q为查询矩阵，k为键矩阵，v为值矩阵；其次，变换后的三矩阵经缩放点积注意力机制进行变换，通过缩放点积注意力来计算特征矩阵的注意力值；再次，对查询矩阵和键矩阵进行点积与softmax归一化来计算权重系数，计算表达式为：
[0078]
式中，d为q、k、v的维数。
[0079]
多头自注意力机制采用多个自注意力机制进行特征序列的变换，利用多个自注意力头分别学习不同表现子空间的信息，实现在不同位置共同关注来自不同表现子空间的信息，因此，第i个注意力机制对特征序列x的变换得到的注意力值为：
[0080]
式中，为第i个注意力机制变换后的注意力值，x为输入特征序列，、、为第i个注意力头q、k、v矩阵的权重矩阵。
[0081]
再次，通过将多个注意力值进行拼接与线性变换，得到最终的注意力值，实现对不同约束条件的建模表达：
[0082]
在编码器中经过多头自注意力机制变换后，进入前馈网络进行变换，该层的输出为：
[0083]
式中：为前馈网络的输出量。
[0084]
在多头自注意力机制变换和前馈神经网络变换后的输出量均经过相加和层归一化处理，相加就是将多头注意力层的输入量和输出量进行相加，然后进行层归一化处理，这样可以加快网络模型的收敛，提升网络泛化能力；同时，各个子层之间还添加了残差连接操作，关注数据训练前后的差异部分，提高训练效果；该操作如下：
[0085]
为输出量，为层归一化函数，为各子层内部函数，为输入特征序列；在各注意力机制层和前馈神经网络层中均存在，对每个子层输出量进行变换。
[0086]
因此， transformer模型编码器中的总体变换流程如下：输入特征序列为，在经过多头自注意力机制变换后，输出量为：
[0087]
再经过前馈神经网络进行变换，输出量为：
[0088]
将一层编码器的处理流程记作：
[0089]
编码器含有n层，则最后输出量为：。
[0090]
transformer模型解码器与transformer模型编码器具有相似结构，在此不再赘述，唯一的区别在于：transformer模型解码器中增加了全连接神经网络和遮挡多头自注意力机制；全连接神经网络作用于标签数据，即燃煤电厂用煤量，或燃煤电厂用煤量，其均为一维数据维度；而输入数据（第一样本数据或第二样本数据）维度为，在解码器中的编码-解码多头自注意力机制下产生维度冲突而无法运行，因此，采用全连接神经网络用于升高维度，在输出层之前用于降低数据维度。
[0091]
遮挡多头自注意力机制与多头自注意力机制相比，由于其目的是利用多头自注意力机制学习标签数据之间的依赖关系，而解码器是在并行计算特性同时完成序列每个时间步解码，这会导致在缩放点积注意力计算时，每个时间步的计算会学习到未来的标签数据信息，所以需要在解码器的多头自注意力机制中加入遮挡操作，屏蔽未来的标签数据信息；具体操作如下：引入矩阵d:
[0092]
经过多头自注意力机制后，；通过加入矩阵d将未来的序列信息置零，使得在编码-解码多头自注意力机制中将标签数据信息遮挡。
[0093]
如图6所示，本技术通过cnn-transformer网络建立预测模型。通过两类数据库进行同步预测，相互印证，以提高预测的精度。
实施例三
[0094]
如图7所示，在实施例一的基础上，一种基于深度学习的燃煤电厂用煤量预测方法，所述步骤s40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充；具体包括：s401，接收预测周期内的第一预测结果和第二预测结果，计算出预测周期内的第一预测值和第二预测值；s402，对第一预测值和第二预测值进行偏差校验，当，执行步骤s403，否则，暂停预警以进行偏差分析；其中，为允许偏差；s403，选择第一预测值和第二预测值中较大的值作为预测结果；s404，将预测结果与当前燃煤电厂煤炭储备量进行比较，当：时，表示现有储备即可满足短期内电力供需平衡，无需增加储备；当时，表示现有储煤量可基本满足要求，可进行适当补充；当时，表示煤炭储备量不足，需要及时进行补充；当时，表示煤炭储备粮严重不足，需要立即补充；其中，r为燃煤储备裕度值。
[0095]
具体地，所述第一预测值和第二预测值的计算表达式为：
ꢀꢀꢀꢀ
（6）
ꢀꢀꢀ
（7）式（6）中，t为预测天数；为第j天的第一预测结果；为预测周期内的第一预测结果之和；为第j天的第二预测结果；为预测周期内的第二预测结果之和。
[0096]
本实施例中，根据两类数据库的预测结果进行相互印证，若二者偏差在允许范围内，则取较大值进行监测和预警；若二者偏差很大，超出允许偏差，则显示预测偏差预警，则
进行偏差分析，此时，暂不采纳预测结果。
[0097]
具体地，第一预测值和第二预测值可为预测周期中每一天预测结果之和；当，取值；其中，e为允许偏差。
[0098]
进一步地，本实施例可根据新能源功率预测和地区负荷预测结果进行预测持续时间的选择，当未来短期内极端天气频发（雨雪天气）或季节性天气等导致负荷增加或新能源出力减少时，则预测时间可设置为t=28，进行月预测；通常可为t=7，进行周预测。
[0099]
进一步地，当前燃煤电厂煤炭储备量与预测结果进行比较，其中r为燃煤储备裕度值，可分为四个等级：时，表示现有储备即可满足短期内电力供需平衡，无需增加储备；当时，表示现有储煤量可基本满足要求，可进行适当补充；当时，表示煤炭储备量不足，需要及时进行补充；当时，表示煤炭储备粮严重不足，需要立即补充。
