申请/专利权人：北京南瑞数字技术有限公司;南瑞集团有限公司

申请日：2022-10-20

公开（公告）日：2023-03-07

公开（公告）号：CN115759342A

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/087;G06Q50/06

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.03.24#实质审查的生效;2023.03.07#公开

摘要：本发明公开了一种基于贝叶斯优化LGBM的电厂煤炭库存预测方法和系统，其中预测方法包括：1、根据历史数据构建原始样本集，所述原始样本集中的样本r由第1到k日的状态序列s1,s2,…,sk‑1,sk和第k+1日的电厂耗煤量ck+1构成；对原始样本集中的样本进行归一化，得到训练样本集；2、构建LGBM模型，所述LGBM模型用于根据1,2,…,k日的状态序列预测k+1日的电厂耗煤量；3、采用贝叶斯优化算法对LGBM模型进行训练，优化超参数；4、获取当前日期和前k‑1日的状态构成状态序列，将所述状态序列输入训练好的LGBM模型，LGBM模型输出当前日期后一日的预测耗煤量；根据当前日期的煤炭库存量和运输计划，计算当前日期后一日的煤炭库存量。该方法能够准确预测电厂的煤炭库存量。

主权项：1.一种基于贝叶斯优化LGBM的电厂煤炭库存预测方法，包括训练阶段和预测阶段，其特征在于，所述训练阶段包括：步骤1、根据历史数据构建原始样本集，所述原始样本集中的样本r由第1到k日的状态序列s1,s2,…,sk-1,sk和第k+1日的电厂耗煤量ck+1构成：r＝s1,s2,…,sk-1,sk,ck+1；其中第k日的状态sk包括第k日的电厂耗煤量ck、电厂输电区域的最高气温最低气温天气状态wk、以及日dk、月mk、年yk、季节lk：对原始样本集中的样本进行归一化，得到训练样本集；步骤2、构建LGBM模型，所述LGBM模型用于根据1,2,…,k日的状态序列预测k+1日的电厂耗煤量；步骤3、采用贝叶斯优化算法对LGBM模型进行训练，优化超参数，具体步骤为：S1、随机初始化LGBM模型的超参数，设为x0，根据训练样本集计算在超参数x0下的损失函数值loss0；x0和loss0构成初始数据集D0＝{x0,loss0}；初始化最大迭代次数N；初始化当前迭代次数t＝1；初始化最小损失值lossmin＝loss0，初始化最优超参数xbest＝x0；S2、计算似然函数：其中Pxi|f表示超参数xi在当前分布函数fx下的概率，xi为数据集中第i个样本中的超参数；分布函数fx为采用Matern核的高斯过程：fx～Nμx,KMaternx,x′其中μx为数据集中超参数的均值，KMaternx,x′为Matern核函数，x,x′均为数据集中的超参数；计算后验分布：Px|Dt-1＝Likehood*fx；S3、计算基于后验分布的PI函数值：PIx|Dt-1＝Pfx≥fx++ε|Dt-1；其中ε≥0为预设参数；获取PI函数值取最大值时对应的x，作为当前迭代的超参数xt： S4、计算当前迭代的超参数xt对应的目标函数值：losst＝fxt；如果losst＜lossmin，更新lossmin＝losst，并更新最优超参数xbest＝xt；S5、将xt,losst加入Dt中，得到当前迭代的数据集Dt＝Dt-1∪xt,losst；S6、如果t＜N，令t加一，跳转至步骤S2进行下一次迭代；如果t＝N，则最优超参数xbest作为LGBM模型优化后的超参数；所述预测阶段为：步骤4、获取当前日期和前k-1日的状态构成状态序列，将所述状态序列输入训练好的LGBM模型，LGBM模型输出当前日期后一日的预测耗煤量；根据当前日期的煤炭库存量和运输计划，计算当前日期后一日的煤炭库存量。

全文数据：

权利要求：

百度查询： 北京南瑞数字技术有限公司;南瑞集团有限公司 基于贝叶斯优化LGBM的电厂煤炭库存预测方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD