一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法与流程

摘要: 本发明涉及煤炭时序预测,具体涉及一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法。背景技术:1、煤电凭借其技术成熟、运行稳定等特点,在当前能源结...
一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法与流程

本发明涉及煤炭时序预测,具体涉及一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法。

背景技术:

1、煤电凭借其技术成熟、运行稳定等特点,在当前能源结构中发挥着不可或缺的支撑性与调节性作用,是承担兜底保障功能的关键电源。近年来,国内外电煤市场波动剧烈且频繁,煤炭供应的不确定性显著上升,给火电企业的采购计划和成本控制带来巨大挑战,威胁煤电“兜底保障”能力的有效发挥,进而危及电力系统安全。在此背景下,对电煤相关时序数据进行精准、可靠的建模与预测,规避市场波动风险,夯实兜底保障作用,对于保障国家能源电力安全具有重要的理论与实践意义。

2、然而,电煤相关时序数据受多源异构因素共同影响,其变化具有显著的时序波动性与非线性特征,数据之间存在复杂的动态关联关系。现有研究通常采用相关性分析、灰色关联分析等方法对相关变量进行筛选与分析,但多集中于单一分析方法或局部特征建模,缺乏对多源运行数据的统一特征筛选与时序关联建模框架,难以有效刻画不同数据之间的动态依赖关系,从而影响预测模型的稳定性与准确性。

3、在煤炭时序预测方法方面,现有研究已形成多种建模思路:统计模型刻画数据的线性特征,但对复杂非线性关系的表达能力有限;机器学习模型通过非线性映射提升预测能力,但对特征选择较为敏感;深度学习模型在处理复杂时序数据方面具有较强优势,但通常依赖大量训练样本,且容易受到冗余或无关特征的干扰;此外,基于多模型融合的混合模型虽在一定程度上提升了预测性能,但模型结构复杂、泛化能力及稳定性仍有待进一步提升。

技术实现思路

1、发明目的:本发明的目的是提供一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,解决背景技术中存在的问题。

2、技术方案:本发明所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,包括以下步骤:

3、步骤1:对获取的电煤历史价格数据及电厂多源运行特征变量进行预处理;

4、步骤2:采用包括相关性分析、灰色关联度分析及最大信息系数的多种指标,对电煤的相关特征进行综合评估与初步筛选,剔除冗余变量,得到候选特征变量集合;

5、步骤3:对候选特征变量进行平稳性检验,将变量划分为平稳序列与非平稳序列;针对平稳序列,采用格兰杰因果检验分析其与电煤价格之间的因果关系;针对非平稳序列,采用协整检验分析其与电煤价格之间的长期均衡关系,并对存在协整关系的变量构建误差修正模型,以刻画其长短期动态关系,从而筛选得到电煤价格的核心特征变量集合;

6、步骤4:基于核心特征变量集合,构建深度学习预测模型,对模型进行训练,并输出未来时刻的电煤价格预测结果。

7、进一步的,步骤1中,电厂多源运行特征变量包括:电厂机组运行参数、电厂燃料消耗数据、发电负荷数据、历史电煤成本数据及燃料库存状态数据。

8、进一步的,预处理具体如下:对数据中的异常值进行识别与剔除;对于小范围的缺失值,采用插值法进行数据补全;对于大范围的缺失值,若存在高度相关的辅助变量,则以该缺失变量为被解释变量,以辅助变量为解释变量构建线性回归模型,利用完整数据训练模型后,对缺失区间进行预测补全;若不存在高度相关的辅助变量,则直接剔除该变量。

9、进一步的,步骤2具体如下:综合运用线性相关性分析、单调相关性分析、秩相关性分析、灰色关联度分析以及最大信息系数分析,以同时刻画变量之间的线性关系、非线性关系及灰色关联特征,从而筛选出与电煤价格具有高相关性、强关联度及显著信息依赖关系的候选特征变量。

10、进一步的,步骤3具体如下:对所有候选特征变量进行单位根平稳性检验,以区分平稳序列与非平稳序列;对平稳序列,通过构建向量自回归模型进行格兰杰因果检验,筛选出对电煤价格具有显著因果关系的平稳变量;对非平稳序列,通过协整检验识别其与电煤价格是否存在长期均衡关系,并对存在该关系的变量构建误差修正模型,通过检验误差修正项的显著性,筛选出既能与电煤价格保持长期均衡、又具有短期动态调整机制的非平稳变量;将筛选出的具有显著因果关系的平稳变量与具有显著误差修正机制的非平稳变量进行整合,构成所述核心特征变量集合。

11、进一步的,步骤4之前还包括:采用滑动时间窗口方法对所核心特征变量集合进行样本重构即设定一个时间窗口长度,将连续时间序列中,从过去特定时刻至当前时刻的多变量特征作为模型输入,并将未来特定步长时刻的电煤价格作为预测目标,通过在时间轴上滑动窗口,构建用于监督学习的样本集。