[0100]
此外，本技术还提供了一种基于深度学习的燃煤电厂用煤量预测系统，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的一种基于深度学习的燃煤电厂用煤量预测方法。
[0101]
综上，本技术提出的一种基于深度学习的燃煤电厂用煤量预测方法及系统，提出了基于cnn（convolutional neural networks,cnn）和transformer模型的燃煤电厂用煤量预测方法，通过两种类型数据库进行同步预测和相互印证，以提高预测的精度；同时，对燃煤电厂煤炭储备量进行分析，根据燃煤电厂短期用煤量和储煤量的对比进行定期监测预警，达到对燃煤电厂的能量合理规划，实现燃煤电厂电量的高效调度，保障电网的安全稳定运行，实用性极强。
[0102]
在本技术的描述中，需要理解的是，本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，c语言、vhdl语言、verilog语言、面向对象的程序设计语言java和直译式脚本语言javascript等。
[0103]
本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0104]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0105]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0106]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0107]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0108]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，包括：s10，构建用于燃煤电厂用煤量预测的两类数据库；s20，通过cnn网络模型分别对两类数据库中的数据进行数据特征的提取和压缩，对应于两类数据库分别得到第一样本数据和第二样本数据；s30，通过transformer模型分别对第一样本数据和第二样本数据进行预测，对应于两类样本数据分别得到第一预测结果和第二预测结果；s40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充。2.根据权利要求1所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述两类数据库中，第一类数据库包括：煤炭消费量、原煤产量、煤炭工业用电量、煤矿变电站用电量和燃煤电厂用煤量；第二类数据库包括：地区社会生产总值、地区社会发电量、地区燃煤电厂发电量和燃煤电厂用煤量；基于第一类数据库，燃煤电厂用煤量的计算表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，表示基于第一类数据库计算得到的燃煤电厂用煤量；表示地区发电用煤炭占比，且；表示地区煤炭消费比，且；表示地区煤炭产出率，且；表示地区煤矿站用电占比，且；基于第二类数据库，燃煤电厂用煤量的计算表达式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，表示基于第二类数据库计算得到的燃煤电厂用煤量；为地区发电量与生产总值比，其中：；为燃煤电厂发电量占比，其中：；为燃煤电厂煤耗率，其中：。3.根据权利要求1所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述cnn网络模型中，通过燃煤电厂用煤量实际值和预测值计算损失量；将损失量作为目标
函数，使用adam优化算法更新cnn网络模型的权值，得到优化后cnn网络模型；其中：目标函数的表达式为：
ꢀꢀꢀꢀꢀ
（3）式（3）中，n为样本个数，和为燃煤电厂用煤量实际值和预测值矩阵；和为燃煤电厂用煤量实际样本数据和预测数据。4.根据权利要求1所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述transformer模型包括：transformer模型编码器和transformer模型解码器；所述transformer模型编码器包括：多个子编码模块，每个子编码模块之间通过残差连接；每个子编码模块包括：多头自注意力机制和前馈神经网络，多头自注意力机制的输出数据、前馈神经网络的输出数据均进行相加和层归一化处理；所述transformer模型解码器包括：多个子解码器模块，每个子解码模块之间通过残差连接；每个子解码器模块包括：遮挡多头自注意力机制、多头自注意力机制和前馈神经网络，遮挡多头自注意力机制的输出数据、多头自注意力机制的输出数据、前馈神经网络的输出数据均进行相加和层归一化处理。5.根据权利要求4所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述步骤s30中，通过transformer模型对第一样本数据进行预测，得到第一预测结果，包括：s311，将第一类数据库中的燃煤电厂用煤量数据序列作为transformer模型的第一标签数据；通过第一标签数据对第一样本数据进行位置编码，得到transformer模型编码器的第一输入特征序列；s312, transformer模型编码器对第一输入特征序列进行编码后，输出第一特征序列编码数据；s313，通过全连接神经网络对第一标签数据进行数据升维；s314，transformer模型编码器的多头自注意力机制对升维后的标签数据进行信息遮挡；s315，transformer模型解码器接收遮挡后的标签数据及第一特征序列编码数据后，进行解码操作，得到第一解码数据；s316，通过全连接神经网络对第一解码数据进行数据升降维后得到第一预测结果；所述步骤s30中，通过transformer模型对第二样本数据进行预测，得到第二预测结果，包括：s321，将第二类数据库中的燃煤电厂用煤量数据序列作为transformer模型的第二标签数据；通过第二标签数据对第二样本数据进行位置编码，得到transformer模型编码器的第二输入特征序列；s322, transformer模型编码器对第二输入特征序列进行编码后，输出第二特征序列编码数据；s323，通过全连接神经网络对第二标签数据进行数据升维；
s324，transformer模型编码器的多头自注意力机制对升维后的标签数据进行信息遮挡；s325，transformer模型解码器接收遮挡后的标签数据及第二特征序列编码数据后，进行解码操作，得到第二解码数据；s326，通过全连接神经网络对第二解码数据进行数据升降维后得到第二预测结果。6.根据权利要求5所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述通过第一标签数据对第一样本数据进行位置编码，或通过第二标签数据对第二样本数据进行位置编码中，所述的位置编码的表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）式（4）、式（5）中，i为第一/第二标签数据中第i个元素，d表示第一/第二样本数据的维度，p表示第一/第二样本数据的位置；对于第一/第二样本数据中的元素，偶数位采用式（4）进行位置编码，奇数位采用式（5）进行位置编码。7.根据权利要求1所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述步骤s40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充；具体包括：s401，接收预测周期内的第一预测结果和第二预测结果，计算出预测周期内的第一预测值和第二预测值；s402，对第一预测值和第二预测值进行偏差校验，当，执行步骤s403，否则，暂停预警以进行偏差分析；其中，为允许偏差；s403，选择第一预测值和第二预测值中较大的值作为预测结果；s404，将预测结果与当前燃煤电厂煤炭储备量进行比较，当：时，表示现有储备即可满足短期内电力供需平衡，无需增加储备；当时，表示现有储煤量可基本满足要求，可进行适当补充；当时，表示煤炭储备量不足，需要及时进行补充；当时，表示煤炭储备粮严重不足，需要立即补充；其中，r为燃煤储备裕度值。8.根据权利要求7所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，所述第一预测值和第二预测值的计算表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）式（6）中，t为预测天数；为第j天的第一预测结果；为预测周期内的第一预测结果之和；为第j天的第二预测结果；为预测周期内的第二预测结果之和。9.根据权利要求2所述的一种基于深度学习的燃煤电厂用煤量预测方法，其特征在于，通过cnn网络模型分别对两类数据库中的数据进行数据特征的提取和压缩中，所述cnn网络模型的隐含层由卷积层和池化层构成；所述卷积层为两层，其中：第一卷积层：卷积核个数k1，卷积核大小为：f
×
f，卷积计算滑动步长为s，样本填充操作参数为p；第二卷积层：卷积核个数k2，卷积核大小为：f
×
f，卷积计算滑动步长为s，样本填充操作参数为p；池化层：大小为f
×
f，滑动步长为s，样本填充操作参数为p。10.一种基于深度学习的燃煤电厂用煤量预测系统，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1至9任一项所述的一种基于深度学习的燃煤电厂用煤量预测方法。

技术总结
本申请提供一种基于深度学习的燃煤电厂用煤量预测方法及系统，包括：S10，构建用于燃煤电厂用煤量预测的两类数据库；S20，通过CNN网络模型分别对两类数据库中的数据进行数据特征的提取和压缩，对应于两类数据库分别得到第一样本数据和第二样本数据；S30，通过Transformer模型分别对第一样本数据和第二样本数据进行预测，对应于两类样本数据分别得到第一预测结果和第二预测结果；S40，根据第一预测结果和第二预测结果，对燃煤电厂煤炭储备量进行分析，当煤炭储备量不足时，发出预警信息，以提示工作人员进行补充；具有有效提高预测精度的有益效果，适用于用煤量预测领域。适用于用煤量预测领域。适用于用煤量预测领域。


技术研发人员：姬玉泽 陈文刚 蒋涛 徐海鸣 田瑞敏 董建军 王新瑞 刘贺龙 李海燕 徐囡 徐国斌
受保护的技术使用者：国网山西省电力公司晋城供电公司
技术研发日：2023.06.10
技术公布日：2023/7/12