论文部分内容阅读
随着造纸过程用电能耗的增加,其用电成本也逐年增加。对造纸过程进行短期负荷预测,有利于优化用电结构、合理安排生产调度,从而提高生产效率、降低用电成本。因此,本文结合研究课题的目标,利用不同造纸企业的生产过程真实数据,对造纸企业的用电特征进行分析,利用不同的预测模型,分析不同的输入变量对模型精确度的影响。同时,根据造纸过程的用电特征,建立了不同的短期电力负荷预测模型,分析不同的生产过程中,不同预测模型的性能好坏。首先,采集两个不同造纸企业的用电数据,对造纸过程用电进行分析,发现造纸过程用电不具有周期性和平稳性,然后利用造纸过程用电存在正常、计划停机和非计划停机三种情况,把数据进行分类,对每一类的数据都进行数据预处理(包括异常值剔除、数据填补以及数据滤波等),把处理好的数据整理成数据集,为后续分析和建模做准备。最后通过相关性分析和滞后自相关方法分析得到对总有效功率相关性强的影响因素。根据造纸过程的用电特征,本文提出了基于GA-PSO-BPNN混合算法的造纸过程短期电力负荷预测模型。利用相关性分析得到的与造纸过程相关系数绝对值高于0.6的用电设备对应的有效功率作为输入,采用GA-PSO混合优化算法优化BPNN的权值和阈值,建立了能够预测未来半小时的造纸过程负荷预测模型,并与基于PSO-BPNN和PSOLSSVM算法的预测模型进行对比。结果表明,本文提出的模型的精确最高,其MAPE为0.77%。然后分析了模型的输入变量的不同对预测模型精确度的影响。根据相关系数和滞后自相关分别求取与总有效功率相关性强的影响因素作为模型输入,为了保证算法不会影响结果对比,因此选择两种算法PSO-BPNN和PSO-LSSVM对造纸过程电力负荷建立预测模型,而且为了保证数据不具有特殊性,本文选择了两个不同类型造纸企业的用电数据进行建模。通过对比发现,采用滞后自相关求取与总有效功率相关性强的影响因素作为输入,模型的预测精确度更高。为了解决预测滞后的问题,本文基于信号分解混合算法建立了六个造纸过程短期电力负荷预测模型。首先对EMD和VMD分解模型的特点分别进行分析,并结合两种算法的优点,提出了EMD-VMD分解模型。为了保证预测算法对模型预测结果无影响,本文利用PSO-BPNN和PSO-LSSVM算法建立预测模型,分析了采用不同的分解算法进行预测的优缺点。最后为了实现电力负荷预测模型的工业化应用,本文根据某造纸企业的要求,利用该造纸企业的用电数据,分析了其用电特征,选择三种算法建立负荷预测模型,对比发现采用VMD-PSO-BPNN算法对该造纸企业进行建模精确度更高。为了保证模型能够持续稳定的运行下去,分别采用5、10、15、20、30为动态更新周期建立预测模型。发现当更新周期为10时,其模型的稳定性最好。为了保证本文选择的模型的长期有效性,通过线下验证,证明了该模型预测结果与实际负荷趋势相一致,并成功应用于该造纸企业。