12、进一步的,对输入深度学习模型的数据进行最小-最大归一化处理,将每个特征的数值范围映射到统一的区间,以消除不同特征之间量纲差异对模型训练的影响。

13、进一步的,步骤4中,深度学习预测模型为多层人工神经网络模型,包括一个输入层、多个隐藏层和一个输出层;输入层用于接收经滑动时间窗口重构的多变量时序特征;隐藏层通过多个神经节点和非线性激活函数逐层提取输入数据中的时序依赖特征与非线性关系;输出层用于输出最终的电煤价格预测值。

14、进一步的,深度学习预测模型的训练过程以最小化预测值与真实值之间的误差为目标,通过反向传播算法计算损失函数对各层参数的梯度,并采用基于梯度下降的优化算法迭代更新模型中的权重矩阵和偏置向量,直至损失函数收敛或达到预设的训练轮数。

15、进一步的,深度学习预测模型的损失函数中引入正则化项,所述正则化项用于约束模型参数的复杂度,以提升模型在未知数据上的泛化能力,防止过拟合。

16、有益效果:与现有技术相比,本发明具有如下显著优点:本发明通过融合多指标筛选与因果分析方法,对电煤特征变量进行系统性筛选,能够从大量候选变量中识别出与电煤具有显著相关性及因果关系的核心驱动因素,有效降低冗余信息对模型的干扰;在此基础上,将筛选得到的关键特征引入深度学习预测模型,充分挖掘变量之间的非线性关系与时序依赖特征,具有良好的工程应用价值。

1.一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,步骤1中,电厂多源运行特征变量包括:电厂机组运行参数、电厂燃料消耗数据、发电负荷数据、历史电煤成本数据及燃料库存状态数据。

3.根据权利要求2所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,预处理具体如下:对数据中的异常值进行识别与剔除;对于小范围的缺失值,采用插值法进行数据补全;对于大范围的缺失值,若存在高度相关的辅助变量,则以该缺失变量为被解释变量,以辅助变量为解释变量构建线性回归模型,利用完整数据训练模型后,对缺失区间进行预测补全;若不存在高度相关的辅助变量,则直接剔除该变量。

4.根据权利要求1所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,步骤2具体如下:综合运用线性相关性分析、单调相关性分析、秩相关性分析、灰色关联度分析以及最大信息系数分析,以同时刻画变量之间的线性关系、非线性关系及灰色关联特征,从而筛选出与电煤价格具有高相关性、强关联度及显著信息依赖关系的候选特征变量。

5.根据权利要求1所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,步骤3具体如下:对所有候选特征变量进行单位根平稳性检验,以区分平稳序列与非平稳序列;对平稳序列,通过构建向量自回归模型进行格兰杰因果检验,筛选出对电煤价格具有显著因果关系的平稳变量;对非平稳序列,通过协整检验识别其与电煤价格是否存在长期均衡关系,并对存在该关系的变量构建误差修正模型,通过检验误差修正项的显著性,筛选出既能与电煤价格保持长期均衡、又具有短期动态调整机制的非平稳变量;将筛选出的具有显著因果关系的平稳变量与具有显著误差修正机制的非平稳变量进行整合,构成所述核心特征变量集合。

6.根据权利要求1所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,步骤4之前还包括:采用滑动时间窗口方法对所核心特征变量集合进行样本重构即设定一个时间窗口长度,将连续时间序列中,从过去特定时刻至当前时刻的多变量特征作为模型输入,并将未来特定步长时刻的电煤价格作为预测目标,通过在时间轴上滑动窗口,构建用于监督学习的样本集。

7.根据权利要求6所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,对输入深度学习模型的数据进行最小-最大归一化处理,将每个特征的数值范围映射到统一的区间,以消除不同特征之间量纲差异对模型训练的影响。

8.根据权利要求1所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,步骤4中,深度学习预测模型为多层人工神经网络模型,包括一个输入层、多个隐藏层和一个输出层;输入层用于接收经滑动时间窗口重构的多变量时序特征;隐藏层通过多个神经节点和非线性激活函数逐层提取输入数据中的时序依赖特征与非线性关系;输出层用于输出最终的电煤价格预测值。

9.根据权利要求8所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,深度学习预测模型的训练过程以最小化预测值与真实值之间的误差为目标,通过反向传播算法计算损失函数对各层参数的梯度,并采用基于梯度下降的优化算法迭代更新模型中的权重矩阵和偏置向量,直至损失函数收敛或达到预设的训练轮数。

10.根据权利要求9所述的一种融合多指标筛选与时序动态关联分析的电煤关键特征识别及预测方法,其特征在于,深度学习预测模型的损失函数中引入正则化项,所述正则化项用于约束模型参数的复杂度,以提升模型在未知数据上的泛化能力,防止过拟合。