基于双储备池ESN和改进RBFNN的城市燃气负荷预测
基于改进Elman网络的燃气负荷预测
第36卷增刊(I)2006年7月 东南大学学报(自然科学版)JOURN AL OF SO UTHEAST UNI VERSITY (Natural S cience Edition )Vol 136S up (I)July 2006基于改进Elman 网络的燃气负荷预测苏 刚1 王玲玲2 徐永生2(1天津城市建设学院电子与信息工程系,天津300384)(2天津城市建设学院热能工程系,天津300384)摘要:为提高燃气负荷预测的精度,分析了燃气小时负荷的变化规律和影响因素,建立了燃气小时负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF Elman)网络对燃气小时负荷进行预测.与传统的Elman 网络比较,OIF Elman 网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本点较少时,无论在训练速度上,还是在预测精度上,OI F Elman 网络明显优于Elman 网络.OIF Elman 网络提高了网络的泛化能力,既降低了对训练样本个数的需求,又能提高预测精度,在燃气负荷预测中得到成功的应用.关键词:OIF Elman 网络;燃气负荷;预测中图分类号:TP273 文献标识码:A 文章编号:1001-0505(2006)增刊(I )20168204G a s load for ecasting w ith impr oved Elman net w or kS u G ang 1 Wang Lingling 2 Xu Y ongsheng2(1De partm ent of E lectron and In form ation Engineeri ng ,Tianjin Ins titute of Urban C ons tructi on ,T ianjin 300384,C hina)(2Departm ent of Therm al Engineering ,Tianji n Institute of Urban C ons truction ,Tianjin 300384,C hina )Abstract : In order to im pr ove the forecasti ng accuracy ,in acc ordance w ith the influence factors and charac 2teristics of h our gas load ,a m odel has been established to forecasting hour gas load w ith OIF (output 2input feedback)Elman netw ork.C ompared w ith convertional Elm an netw ork ,OIF Elm an netw ork takes into acc ount not only the hidden nodes feedback but also the output feedback so as to obtain more inf orm ation fr om limited sam pling spots.The emulation illustrates that OIF Elman netw ork i s better than E lman netw ork not only in training speed but also in accuracy when the sam pling spots are less.OIF Elman netw ork impr oves the general 2ization.I t als o improves the forecasting accuracy w ith less sampling spots.There fore it can be used successful 2ly to forecast the hour gas load.K ey w or ds : OIF Elman netw ork ;gas load ;forecasti ng 收稿日期622 基金项目天津市高等学校科技发展基金资助项目(3) 作者简介苏刚(6—),男,博士,副教授,@63国内近几年在天然气工业方面发展迅速,一些大型气田的相继发现和开发为天然气在我国的广泛应用奠定了基础.在市场经济不断完善的今天,天然气供求双方签订购销合同,卖方按照买方提供的供气计划供气,实行,“照付不议”的原则.天然气耗气量预测的准确度不仅与买方企业的经济利益密切相关,而且对产气方来讲,由于城市燃气输配管网系统建设投资占系统总投资50%以上,所以,输配管网的设计与运行管理质量直接影响供气系统的经济效益.准确的城市燃气负荷预测有助于做好城市燃气管网规划,从而保证燃气管网系统的投资效益和可靠性,以及整个城市燃气管网的优化运行.可靠的中长期负荷预报便于合理安排后期工程,确定生产能力,安排设备的更新维修等;准确的短期预报可用于指导安排燃气生产计划,确定燃气产量、存储量.因而燃气负荷的预测成为目前天然气工业急需解决的课题.1 E lman 网络及其改进网络111 Elman 网络 Elman 网络结构如图1所示,它除了输入层、隐层、输出层之外,还有一个特殊的联系单元.联系单元是用来记忆隐层单元以前时刻的输出值的,可认为是一个时延算子因此,这里前馈连接部分可以进行连:2000420.:2004101.:199sgltu ..图1 E lman 网络结构示意图接权修正,而递归部分则是固定的,即不能进行学习修正,设网络的输入层为r 个节点,隐层和联系单元为n 个节点,输出层为m 个节点,则网络输入u 为r 维向量,隐层输出x 及联系单元输出x c 为n 维向量,网络输出y 为m 维向量,连接权W 11为n ×n 维矩阵,W 12为n ×q 维矩阵,W 13为m ×n 维矩阵.网络的数学模型为[1]x (k )=f (W 11x c (k )+W 12u (k -1))(1)x c (k )=αx c (k -1)+x (k -1)(2)y (k )=W 13x (k )(3)式中,f (x )取为sigm oid 函数,即f (x )=11+e -x,0≤α<1为自连接反馈增益因子,当α固定为0时,此网络为标准的Elman 网络;当α≠0时,为修改的Elman 网络.设第k 步系统的实际输出为y d (k ),定义误差函数为E (k )=12(y d (k )-y (k ))T (y d (k )-y (k )),将E 对连接权W 11,W 12,W 13分别求偏导,由梯度下降法可得Elman 网络的学习算法:ΔW 13ij =η3δ0i x j (k ) i =1,2,…,m ;j =1,2,…,n (4)ΔW 12jq =η2δh j u q (k -1) j =1,2,…,n ;q =1,2,…,r (5)ΔW 11jl =η1∑mi =1(δ0i W 13ij )5x j (k )5W 11jl j =1,2,…,n ;l =1,2,…,n(6)其中,η1,η2,η3分别为W11,W 12,W 13的学习步长δ0i =(y di (k )-y i (k ))(7)δhj=∑mi =1(δ0i W 13ij )f ′j ()(8)5x j (k )5W 11jl =f ′j ()x l (k -1)+α5x j (k -1)5W 11jl(9)图2 OIF Elma n 网络结构示意图112 改进的Elman 网络在Elman 网络模型中,只计入了隐层节点的反馈,而没有考虑输出层节点的反馈.因为各层神经元的反馈信息都会影响网络的信号处理能力[2],所以本文考虑增加输出层节点的反馈,介绍的是具有输出2输入反馈机制的改进Elman 网络,即OIF Elman 网络[3](结构示意图如图2所示),OIF Elman 网络增加了输出节点的反馈,称之为联系单元2,并将它放在第1层,与输入单元和联系单元一起作为隐层节点的输入,0≤γ<1为它的自连接反馈增益因子,它的权值记为W 14.OIF Elman 网络数学模型和学习算法如下:OIF Elman 网络的数学模型为x (k )=f (W 11x c (k )+W 12u (k -1)+W 14y c (k ))(10)x c (k )=αx c (k -1)+x (k -1)(11)y c (k )=γy c (k -1)+y (k -1)(12)y (k )=W 13x (k )(13)OIF El man 网络的隐层节点中增加了联系单元2作为输入,所以对权值W 11,W 12,W 13的修正公式与网络的相同,分别由上一节中的式(6)、式(5)和式()给出,对于权值W 14的修正公式其推导和网络类似,直接给出如下ΔW j =η∑=(δW 3j )5x j ()5W j j =,,…,;=,,…,()961增刊(I )苏刚,等:基于改进Elm an 网络的燃气负荷预测Elman 4Elman :14s 4mi 1o i 1i k 14s 12n s 12m 145x j (k )5W 14js =f ′j ()y s (k -1)+γ5x j (k -1)5W 14js j =1,2,…,n ;s =1,2,…,m (15)式中,η4为W 14的学习步长;δoi 由式(7)给定.2 燃气负荷预测所谓负荷预测,是指在充分考虑一些重要的系统运行特性、增容决策和自然条件的情况下,系统地处理过去和未来负荷的方法,在一定精度意义下,估计未来某一待定时刻或某段特定时刻的负荷值.预测精度是负荷预测的主要指标.天然气作为一种特殊的商品,负荷预测作为天然气这种特殊“商品”的“市场调查”,指导着天然气的合理分配.准确预测城市燃气负荷有着非常重要的意义,它有助于管理部门做好城市燃气管网规划,从而保证燃气管网系统的投资效益和可靠性,以及整个城市燃气管网的优化运行;有助于燃气公司以最低的成本做好及时、合理的调度,保障输配系统的安全可靠地运行;有助于合理安排后期工程,安排设备的更新维修等;有助于指导安排燃气生产计划,确定燃气产量、存储量;有助于保证用气企业的经济利益,对企业本身的燃气需求做到心中有数,从而合理安排能源.目前,国内对城市燃气负荷预测越来越重视,但相对而言,研究还刚刚起步.不少研究人员分别采用回归分析法、时间序列分析法、人工神经网络法、灰色预测法和模糊神经网络技术对燃气负荷进行预测,并取得一定的成果[4].本文着重介绍改进Elman 神经网络对比于Elman 神经网络在负荷预测上的优越性.211 燃气负荷模型建立燃气负荷工况监控中,通过与天津某燃气公司调度人员了解情况,本系统选择某一门站燃气负荷数据建立模型预测燃气负荷的变化.根据燃气负荷的分析,由某星期类型某时刻的负荷构成一时间序列,分别对相对应的负荷进行预测,输入量为u 1=L (d ,h -1),u 2=L (d ,h ),u 3=L (d ,h +1),u 4=L (d -1,h -1)u 5=L (d -1,h ),u 6=L (d -1,h +1)输出量为y =L (d +1,h )式中,d 为日期;h 为预测小时;L (d ,h )为第d 天第h 小时的负荷.若预测y =L (d +1,h ),依次取y =L (d +1-7,h ),…,y =L (d +1-7×N ,h )及相应的输入量作为样本,用前述方法训练神经网络,利用训练所得网络参数进行预测.如果训练样本中含有节假日的数据,则去掉此数据,相应往后推另取样本数据.节假日负荷单独采用神经网络训练.神经网络结构参数选为输入神经元个数为6,隐层神经元和联系层神经元的个数为18,学习步长为012,输出神经元个数为1,本文使用的都是小时负荷,这样可以通过前几个时刻的小时负荷预测下一时刻或某一时刻这个站点的小时负荷[5-6].另外,网络训练结束的条件是网络的训练次数不超过5000,E <01001,负荷值通过以下式归一化为[0,1],并换算回负荷值[7]:x =Q -Q minQ max -Q min(16)Q =(Q max -Q m in )x +Q min(17)式中,Q max ,Q min 分别为小时负荷的最大值和最小值;x 表示归一化值;Q 表示小时负荷值.212 燃气负荷仿真在仿真中,用当天12:00时的负荷数据,实时预测当天4个典型时刻的燃气负荷变化.分别用改进Elman 和Elman 两种神经网络建模进行预测.图3和图4分别为某一时刻Elman 网络和改进Elman 网络训练误差曲线,由图可见,改进Elman 网络在训练初期,改进Elm an 网络不如E lman 网络训练速度快,但达到一定步数后,改进Elman 网络速度明显加快,且训练误差远小于网络这种趋势具有普遍性071东南大学学报(自然科学版)第36卷Elman ..表1为某日预测测试结果对比,由表可以看出,改进Elman 神经网络的负荷预测效果明显好于Elman 神经网络.表1 某日预测测试结果时刻实际负荷/(m 3h -1)改进Elm anElm an预测值/(m 3h -1)相对误差/%预测值/(m 3h-1)相对误差/%13:005435311632-2109456215903160815:004734711682-0127949718895126218:001331133813470155212371266-7104221:003493451065-111273211737-718123 结 语用改进Elman 神经网络对小时负荷进行预测,训练速度快、误差小,预测效果好于Elman 神经网络.如果在预测模型中加入气象参数(如温度、风力、降水等)的历史纪录,将会提高预测模型的预测精度.若能获得更全面的数据资料可以对这些量的影响程度进行分析.不过神经网络建模方法没有一定的理论可寻,模型结构需要建立者反复调试和修正,工作量较大.如果因为其他因素(如政府宏观调控等)造成描述的系统性质发生变化时,模型的适应性将会受到限制,必要时需要重新调整变量和结构,重新训练,或与其他预测方法相结合,以保证预测的准确性.但从整体上来说,神经网络模型还是以其优良的预测品质成为燃气负荷预测建模中的首选方法[8].参考文献(References)[1]Pham D T ,Liu X.T rain ing of elman netw orks and d ynamic system m odeling[J ].International Journal o f Systems Science ,1996,27(2):2212226.[2]Ren X uemei ,Chen Jie ,G ong Z hihao ,et al.A pprox imati on property o f the m od ified E lman netw ork[J ].Journal o f Beijing Institu te o fT echnology ,2002,11(1):19223.[3]时小虎,梁艳春,徐旭.改进的E lman 模型与递归反传控制神经网络[J ].软件学报,2003,14(6):111021119.Shi X iaohu ,Lian g Y anchun ,X u Xu.An improved Elman m odel and recurren t back 2propagation control neural netw orks[J ].J ournalo f So ftware ,2003,14(6):111021119.(in Chinese )[4]焦文玲,展长虹,廉乐明.城市燃气短期负荷预测的研究[J ].煤气与热力,2001,21(6):4832486.Jiao Wen ling ,Z han Changh ong ,Lian Y ueming.Study o f forecas ting for fhort term load of city gas[J ].Gas&H eat ,2001,21(6):4832486.(in Chinese )[5]飞思科技产品研发中心.神经网络理论与MAT LA B7实现[M ].北京:电子工业出版社,2005:1362141.[6]司风琪,洪军,徐治皋.基于改进E lman 网络的动态系统测量数据检测方法[J ].东南大学学报,2005,35(1):51254. Si Fengqi ,H ong Jun ,X u Z hig ao.D ynamic sys tem data validation meth od based on th e improved E lman netw ork[J ].Journal o fSou theast Univ ersity ,2005,35(1):51254.(in Chinese )[7]刘亚斌,刘雪田,肖文晖.基于改进E lman 神经网络的燃气管网实时预测[J ].系统工程学报,2003,18(5):4752479.Liu Y ab in ,Liu X uetian ,X iao Wenhu i.Forecast of gas line s tastus at real time bas ed on m od ifieled E lman neural netw ork[J ].J o ur 2f Sy ,3,(5)52()[]杨昭,刘燕,苗志彬,等人工神经网络在天然气负荷预测中的应用[]煤气与热力,3,3(6)323,36Y Z ,L Y ,M Z ,f 2f []G &,3,3(6)323,36()171增刊(I )苏刚,等:基于改进Elm an 网络的燃气负荷预测nal o stem Engin eering 20018:47479.in Chinese 8.J .2002:21222.an g hao iu an iao hibin et al.App lication o neural network in natural g as load orecasting J .as Heat 2002:21222.in Chinese。
城市燃气用气负荷预测及调峰储气与研究论文
国燃气事业发展极其缓慢。
最近几年，随着石油的短缺，圈家开始重视天然气行业，我国的燃气事业开始了快速的发展。
西气东输工程的完成，陕京复线的竣工等等，所有这些都在蜕明一个问题，即我国的天然气行ｊＩｋ正处丁大好的历史发展时期。
从下面对哈尔滨市的用气结构的分析中，我们不难得出这一结论。
哈尔滨市的城市用气存在多种气体并存的局面，其中有煤气、天然气、液化石油气等，由于煤气的热值较天然气低，而且煤气对火气的污染又较重，远没有天然气清洁。
因此，近几年天然气获得很大的发展。
在城市目前的用气结构中，煤气所占的份额在减少，而天然气所占的份额却在急速的上升。
哈尔滨市２００１年煤气的用量为２８９５８６ＫＮｍ３，天然气的用量为６４５１．９７７ＫＮｍ３，液化石油气的用量为２４３６６．２１Ｔ，如果按热值计算（煤气热值为３７００Ｋｃａｌ／Ｎｍ３，天然气热值为８１００Ｋｃａｌ／Ｎｍ３，液化石油气的热值为１０８１６Ｋｃａｌ／ｋｇ）其构成比例见图２．７。
哈尔滨市２００３年煤气的用量为３２９１２０ＫＮｍ３，天然气的用量为６４４８５２５ＫＮｍ３，液化石油气的用量为７９９９８Ｔ，按热值计算其构成比例见图２—８。
通过图可知，２００１年哈尔滨市的煤气、天然气、液化石油气所占的比重分别为７７．２４％、３．７７％、１９％。
而２００３年煤气、天然气、液化石油气所占的比重分些为２．２４％、９６．１７％、１．５９％。
可见，天然气的用量和比重都在急剧的增加。
虽然煤气的比重在减少，但是，煤气的用量却在增加。
液化石油气的用量也在增加而所占的比重在减少。
幽２—７２００１年哈尔滨市三种燃料的比例２－７Ｐｒｏｐｏｒｔｉｏｎｏｆｔｈｒｅｅｋｉｎｄｓｏｆｆｕｅｌｓｉｎ２００１ｉｎＨａｒｂｉｎＦｉｇｕｒｅ图２－８２００３年哈尔滨市三种燃料的比例Ｆｉｇｕｒｅ２－８Ｐｒｏｐｏｒｔｉｏｎｏｆｔｈｒｅｅｋｉｎｄｓｏｆｆｕｅｌｓｉｎ２００３ｉｎＨａｒｂｉｎ６、燃气价格的影响价格影响供求，燃气的价格在很大程度上能决定它的用户数量。
城市天然气负荷预测及调峰方案
需求侧管理调峰方案
总结词
需求侧管理调峰方案是一种通过控制和 调整天然气需求来平衡供求关系的调峰 策略。
VS
详细描述
需求侧管理调峰方案包括对城市天然气用 户进行分类，根据其用气特点制定不同的 调控措施。例如，对工业用户采取错峰生 产或调整生产班次等方式，降低高峰时段 用气需求；对商业用户和居民用户，则通 过宣传引导、优惠政策等措施，鼓励其在 低谷时段使用天然气。
储存设施调峰方案
总结词
储存设施调峰方案是通过建设和管理天然气储存设施，如地 下储气库、液化天然气（LNG）接收站等，实现天然气的调 峰。
详细描述
储存设施调峰方案可以在天然气需求低谷期储存多余的天然 气，并在需求高峰期释放储存的天然气，以平衡市场供需。 同时，储存设施还可以作为应急备用，应对突发事件和管道 故障等情况。
3. 结合智能技术、大数据等先进手段，实现城市天然气负荷 预测及调峰方案的智能化管理；
4. 开展跨学科、跨领域合作，共同推进城市能源规划与管 理的研究与实践。
感谢您的观看
THANKS
预测方法 采用历史数据法，通过对过去几 年的用气数据进行分析，预测未 来各时段用气量。
调峰方案 在用气高峰期，通过增加天然气 储备、提高输气设备输气能力、 推广错峰用气等方式进行调峰。
某省天然气负荷预测及调峰方案案例
背景介绍
该省是能源消费大省，天然气消费量逐年上升，为满足全 省各区域的用气需求，需要进行全省范围内的天然气负荷 预测及调峰方案设计。
预测方法
采用多元回归分析法，通过对全省各区域的用气历史数据 进行分析，建立数学模型，预测未来各区域的用气量。
调峰方案
在全省范围内建立多级天然气储备基地，提高输气设备的 输气能力，推广集中供气和分布式能源等方式进行调峰。
燃气负荷智能预测研究及其实现的开题报告
燃气负荷智能预测研究及其实现的开题报告题目：燃气负荷智能预测研究及其实现一、研究背景及意义随着城市化进程的加速，城市燃气供应压力越来越大。
如何合理、高效地利用燃气资源，提高燃气供应质量，是城市燃气供应管理面临的一个新问题。
对于燃气供应企业来说，如何在不断增长的需求下合理规划和优化资源，减少生产成本，提高服务水平，成为企业发展的核心竞争力。
因此，燃气负荷预测成为燃气供应企业和燃气消费者的关键技术。
它可以为燃气供应企业提前预测未来的燃气需求，有效规划生产计划，减少生产成本，提高效益；对于燃气消费者来说，可以帮助他们在用气高峰期提前合理规划用气，避免燃气供应紧张和价格上涨等问题。
二、研究内容和方法本论文旨在通过对燃气负荷进行智能预测，提高燃气供应企业的生产效率和服务质量。
具体研究内容和方法如下：1. 收集和整理燃气用气数据，建立燃气负荷预测模型。
通过对历史数据的分析，运用机器学习算法和时间序列分析方法，建立燃气负荷预测模型，并优化模型，提高预测精度。
2. 针对各行业的用气特点，建立行业预测模型。
通过对各行业燃气用气特点的分析，建立不同行业的燃气负荷预测模型，提高预测精度。
3. 研究和设计预测系统。
根据建立的预测模型，设计并实现一个燃气负荷预测系统，包括数据接入、数据处理、数据预处理等模块。
4. 系统评估和优化。
通过对实时数据的预测准确率评估和系统的反馈，优化预测模型和系统，提高预测精度和稳定性。
三、拟解决的问题和预期成果通过本研究的燃气负荷智能预测技术和燃气负荷预测系统，能够有效解决以下几个问题：1. 提高燃气供应企业的生产效率和服务质量，减少生产成本，提高效益；2. 帮助燃气消费者在用气高峰期提前合理规划用气，避免燃气供应紧张和价格上涨等问题；3. 提高燃气行业的智能化水平和核心竞争力，促进行业的可持续发展。
预期成果如下：1. 建立具有可行性和有效性的燃气负荷智能预测模型。
2. 设计和实现一套稳定、高效、易用的燃气负荷预测系统。
城市燃气负荷预测的研究
城市燃气负荷预测的研究城市燃气负荷预测的研究随着城市化进程的加快和人们对生活质量的要求不断提高，城市的燃气需求日益增长。
合理预测城市燃气负荷，在避免能源浪费和满足居民需求之间找到合适的平衡点，成为了许多研究者关注的焦点。
城市燃气负荷预测是指通过分析历史数据和现有信息，利用数学和统计模型，对未来一段时间内城市燃气需求的数量和趋势进行预测的技术。
这种方法不仅能够帮助燃气公司和相关政府部门进行合理的资源调配和规划，还能够促进燃气供应链的优化和能源消费的合理分配。
城市燃气负荷预测的研究可分为多个方面。
首先，对历史数据进行分析是预测模型的基础。
通过对过去几年的燃气需求数据进行分析，找出其中的规律和趋势，可以为未来的预测提供重要依据。
例如，将历史数据分析后发现，城市燃气需求在冬季明显高于夏季，且在工作日比非工作日要大等。
这种周期性规律的发现，可以帮助预测模型更准确地预测未来的燃气负荷。
其次，利用数学和统计模型进行预测是一种常用的方法。
根据历史数据的分析结果，可以选择适合的模型，如回归模型、时间序列模型等，进行预测。
回归模型可以通过研究燃气需求与各种因素（如气温、人口数量、赛事活动等）之间的关系，进行燃气负荷的预测。
时间序列模型则可以通过对时间序列数据进行建模，找出其中的周期性、趋势性和随机性等特点，进而对未来的燃气需求进行预测。
另外，数据挖掘和人工智能技术的应用也为燃气负荷预测提供了新的思路。
通过采集大量的实时数据，如天气数据、人口数据、燃气使用设备的信息等，利用数据挖掘技术分析其与燃气负荷之间的关系，可以建立更为准确的预测模型。
而人工智能技术，如神经网络和遗传算法等，可以进一步提高预测模型的准确性和稳定性，帮助预测人员更好地预测城市燃气负荷。
此外，城市燃气负荷预测研究还需要考虑到城市发展的可持续性。
在预测过程中，需要综合考虑可再生能源的利用、能源消费的减排和能源供需之间的平衡等方面的因素。
只有在可持续发展的基础上进行燃气负荷预测，才能更好地满足城市居民的需求，并为城市的发展提供可靠的能源保障。
城市燃气负荷预测技术研究方法分析
城市燃气负荷预测技术研究方法分析
廖泽辉
【期刊名称】《石化技术》
【年(卷),期】2016(023)007
【摘要】本文介绍了燃气负荷预测方法,并选用灰色—神经网络预测方法进行实例考核,表明灰色—神经网络预测方法使预测精度得到了明显的提高,降低了实际负荷值和预测值之间的平均绝对误差和平均相对误差.
【总页数】1页(P140)
【作者】廖泽辉
【作者单位】西安石油大学陕西西安 710065;陕西省天然气股份有限公司陕西西安 710016
【正文语种】中文
【相关文献】
1.城市燃气负荷预测分析 [J], 张德建
2.差分进化极限学习机城市燃气负荷预测 [J], 何方舟;姚安林;刘源海;宋承恩;翁祥
3.城市燃气负荷预测方法及其分析 [J], 朱雪鹏
4.基于ESN和改进RBFNN的城市燃气负荷预测 [J], 徐玚;徐晓钟
5.城市燃气小时负荷预测模型研究 [J], 刘金源
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进RBF网络算法的电力系统短期负荷预测
基于改进RBF网络算法的电力系统短期负荷预测
郭伟伟;刘家学;马云龙;李书琰
【期刊名称】《电力系统保护与控制》
【年(卷),期】2008(036)023
【摘要】提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进,并将之运用于电力系统短期负荷预测.交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素,并在预测形式上做了巧妙处理.预测结果表明改进的RBF网络算法具有一定的实用性.
【总页数】4页(P45-48)
【作者】郭伟伟;刘家学;马云龙;李书琰
【作者单位】许昌供电公司,河南,许昌,461000;深圳供电局,广州,深圳,518020;许昌供电公司,河南,许昌,461000;许昌供电公司,河南,许昌,461000
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于大数据简约及PCA改进RBF网络的短期电力负荷预测 [J], 张淑清;任爽;陈荣飞;钱磊;姜万录;李盼
2.一种改进的RBF网络在电力系统短期负荷预测中的应用 [J], 张晓亮
3.基于改进BP算法的短期电力系统负荷预测 [J], 林俐;汤亚芳;张尚然
4.基于改进随机森林算法的电力系统短期负荷预测模型 [J], 邢书豪;孙文慧;颜勇;张智晟
5.电力系统短期负荷预测的改进BP神经网络算法比较 [J], 程超
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进灰色GM(1,1)模型的天然气负荷预测
基于改进灰色GM(1,1)模型的天然气负荷预测孙相博;王岳【摘要】构建三种改进的灰色预测模型,提高传统预测方法的精度.以北京市2007—2015年天然气负荷量作为原始数据建立模型,并用2016年数据进行结果检验.依次对三种改进灰色GM(1,1)模型分析和比较,选出最佳的改进模型与新陈代谢模型结合,替换旧数据、填补新数据,依次建模,构建北京市2017—2020年天然气负荷量预测模型.结果表明,组合后的模型可降低原始数据对预测系统的干扰,预测精度符合实际要求,且精度远高于传统的灰色模型,能真实反映未来天然气年负荷量的发展趋势,预测结果具有可靠性和实用性.同时,也为燃气市场的规划和调控提供参考.【期刊名称】《辽宁石油化工大学学报》【年(卷),期】2019(039)003【总页数】6页(P52-57)【关键词】天然气;年负荷量;灰色模型;改进;预测【作者】孙相博;王岳【作者单位】辽宁石油化工大学石油天然气工程学院,辽宁抚顺 113001;辽宁石油化工大学石油天然气工程学院,辽宁抚顺 113001【正文语种】中文【中图分类】TE89目前，天然气需求快速增长，合理预测某地区的天然气负荷量，是合理规划管道调度之前的重要环节，同时为未来国家政策的制定提供参考[1]。
目前天然气负荷预测方法主要有线性拟合法、灰色模型法、时间序列法、神经网络法、弹性系数法等[2-6]。
由于天然气负荷量的影响因素众多，如天然气价格、政府政策、替代品价格、国民经济、产业结构等，因而运用因素间相互动力关系的模型对天然气负荷量进行预测，实际误差较大，没有达到预测目标[7]。
灰色模型对原始数据没有特殊的要求，尤其对短时间序列、少原始数据系统的建模和预测具有较高的精度，可用于天然气负荷量的中长期预测[8]，但灰色模型对于数据波动性较大的序列很难达到较为理想的效果[9]。
灰色模型与马尔科夫模型、神经网络模型的组合，首先将模型目标参数进行优化，不断提高预测精度[10-11]。
基于FCGA和改进LSTM-BPNN的燃气负荷预测
基于FCGA 和改进LSTM-BPNN 的燃气负荷预测①姜秋龙, 徐晓钟(上海师范大学 信息与机电工程学院, 上海 201400)通讯作者: 姜秋龙摘 要: 准确的燃气负荷预测对于城市合理供应和调度能源起着非常重要的作用. 由于燃气负荷数据本身具有周期性, 随机性的复杂特点以及单阶段单预测模型的局限性, 本文提出了一种基于模糊编码遗传算法(Fuzzy Coding of Genetic Algorithms, FCGA)和改进的LSTM-BPNN 残差修正模型的多阶段混合模型. 首先第一阶段先用LSTM 进行燃气负荷初步预测, 然后计算出燃气负荷残差值, 第二阶段先用BPNN 去预测残差值, 然后用Adam 自适应学习率算法在学习过程中自动调节LSTM-BPNN 残差模型的学习率, 加快拟合速度, 接着用模糊编码遗传算法去优化BPNN 的初始权重和阈值, 以便寻找到全局最优解. 最后把两阶段的预测值和作为最终的燃气负荷预测值. 通过对比实验得出, 本文模型比单模型, 原始两阶段预测模型得到了更高的预测准确率.关键词: LSTM-BPNN 残差模型; Adam; 模糊编码遗传算法; 残差预测; 多阶段混合模型; 燃气负荷预测引用格式: 姜秋龙,徐晓钟.基于FCGA 和改进LSTM-BPNN 的燃气负荷预测.计算机系统应用,2021,30(4):1–8. /1003-3254/7760.htmlGas Load Forecasting Using FCGA and Improved LSTM-BPNNJIANG Qiu-Long, XU Xiao-Zhong(College of Information and Mechanical Engineering, Shanghai Normal University, Shanghai 201400, China)Abstract : The accurate forecasting of daily natural gas load is pivotal to the reasonable supply and dispatch of energy in the city. This study proposes a multistage hybrid model based on Fuzzy Coding of Genetic Algorithms (FCGA) and the improved LSTM-BPNN residual correction model since gas load data is periodic but random and the single-stage and single-forecasting model has a limited role. In the first stage, the gas load is forecasted by the LSTM model to calculate its residual value. In the second stage, the residual value is predicted by the BPNN model, and then the learning rate of the LSTM-BPNN residual model is automatically adjusted with the Adam algorithm regarding the adaptive learning rate to accelerate fitting. Afterward, the initial weights and thresholds of the BPNN are optimized by the fuzzy coding of genetic algorithms to find the global optimal solution. Finally, the sum of the forecasting values in the two stages is taken as the final gas load. Comparative experiments prove that the model in this study ensures higher prediction accuracy than the single model and the original two-stage forecasting model.Key words : LSTM-BPNN residual model; Adam; Fuzzy Coding Genetic of Algorithm (FCGA); residual forecasting; multistage hybrid model; gas load forecasting计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(4):1−8 [doi: 10.15888/ki.csa.007760] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 上海市科委项目(11510502400)Foundation item: Shanghai Municipal Science and Technology Commission Project (11510502400)收稿时间: 2020-05-31; 修改时间: 2020-06-23, 2020-07-03, 2020-07-10; 采用时间: 2020-07-14; csa 在线出版时间: 2021-03-30目前, 随着工业化进程的加快、技术的发展、人民生活水平的提高、人口的快速增长等因素, 能源消耗特别是石油和煤炭的消耗量不断增加, 同时, 石油和煤炭燃料排放出大量的温室气体, 这将加速全球气候变化, 例如全球变暖, 海平面上升和各种次生灾害频繁发生[1]. 因此, 天然气作为一种相对清洁的能源, 已经引起了各国政府的重视, 并成为世界各国政府主要需求能源之一. 另一方面, 天然气需求量的模糊性增加了能源分配的复杂性, 并且天然气供应不足会给经济和社会带来危害. 此外, 在天然气购买方面, 天然气购买合同属于严格的收付合同类型, 这意味着当人们违反合同规定时, 存在更大的赔偿风险[2]. 在上述情况下, 合理预测天然气负荷对解决这些问题具有重要意义.在天然气负荷预测领域, 已经有许多不同的方法用于预测天然气负荷. Soldo[3]和Tamba[4]对相关工作进行了详细总结, 并根据预测范围、模型类型、地理区域和其他条件进行了排序总结. 天然气负荷预测的模型研究主要包含3类: (1) 基于统计方法的模型: 线性回归方法[5]、自回归综合移动平均(ARIMA)[2]、带外生变量的函数自回归模型(FARX)[6]、二次多元自适应回归样条(CMARS)[7]; (2) 基本机器学习方法: 极限学习机[8]、支持向量回归[9]、BP神经网络[10]; (3) 深度学习方法:深度受限Boltzmann机器(DRBM)[11].上述一系列适合短期燃气负荷预测的模型是从线性模型到包含机器学习和深度学习的非线性模型这个方向发展的. 后者在过去几十年中得到了广泛的应用, 因为它们能够完美的泛化输入/输出的关系. Jolanta Szoplik[12]提出了用多层感知器(MLP)来预测燃气. 它是以日历和天气因素作为输入变量来预测波兰城市的燃气负荷. 最后用得到的最优结构MLP对燃气消耗量进行预测, 结果显示预测准确率优于普通线性模型. 自人工神经网络在能源负荷预测建模中的成功应用以来,许多研究者探索了深度学习在燃气负荷领域的应用.最近的研究主要集中在循环神经网络(RNN)和长短期记忆(LSTM)网络上. Wei等[13]建立了一个具有不同预处理方法的LSTM模型, 对我国不同地区的天然气日负荷进行了预测. Hribar等[14]用GRU方法对单个居民家庭短期负荷数据进行了建模. 上述两个模型的预测准确率相比于普通神经网络更好.此外, 还有大量的混合预测方法来建模燃气数据,并通过与单一模型方法相比获得高精度的预测结果,实际证明了其有效性[15]. 特别是基于集群智能算法和单模型的组合方法, 在解决复杂非线性预测控制问题上表现出了较好的可靠性[16]. Karadede等[17]利用一种特殊的实值遗传算法BGA (Breeder Genetic Algorithm)优化NGD-NLR回归方程的系数, 然后采用模拟退火算法对前面整个系统进行优化. Wei等[18]提出了一种新的遗传算法, 即生命遗传算法(LGA), 用于短期负荷预测中支持向量回归(SVR)参数的优化, 在LGA得到SVR 的最佳参数之后, 将其应用于我国燃气负荷预测. 余等[19]还提出了一种基于混沌遗传算法优化小波神经网络的组合模型, 其中混沌遗传算法优化了小波神经网络的参数. 其结果比传统的神经网络模型具有更强的鲁棒性和更好的性能. 因此我们可以初步推断, 混合预测技术, 特别是集群智能算法的集成是燃气负荷预测领域的一个潜在的研究方向.另外, 还有一部分涉及到其他领域的残差修正方法, 这意味着在预测研究中有两个阶段, 分别有一个主模型和一个次模型[20]. 具体地说, 先用主模型预测初步值, 然后用主模型生成的残差序列作为输入因子, 用次模型即残差修正模型预测残差值. 最后, 混合模型的预测值是由残差值增强的修正值. 其中, 还有一部分研究在第二阶段增加了分解过程. 它们使用不同的分解方法来分解残差序列, 如带自适应噪声的集成经验模式分解(ICEEMDAN)[21]、经验模式分解(EMD)[22]、经验小波变换(EWT)[23]. Niu等[24]建立了基于BP神经网络和灰色马尔可夫模型的混合负荷预测模型. 其中采用灰色算法对残差修正马尔可夫模型进行了优化. 结果表明, 残差修正法可以大大提高能量场的预测精度. Wang等[25]提出了残差修正模型, 以提高季节ARIMA 预测电力需求的精度. 残差修正模型由粒子群优化(PSO) Fourier方法和季节ARIMA模型组成, 与其它残差修正模型和单一季节ARIMA模型相比, 具有更好的效果. 通过以上残差修正模型在其他领域的成功应用, 我们可以得出一个共同点: 这些残差校正模型的主模型或次模型都是普通模型, 并通过单一的优化算法加以优化, 只有残差序列作为输入因子. 与上述残差修正模型相比, 本文提出了一种新的残差修正混合模型LSTM-BPNN并应用燃气负荷预测领域, 并通过FCGA 和Adam两种优化算法对残差修正模型进行了优化.另外, 引入了两个新的残差因子作为BPNN神经网络的输入变量. 实验结果显示本模型有着更好预测结果.计算机系统应用2021 年 第 30 卷 第 4 期1 LSTM-BPNN 残差修正模型G act (t )G pre (t )R act (t )LSTM-BPNN 残差校正模型是一种基于残差分析的混合模型. 首先研究了残差分析在燃气负荷预测领域的可行性. 假设时间步t 处的实际和预测天然气负荷分别为和. 实际残差可以表示为正或负:R act (t )G act (t )显然, 如果实际残差已知, 则t 时的最终预测结果可以写成:R act (t )可以写成:R act (t )R act (t )R pre (t )R act (t )其中, x 1, x 2是残差的影响因子. 我们不能预先知道真实残差值, 也不能通过式(3)得到真实残值,但是我们可以使用实际残值的近似值, 预测残值.可以写成:因此式(2)可以重写为:R pre (t )显然, 如果预测的残差是已知的. 只要预测残值更接近实际残值, 整个残差预测模型的精度就会更高.本文中的LSTM-BPNN 残差修正模型有主模型和次模型组成. LSTM-BPNN 的主模型是长短期记忆网络(LSTM), 它属于一组强大的连接主义模型, 是前馈神经网络的超集[26]. LSTM 的主要特点是记忆上一个时间步长的处理状态, 并利用该状态影响下一个时间步长的输出, 使LSTM 能够学习天然气负荷序列中的长期时间步内容.LSTM-BPNN 的次模型是BP 神经网络. 结构合理的BP 神经网络在理论上可以逼近任何非线性连续函数.BPNN 的这一特性非常适合于复杂残差序列的预测.图1中LSTM-BPNN 残差修正模型的处理流程如下:G pre (t )(1) 利用6个输入因子建立了LSTM 预测模型. 将经过良好训练的LSTM 预测模型应用于实际的燃气负荷预测中, 同时利用(1)得到不同时刻的LSTM 预测残差值, 形成历史残差称为残差数据集.(2) 利用历史残差和其他两个输入变量建立了BPNNR pre (t )残差预测模型. 将经过良好训练的BPNN 残差预测模型应用到预测.R pre (t )G pre (t )G act (t )(3) 最后通过BPNN 残差模型的和LSTM 模型的得到.开始计算残差集生成训练集残差训练集训练 LSTM 模型训练 BPNN 模型确定 BPNN 结构测试集LSTM 模型预测初始化模型参数LSTM 模型预测值修正 LSTM 预测值残差测试集BPNN 模型预测BPNN 预测残差值完成残差预测?最终预测值NY图1 LSTM-BPNN 残差修正模型2 基于模糊编码遗传算法和Adam 算法的LSTM-BPNN 残差修正模型为了提高LSTM-BPNN 残差修正模型的预测精度, 进一步采用了两种优化算法, 即模糊编码遗传算法(FCGA)和Adam 算法, 形成LSTM-FCGA-BPNN (Adam)混合预测模型.2.1 LSTM-FCGA-BPNN (Adam)模型中的Adam 算法Adam 算法在本模型中主要是替换掉传统的梯度下降方法来当做模型的学习算法. Adam 算法是一种自适应学习速率算法. 它易于实现, 计算效率高, 适用于不稳定序列. 采用Adam 算法自动调整LSTM-BPNN 残差修正方法的学习速率. 该算法的主要更新公式[27]如下:f (θ)θg t 其中, t 为时间步, 为参数为的随机目标函数. 是随机目标函数在时间步t 上的梯度.β1m t 其中, 是矩估计的指数衰减率. 是有偏的一阶矩2021 年 第 30 卷 第 4 期计算机系统应用估计.β2v t 其中,是矩估计的指数衰减率. 是有偏的第二原始矩估计.Mt 其中, 是经偏差校正的第一矩估计值.V t 其中, 偏差修正了第二原始矩估计.以上公式是Adam 算法的主要组成部分. 详见文献[27].2.2 LSTM-FCGA-BPNN (Adam)模型中的模糊编码遗传算法模糊逻辑和进化算法的集成方法有很多种. 模糊编码遗传算法(FCGA)属于一种使用模糊工具和基于模糊逻辑的技术来建模不同进化算法组件的方法[28].Voigt[29]提出模糊编码遗传算法与遗传算法(GA)相似, 只是FCGA 考虑了个体从基因型到表现型的个体发展水平. 将个体发展过程建模为模糊决策过程. 每个基因值代表一个决策变量, 其值的范围在0到1之间.然后, 利用FCGA 确定BP 神经网络的初始权值和阈值. 该流程由3部分组成:(1)确定BPNN 的结构. 根据短期负荷预测的影响因素、输出参数, 分别确定输入节点数、输出神经元数. 此外, 通过不同的实验确定了隐藏节点的最佳数目.(2)利用FCGA 优化BPNN 权值和阈值. 一是随机产生种群. 每个种群的个体代表网络权值和阈值. 其次,通过适应度函数计算适应度值. 最后, 通过遗传操作获得最好的个体.(3)采用改进的BP 神经网络预测残差值. 首先, 用最好的个体初始化. 优化后的BPNN 神经网络可以得到准确的残差预测, 并在燃气负荷预测修正中对LSTM 初步值进行修正.FCGA 优化BP 神经网络的初始权值和阈值具体实现如下:(1) 确定编码长度S =(S 1+S 2)∗R 在模糊遗传算法中, 采用模糊编码对BP 神经网络的权值和阈值进行编码. 上述参数的编码长度可由计算(假设R 是权重变量或阈值变量的S 1S 2长度, 、是权重、阈值的个数). 本文用的BP 神经网络总共有88个权重和17个阈值, 总计105个变量,每个变量的编码长度为16位, 例如一个变量的16编码为[0.749 080 193 511 837,0.054 426 839 836 673 07,0.723 841 737 254 684 7,0.527 369 964 823 429 1, 0.433 846 416 668 383 97,0.535 529 030 417 676 7, 0.399 785 290 760 628 63,0.096 465 691 269 415 18,0.113 464 102 724 471 6,0.320 054 583 692 175 43, 0.517 091 079 786 878 6,0.053 649 863 057 794 18, 0.112 289 468 021 933 74,0.602 713 827 670 844 7, 0.713 384 462 695 221 4, 0.518 408 912 550 169 9] 和原先遗传算法的不同点在于这里的每个值是介于[0, 1]之间的数值, 而不是固定的1或0; 这种模糊值很好表示了复杂的个体发展水平, 同时为寻求解的过程提供了鲁棒性, 因此会导致模糊遗传算法的优化性能更好.(2) 初始种群与适应度函数X 1=[x 11,x 12,···]随机产生一个个体, 每个元素的范围是[0, 1]. 在适应度函数方面, 基于神经网络输出节点的误差函数L , 模糊遗传算法的总体目标是求L 的最小值, 因此个体适应度函数FT 是:其中, N 是样本总数.(3) 选择选择操作的目的是将根据选择率选择的个体替换为每一代种群中的最佳个体. 首先, 根据选择率的值随机生成替换机会. 当一个个体被选中时, 用最好的个体来代替这个个体. 它模拟了最佳个体生存概率较大的生命活动.(4) 交叉交叉运算可以用模糊集的并和交算子来完成. 首先, 在每一代群体中随机选取两个个体进行模糊交叉.然后从双亲中产生两个基因序列. 一是最大基因序列.另一个是最小基因序列. 因此, 子基因将使用应用于所有模糊最小和最大序列范围的均匀概率分布随机定义.孩子出生后, 原来的父母就被替换了. 这一过程产生了后代和其他父母代的混合种群.(5) 突变基于以下等式, 突变操作替换个体的基因, 这非常不同于基因的简单0,1逆转[29].计算机系统应用2021 年 第 30 卷 第 4 期Pmutation 其中, 是均匀突变概率. n 是基因总数, i 是单个基因在染色体上的位置.2.3 LSTM-FCGA-BPNN (Adam)燃气负荷预测模型流程如前所述, LSTM-FCGA-BPNN (Adam)组合模型流程如图2所示.编码初始化种群计算适应度函数选择最好的个体选择变异YN满足条件?开始残差训练集训练 LSTM 模型确定初始参数?测试集LSTM 模型预测LSTM 模型预测值训练 BPNN 模型BPNN 模型预测BPNN 预测残差值FCGA 交叉生成训练集完成残差预测？NNY Y修正 LSTM 预测值最终预测值计算残差集确定 BPNN 结构初始化模型参数残差测试集图2 LSTM-FCGA-BPNN (Adam)残差修正模型3 结果和讨论本节通过历史天然气负荷数据验证了LSTM-FCGA-BPNN(Adam)模型的优越性和稳健性. 也对LSTM-FCGA-BPNN(Adam)模型和其他模型(LSTM 、LSTM-BPNN(Adam)、LSTM-GA-BPNN(Adam))进行了性能比较. 所有模型都由Python 、TensorFlow 和Spyder 实现. 模型的主要最佳参数是通过验证集上不断试验和参考相关文献确定的, 如表1所示.除了表1所示参数外, 还有网络结构参数如LSTM 为3层, 每层5个cell, BPNN 为2层, 每层8个隐含节点. 这些网络结构参数的选择在考虑模型收敛速度, 在验证集上的拟合效果和参考相关燃气负荷文献确定的.这些参数的确定保证了网络结构的易用性和鲁棒性.两个遗传算法的交叉概率和变异概率参数的选择参考了原始文献超参数的设置建议, 以及在验证集上设置的. 交叉概率大一些可以提高种群的多样性, 以及增加在局部解空间的探索强度. 在生物界, 变异概率也是非常稀有的, 因此把变异概率设置的小一些, 防止跳出整个解空间, 利于进入附近的局部解空间.表1 模型的初始参数模型初始参数LSTM 训练次数: 5000, 学习率: 0.01, drop 率: 0.10BPNN 训练次数: 1000, 学习率: 0.01, drop 率: 0.02FCGA 种群数量: 10, 迭代次数: 8, 交叉概率: 0.8,变异概率: 0.3, 选择概率: 0.8GA种群数量: 10, 迭代次数: 8, 交叉概率: 0.8, 变异概率: 0.33.1 数据集和输入变量选择数据集分为训练集和测试集, 训练集: 2005.11.15~2013.11.15, 共2923个数据集. 测试集: 2013.11.16~2014.5.28, 共194个数据. 其中训练集中选择一部分数据当做验证集来选择超参数. 数据预处理简单地消除了一些异常值. 我们选择以下8个因素作为LSTM-FCGA-BPNN (Adam)的输入, 包括前一天的燃气消耗量、平均温度、周、月、日、预测日的天气条件, 温差(当日气温与前一日气温之差)、预测燃气负荷之差(前一日用气负荷与当日预测用气负荷之差). 模型的输出是预测结果. 其中, 温差和预测燃气负荷差是BPNN 模型的输入变量.2021 年 第 30 卷 第 4 期计算机系统应用3.2 评价指标为了量化模型的性能, 引入了3个指标: 平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE), 这些指标可以定义如下:其中, N是时间序列的长度; y是实际数据; p是预测值.3.3 预测结果讨论表2显示了各个模型在数据集上的平均预测误差.每个模型的预测重复50次, 以获得平均预测误差. 所有模型的MAPE都低于10%, 根据Lewis基准[13], 这是准确的且符合要求的(≥50%). 这一事实表明, 在燃气负荷预测领域, 各种预测模型都是可行的, 上海市的用气趋势与其他地区相比是相对稳定的[13], 作者认为, 造成这种现象的主要原因是上海市冬季平均气温在1℃左右, 也就是说温差并不大.表2 各模型实验结果评价标准BPNN LSTM LSTM-BPNN LSTM-BPNN (Adam)LSTM-GA-BP (Adam)本文模型MAE19 769.7617 573.0314 987.7714 735.6014 751.8614 448.87 RMSE29 633.6528 659.3126 879.2526 284.5026 464.8426 016.49 MAPE0.083 720.071 550.060 610.060 580.060 240.059 11对于单一模型, BPNN的MAPE为8.38%, LSTM 模型的MAPE为7.16%. 两种模型的MAPE值相差0.012. 这一事实支持LSTM模型在具有相同的输入变量下可以获得相比于普通机器学习的模型(BPNN)好的性能. 在燃气负荷预测中, LSTM方法是一种较好的方法.与BPNN和LSTM模型相比, LSTM-BPNN和LSTM-BPNN(Adam)的MAPE均保持较低值. 上述两种残差模型的优势百分比至少为1.1%. 这一结果的主要原因是增加了残差分析. 结果表明, 残差分析是一种能显著提高燃气负荷预测精度的方法, 残差具有重要的信息价值, 值得认真研究. 上述两个新变量(温差和预测气差)在残差模型的成功应用也表明, 影响残差序列的不仅仅是前几天的残差序列. 这一结果也证实了残差分析在其他领域的成功应用. LSTM-BPNN(Adam)模型的MAPE略高于LSTM-BPNN模型, 约高0.1%,说明Adam算法对提高LSTM-BPNN模型的精度起着关键作用. 研究结果还表明, 采用优化算法解决残差模型固有的缺点, 可以进一步提高燃气负荷预测精度, 有利于燃气负荷管理. 因此, 现阶段LSTM-BPNN(Adam)作为天然气日负荷预测的核心模型.将遗传相似算法与LSTM-BPNN (Adam)相结合是必要的, 因为在大多数情况下, 遗传算法和FCGA都能减小燃气负荷预测模型的预测误差, LSTM-GA-BPNN (Adam)和LSTM-FCGA-BPNN (Adam)的MAPE分别为6.02%、5.91%, 高于前4种模型, 特别是高于前4种模型相同类型的残差模型(LSTM-BPNN, LSTM-BPNN (Adam)), 平均也至少高出0.3%. 这种优势是由于GA-相似算法为LSTM-BPNN (Adam)模型找到了很好的初始解空间. 结果表明, 进一步优化残差模型可以大大提高燃气负荷预测的精度. 这也表明了上述混合模式在剩余分析领域的优越性. 在第3组中, LSTM-FCGA-BPNN (Adam)模型的MAPE比LSTM-GA-BPNN (Adam)模型的MAPE高约1%. LSTM-FCGA-BPNN (Adam)模型之所以稍有优势, 是因为FCGA考虑了个体从基因水平到成熟表型水平的发展. 这一事实证明, FCGA是一种更稳健、更可靠的天然气日负荷预测算法, LSTM-FCGA-BPNN (Adam)模型在这种情况下具有良好的鲁棒性, 可以作为天然气日负荷预测的模型.在收敛速度方面, 由于FCGA确定BP神经网络的初始权值和阈值, 避免了BP神经网络陷入局部极小值, 采用Adam算法自动调整学习速率, 提高了LSTM-BPNN残差修正模型的性能, 所以在实验组中LSTM-FCGA-BPNN (Adam)模型在解空间寻找最优解时相比于LSTM-GA-BPNN (Adam), LSTM –BPNN, LSTM-BPNN (Adam)收敛更快.为了更好地观察本模型的性能, 预测结果与实际燃气负荷数据的图形比较如图3所示. 这个图形非常生动地显示了上述结果. 这些数据还表明, LSTM-FCGA-BPNN (Adam)模型能够做出准确的预测, 并具有更强大的获取天然气负荷数据背后特征的能力.计算机系统应用2021 年 第 30 卷 第 4 期20406080100120140160180天×10真实燃气值LSTM-FCGA-BPNN(Adam)图3 本模型与实际燃气对比4 结论本文旨在介绍一种新颖的、预测准确率更高的天然气负荷日预测方法. 该方法是基于LSTM-BPNN 残差修正和新输入残差影响因素的混合模型、模糊编码遗传算法(FCGA)和Adam 算法. 以LSTM-BPNN 残差修正模型为基本模型, 对次日燃气负荷进行预测, 为了提高预测性能, 首先利用Adam 算法对LSTM-BPNN 残差校正模型的结构进行了优化. 其次利用FCGA 对LSTM-BPNN (Adam)模型进行优化. 采用FCGA 确定BP 神经网络的初始权值和阈值, 避免了BP 神经网络陷入局部极小值, 采用Adam 算法自动调整学习速率,提高了LSTM-BPNN 残差修正模型的性能比较了LSTM-FCGA-BPNN (Adam)与LSTM 、LSTM-BPNN 、LSTM-BPNN (Adam)、LSTM-GA-BPNN (Adam)的预测性能. 根据预测结果, 本文提出的LSTM-FCGA-BPNN (Adam)模型在天然气日负荷预测中具有良好的稳健性, 可以作为一种可靠的预测模型来提供天然气日耗量的准确预测. 此外本文通过日预测的模式预测了194天的时间序列长度, 显示出比较好的结果. 这6个多月的预测长度包含了季节的变更, 非常有利于抓住燃气负荷的主要特征. 本文用的时间长度可以满足上海实际燃气预测范围, 可以让燃气公司提前供气和减少经济损失, 也证明了本文方法应用在较长时间长度也有比较好的效果.今后, 我们将继续研究残差分析, 继续探索残差中的影响因素, 进一步降低由混合模型引起的计算效率和混合复杂度问题.参考文献Wang HZ, Lei ZX, Zhang X, et al . A review of deep learning1for renewable energy forecasting. Energy Conversion and Management, 2019, 198: 111799. [doi: 10.1016/j.enconman.2019.111799]Akpinar M, Yumusak N. Year ahead demand forecast of citynatural gas using seasonal time series methods. Energies,2016, 9(9): 727. [doi: 10.3390/en9090727]2Soldo B. Forecasting natural gas consumption. AppliedEnergy, 2012, 92: 26–37. [doi: 10.1016/j.apenergy.2011.11.003]3Tamba JG. Forecasting natural gas: A literature survey.International Journal of Energy Economics and Policy, 2018,8(3): 216–249.4Baldacci L, Golfarelli M, Lombardi D, et al . Natural gasconsumption forecasting for anomaly detection. Expert Systems with Applications, 2016, 62: 190–201. [doi: 10.1016/j.eswa.2016.06.013]5Chen Y, Chua WS, Koch T. Forecasting day-ahead high-resolution natural-gas demand and supply in Germany.Applied Energy, 2018, 228: 1091–1110. [doi: 10.1016/j.apen ergy.2018.06.137]6Özmen A, Yılmaz Y, Weber GW. Natural gas consumptionforecast with MARS and CMARS models for residential users. Energy Economics, 2018, 70: 357–381. [doi: 10.1016/j.eneco.2018.01.022]7Izadyar N, Ong HC, Shamshirband S, et al . Intelligentforecasting of residential heating demand for the district heating system based on the monthly overall natural gas consumption. Energy and Buildings, 2015, 104: 208–214.[doi: 10.1016/j.enbuild.2015.07.006]8Bai Y, Li C. Daily natural gas consumption forecasting basedon a structure-calibrated support vector regression approach.Energy and Buildings, 2016, 127: 571–579. [doi: 10.1016/j.enbuild.2016.06.020]9Cirak B. Development of artificial neural network models toprediction of matural gas consumption in siirt of turkey.International Journal of Information Research and Review,2014, 1(2): 13–18.10Merkel GD, Povinelli RJ, Brown RH. Deep neural networkregression for short-term load forecasting of natural gas.Electrical and Computer Engineering Faculty Research and Publications. 2017. 287.11Szoplik J. Forecasting of natural gas consumption withartificial neural networks. Energy, 2015, 85: 208–220. [doi:10.1016/j.energy.2015.03.084]12Wei N, Li CJ, Peng XL, et al . Daily natural gas consumptionforecasting via the application of a novel hybrid model.Applied Energy, 2019, 250: 358–368. [doi: 10.1016/j.apener132021 年 第 30 卷 第 4 期计算机系统应用gy.2019.05.023]Hribar R, Primož P, Jurij Š, et al . A comparison of modelsfor forecasting the residential natural gas demand of an urban area. Energy, 2019, 167: 511–522. [doi: 10.1016/j.energy.2018.10.175]14Laib O, Khadir MT, Mihaylova L. Toward efficient energysystems based on natural gas consumption prediction with LSTM recurrent neural networks. Energy, 2019, 177:530–542. [doi: 10.1016/j.energy.2019.04.075]15Ma X, Mei X, Wu WQ, et al . A novel fractional time delayedgrey model with grey wolf optimizer and its applications in forecasting the natural gas and coal consumption in Chongqing China. Energy, 2019, 178: 487–507. [doi: 10.1016/j.energy.2019.04.096]16Karadede Y, Ozdemir G, Aydemir E. Breeder hybridalgorithm approach for natural gas demand forecasting model. Energy, 2017, 141: 1269–1284. [doi: 10.1016/j.energy.2017.09.130]17Wei N, Li CJ, Li C, et al . Short-term forecasting of naturalgas consumption using factor selection algorithm and optimized support vector regression. Journal of Energy Resources Technology, 2019, 141(3): 032701. [doi: 10.1115/1.4041413]18余凤, 徐晓钟. 基于优化小波BP 神经网络的燃气短期负荷预测. 计算机仿真, 2015, 32(1): 372–376. [doi: 10.3969/j.issn.1006-9348.2015.01.079]19Ouyang TH, Zha XM, Qin L, et al . Prediction of wind powerramp events based on residual correction. Renewable Energy,2019, 136: 781–792. [doi: 10.1016/j.renene.2019.01.049]20Wang LL, Li X, Bai YL. Short-term wind speed predictionusing an extreme learning machine model with error correction. Energy Conversion and Management, 2018, 162:21239–250. [doi: 10.1016/j.enconman.2018.02.015]陈川, 陈冬林, 何李凯. 基于BPNN-EMD-LSTM 组合模型的城市短期燃气负荷预测. 安全与环境工程, 2019, 26(1):149–154, 169.22Liu H, Chen C. Multi-objective data-ensemble wind speedforecasting model with stacked sparse autoencoder and adaptive decomposition-based error correction. Applied Energy, 2019, 254: 113686. [doi: 10.1016/j.apenergy.2019.113686]23Niu DX, Xu C, Li JQ, et al . Application of short-term loadforecasting based on improved gray-markov residuals amending of BP neural network. Proceedings of the 1st First InternationalConferenceonAdvancesinSwarmIntelligence. Beijing, China. 2010. 564–569.24Wang YY, Wang JZ, Zhao G, et al . Application of residualmodification approach in seasonal ARIMA for electricity demand forecasting: A case study of China. Energy Policy,2012, 48: 284–294. [doi: 10.1016/j.enpol.2012.05.026]25Gers FA, Schmidhuber J, Cummins F. Learning to forget:Continual prediction with LSTM. Neural Computation, 2000,12(10): 2451–2471. [doi: 10.1162/089976600300015015]26Kingma DP, Ba LJ. Adam: A method for stochasticoptimization. Proceedings of the 3rd International Conference on Learning Representations. arXiv preprint arXiv:1412.6980, 2014.27Herrera F, Lozano M. Fuzzy evolutionary algorithms andgenetic fuzzy systems: A positive collaboration between evolutionary algorithms and fuzzy systems. In: Mumford CL,Jain LC, eds. Computational Intelligence. Berlin: Springer,2009. 83–130.28Voigt HM. Fuzzy Evolutionary Algorithms. Berkeley:International Computer Science Institute, 1992.29计算机系统应用2021 年 第 30 卷 第 4 期。
燃气负荷组合预测中贝叶斯权重法的应用
—
‘： ） ‘ ２‘，。 ） 。 ｛。１ 。 ）。 ‘ ｝ ‘ ， ， （ （ ‘ ｒ
记 为数 歹 （ ０ ）：
（ １ ）
‘ ｛ （ （，， （｝ １ ‘２… ＝ ‘） ） ‘ ） ，
（ ＝ ’） ∑ （ ） ｉ
ｉ ＝１
系统 的研究 ，它通 过对 “ 部分 ” 已知信 息 的生成 、
属性成立 的可 能性 就愈大 。本 文 的负荷预 测 正是基 于这种不 确 定性及 可能性 思想 的理 论 。在 预测领 域 Ｂ ｔ 等 人于 １６ 首先提 出组合 预测 方法 。贝叶 ａｓ ｅ ９ ９年 斯 权重法 是根据 前 期的预 测表现 ，应用 贝叶斯 组合
关 键 词 ： 贝叶斯 Ｇ １１ Ｍ（， ） 偏 最 小 二 乘 组合 预 测 权 重
０ 引言
出现 的多少 去判 断其本质 属性 的概 率 。用 数 学语言
表 达就 是 ：支 持某项 属性 的事件 发生得 愈 多 ，则该
在燃气 的 中、长 期 负荷 预测 中 ，数据 记录 不完 善 ，统计信 息缺 失等是 影响预 测精度 的重 要 因素 ， 而灰 色系统理 论 正是针对 此类 “ 部分信 息 已知 ，部 分信 息未知 ”的 “ 小样本 ” 贫信 息 ”的不确 定性 、“
定 理计算 出来 的条件 概率 ，即模型 的信用 值 。信 用 值越 大 ，表 示这 一模 型此前 的预测 表现越 好 ，它 就
开发 实现对现 实 的确 切描 述和 认识 。灰色模 型仅 利 用 已知 负荷 数据 达 到对 未 来 负 荷 的预 测 ，但 事 实 上 ，燃气 的年度 负荷 受到 多种 因素 的影 响 ，如 国 民 经 济发展 情况 、产业 结构调整 、能源 政策 、人 口和 燃 气价格 等 。因此在 利用 历史 负荷值 探寻 负荷发 展 规 律 的 同时考 虑 其 他 因素 的 影 响更 符 合 人 类对 事 物 发展 的认知规 律 。研 究表 明 ，年度 负荷与 影 响因 素 间具有较 高 的线性 相关性 ，而 各种 可 以量化 的因
RBF神经网络在燃气负荷预测的应用
２ Ｒ Ｂ Ｆ网络 结 构 及 特 点
Ｒ Ｂ Ｆ神 经 网络 ， 也 称 径 向基 函数 神 经 网 络 ， 是
一
种多输 入单输出 的前馈神 经 网络。Ｒ Ｂ Ｆ神经 网
络 示意 图见 图 １ 。Ｒ Ｂ Ｆ神 经 网络 由输 入 层 、 隐含 层 和输 出层构 成 。隐含 层采 用径 向基 函数作 为激 励 函 数， 执行 一种 固定 不变 的非 线性 变换 ， 将输 入空 间 映
Ｒ Ｂ Ｆ网络有 以下特 点 和优点 ：
① 网络 隐含层 单元 的激 活 函数 通常 为具有 局 部接 受域 的 函数 ， 即仅 当输 入 落在 输 入 空 间 中一 个 很 小 的指定 区域 中时 ， 隐 含 层 单元 才 作 出有 意 义 的 非零 响应 。这 种局部 接受 特性 使得其 决策 时 隐含 了 距 离 的概念 ， 即只有 当输 入接 近 Ｒ Ｂ Ｆ网 络 的接受 域
有权重 固定 为 １ ， 隐含 层 Ｒ Ｂ Ｆ单元 的 中心及 半 径 通 常也 预先确 定 ， 仅 隐含层 至输 出层之 间 的权 重可 调 。
Ｒ Ｂ Ｆ网络 的隐 含 层 执 行 一 种 固定 不 变 的 非 线 性 变 换， 将输 入 空间映 射到一个 新 的隐含 层空 间 ， 输 出层 在该新 的空间 中实 现线性 组合 。显 然 由于输 出单 元
超平 面分 割所 带来 的任 意划分 特性 。 ② 神经 网络误 差 反 向传播 算 法 （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ． ｔ ｉ ｏ ｎ ， 以下 简称 Ｂ Ｐ ） 是 一 种 多层 前 向神 经 网络 ， 即 网 络权值 的调 整 规 则 采 用 Ｂ Ｐ学 习 算 法 的 神 经 网 络 ， 而Ｒ Ｂ Ｆ网络 是一种 径 向基 神 经 网络 ， 即 网络 的 隐含
基于改进RBF网络算法的电力系统短期负荷预测
阢：
Ｃｌ｝＝ｑｔ～一口卜
ａｇ（ｃ；一，６；一，ｗ女ｔｊ ａｃ；－１ ａ易ｊ－１
（４）
ｂ卜易；～一∥卜 ａｇ（ｃ；～，ｂ。ｔ～，ｗ盯ｔ
（５）
适合作为网络输入没有把握，可分别训练含有和不 含有该输入的两个网络，对其效果进行对比。 负荷预测在本质上是对未来一段时期的负荷如 何受其它变量的影响进行预测，而影响负荷变化的 因素很多，诸如前面提到的负荷、气象、日类型等 量，这些量量纲不一（有些并无量纲）、数值各异， 差异甚大。为避免因输入量值域范围的较大差异而 导致某些负荷影响因素在总体映射效果中的歪曲甚 至淹没现象的发生，必须对输入的有关变量进行量 化处理。 另外，神经网络在训练和学习中，是不会直接 使用原始数据的，否则会出现神经元饱和现象，因 此必须对所有输入数据进行归一化处理。
１
些有意义的结论ｌ卜３１。研究表明，时间序列法（如指
数平滑法、曲线拟合法等）和结构分析法（如回归 法、主成分分析法等）在解决特定场合的预测任务 时发挥了重要的作用。但是，气象等不确定性因素 对电力负荷的变化起着越来越霞要的作用，可是由 于种种原因上述方法对这些影响因素都没能给出合 理的解决途径。 负荷预测的核心问题是预测的技术方法，或者 说是预测的数学模型１４】。因而，近年来，以Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ神经网络（ＢＰ）为代表的系统分析法在
图１ ＲＢＦ神经网络结构
Ｆｉｇ．１ Ｔｈｅ
ｓｔｒｕｃｔｕｒｅ
训练网络的中心和宽度，然后固定网络的中心和宽 度，运用梯度算法训练输出层权值。这两个过程交 替进行训练，直到达到要求的精度为止。 其分阶段训练示意图如图２所示。
ｏｆ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｔｗｏｒｋ
作为基函数的形式有很多种，但隐含层最常采 用的激活函数是高斯函数。设隐含层节点数为Ｚ。 则高斯函数为： ２．】
基于大数据简约及PCA改进RBF网络的短期电力负荷预测
基于大数据简约及PCA改进RBF网络的短期电力负荷预测张淑清;任爽;陈荣飞;钱磊;姜万录;李盼【期刊名称】《计量学报》【年(卷),期】2018(039)003【摘要】针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择(Lasso)算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集.为避免输入空间严重自相关及网络维数较高,造成径向基函数(RBF)神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF 神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率.经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性.【总页数】5页(P392-396)【作者】张淑清;任爽;陈荣飞;钱磊;姜万录;李盼【作者单位】燕山大学电气工程学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004【正文语种】中文【中图分类】TB971【相关文献】1.基于改进RBF网络算法的电力系统短期负荷预测 [J], 郭伟伟;刘家学;马云龙;李书琰2.基于PCA-LM-BP的短期电力负荷预测研究 [J], 张梅;李金湖;张莉娜;杨铮宇3.基于改进LS-SVM的短期电力负荷预测方法研究 [J], 刘岩;彭鑫霞;郑思达4.基于改进相关向量机算法的短期电力负荷预测方法研究 [J], 陈锡祥;郑伟民;张笑弟;田胜鑫;王宇5.基于大数据和优化神经网络短期电力负荷预测 [J], 金鑫;李龙威;季佳男;李祉歧;胡宇;赵永彬因版权原因，仅展示原文概要，查看原文内容请购买。
一种新的天然气管网负荷预测方法
一种新的天然气管网负荷预测方法
杨昭;苗志彬;刘燕
【期刊名称】《天然气工业》
【年(卷),期】2003(023)004
【摘要】针对天然气管网负荷变化的特点,提出了用模糊逻辑和RBF神经网络模型(FL-RBF NNM)来预测天然气管网的负荷.即首先利用模糊逻辑系统预测出负荷误差及误差变化率,从而实现了天然气负荷的在线修正;再利用改进的RBF神经网络进行天然气管网负荷的预测.在数据的处理上,应用了数据分类处理以及"近大远小"原则,并且在RBF网络模型中采用了最新邻聚类算法,实现了网络结构和参数的双重调节,大大提高了训练的速度和预测的精度.最后将此模型应用于实际中,并和单纯的RBF神经网络模型进行了比较,结果证明该模型可以快速准确预测出天然气管网的负荷值.
【总页数】4页(P93-96)
【作者】杨昭;苗志彬;刘燕
【作者单位】天津大学热能研究所;天津大学热能研究所;天津大学热能研究所【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种改进的变权重管网负荷组合预测方法 [J], 陈学锋;马永驰
2.一种新的天然气管网负荷预测方法 [J], 陈学锋;袁宗明;马永驰
3.一种新的中长期电力负荷预测方法 [J], 韩富春;姚劲松
4.一种新的电力系统短期负荷预测方法 [J], 陈灿;刘新东
5.一种新的电力系统短期负荷预测方法 [J], 陈灿;刘新东
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测
基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测陈川;陈冬林;何李凯【摘要】城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测.以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测.首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果.实证结果表明:与单一的LSTM模型和BPNN LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4％,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法.【期刊名称】《安全与环境工程》【年(卷),期】2019(026)001【总页数】7页(P149-154,169)【关键词】短期燃气负荷;组合预测模型;BP神经网络;经验模态分解;长短期记忆神经网络【作者】陈川;陈冬林;何李凯【作者单位】武汉理工大学电子商务与智能服务研究中心,湖北武汉430070;武汉理工大学电子商务与智能服务研究中心,湖北武汉430070;武汉理工大学电子商务与智能服务研究中心,湖北武汉430070【正文语种】中文【中图分类】X937;TE89随着我国清洁能源政策的大力推行，天然气在一次能源消费结构中的占比不断增长，安全、稳定的天然气供应极为重要[1-2]。
对应于快速增长的天然气需求，天然气产能的严重不足已连续多年造成我国区域性“气荒”。
在此背景下，为增强天然气保障能力，管道天然气线上竞价交易于2017年9月在上海石油天然气交易中心正式开启。
基于增量式随机森林的燃气负荷预测方法
基于增量式随机森林的燃气负荷预测方法钱恒;虞慧群;范贵生【摘要】随着智能燃气网概念的普及和燃气智能表的发展,燃气负荷数据量呈指数级增长,燃气负荷预测面临新的挑战,传统的基于离线批量学习的数据预测方法已无法满足大数据量的实时数据预测需求.针对燃气负荷数据增量到达的预测场景,提出了一种增量式的随机森林回归(Incremental Random Forest Regression,IRFR)算法.该算法将一定量的样本存储在叶节点,通过衡量样本集变异系数来控制叶节点分裂;针对大数据量的情况,设计了样本丢弃策略来控制内存空间.在对上海市燃气负荷数据进行特征选择、提取并建模后,将IRFR算法应用于燃气负荷预测.实验结果表明,IRFR算法相比于传统的随机森林算法具有相当的准确率,同时所需训练时间较短,更适用于大数据量的增量学习场景.【期刊名称】《华东理工大学学报（自然科学版）》【年(卷),期】2019(045)001【总页数】7页(P133-139)【关键词】增量学习;随机森林;大数据;燃气负荷预测【作者】钱恒;虞慧群;范贵生【作者单位】华东理工大学计算机科学与工程系,上海200237;华东理工大学计算机科学与工程系,上海200237;华东理工大学计算机科学与工程系,上海200237【正文语种】中文【中图分类】TP391随着互联网技术和数据分析技术的发展，智能燃气网成为目前全球燃气工业关注的热点。
在这样的背景下，准确、高效的燃气负荷预测不但可以帮助燃气公司优化输配管网设计、节约燃气的储气配气成本，还能提升燃气公司对用户的定制化服务能力，拓宽燃气产业业务场景。
因此，准确可靠的燃气负荷预测对推动智能燃气网的发展起着重要作用。
目前，燃气负荷预测方法分为多个类别。
时间序列法将燃气数据以时间为维度作为周期性序列，如积累式自回归移动平均模型(ARIMA)等[1]，其缺点是只考虑历史负荷发展趋势，无法结合其他敏感因素如天气、日期特点、居民用气习惯等[2]。
基于k-means聚类与径向基神经(RBF)网络的电力系统日负荷预测
基于k-means聚类与径向基神经(RBF)网络的电力系统日负荷预测张庆新;崔展博;马睿;陈磊【摘要】对大型工业企业电力负荷震荡剧烈、幅度大等问题,提出了借助卡尔曼滤波对“失真数据”进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型.依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化.文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高.最后,依据文中的组合模型和其他4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明:方法对负荷预测效果较好.【期刊名称】《科学技术与工程》【年(卷),期】2013(013)034【总页数】5页(P10177-10181)【关键词】Kalman滤波;组合预测模型;负荷预测;最小二乘法【作者】张庆新;崔展博;马睿;陈磊【作者单位】沈阳航空航天大学自动化学院,沈阳110136;沈阳航空航天大学自动化学院,沈阳110136;上海宝信软件股份有限公司自动化技术研究所,上海201900;沈阳航空航天大学安全工程学院,沈阳110136【正文语种】中文【中图分类】TM744.1;TP18针对大型工业企业的用电特点，许多学者提出了大量新型电力负荷预测的方法，如减少电力负荷预测模型训练计算量的回声状态网络(ESN)、广义卡尔曼滤波［1］径向基神经网络(RBF)［2］、小波分析［3］、支持向量机［4］、灰色预测理论［5］等。
径向基神经网络、Elman网络、evolino神经网络、回声状态网络对负荷数据采样精度较高的数据预测效果较好，而对数据残缺或者样本受污染的数据预测效果不佳［6］。
广义卡尔曼滤波虽然能够对“污染数据”进行去杂处理，但处理过程较慢，且需要大量内存空间。
灰色预测可以有效描非线性变换，但容易陷入过学习状态。
基于基准年的城市天然气预测管理可解释性探究
基于基准年的城市天然气预测管理可解释性探究
李学亮;张应辉;仇晶
【期刊名称】《城市燃气》
【年(卷),期】2024()2
【摘要】针对城市天然气用气负荷预测的可解释性问题,本文以北京地区为例,引入“基准年”概念,通过基于循环神经网络的控制变量法、线性回归预测等方式,对历
年天然气消费量数据进行处理,实现对其中寒潮、阶段性升温、提前/延长采暖政策、制冷需求等主要影响因素的趋势分析和成果量化,并成功引入箱线图法对还原后的
天然气消费量数据异常值进行检测和刷选,辅助用量规律分析并量化确定出常态下
的天然气年消费量值,结合自然发展、疫情影响等因素,用来指导未来城市天然气的
年度用气量预测工作,有效提高预测精确度。
【总页数】7页(P11-17)
【作者】李学亮;张应辉;仇晶
【作者单位】北京市燃气集团有限责任公司
【正文语种】中文
【中图分类】F42
【相关文献】
1.基于SVM-GA模型的城市天然气长期负荷预测
2.基于灰色系统理论对城市年需
水量\r预测的模型探究3.基于小波变换和LSTM模型的城市天然气负荷预测4.基
于GA-SVM的城市天然气中长期负荷预测5.数说深圳城市管理十年巨变——基于Holt-Winters模型预测分析
因版权原因，仅展示原文概要，查看原文内容请购买。
融合时间序列趋势的Dual-ESN机组负荷预测模型
融合时间序列趋势的Dual-ESN机组负荷预测模型
樊建升;吴海滨;刘泽军
【期刊名称】《电力系统及其自动化学报》
【年(卷),期】2023(35)1
【摘要】针对传统模型在机组负荷预测中无法充分捕获内部多变量演化模式的问题,提出了一种基于时间序列的趋势和数值信息融合的双重回声状态网络Dual-ESN(dual-echo state network)机组负荷动态预测模型。
首先,引入最小二乘法,对相关的多元历史信息按照局部时间跨度进行趋势拟合。
进一步,得到有关过程变化的模式序列,并和原本的数值分别被送入两个独立的储备池,以并行的时间维度进行特征学习。
其次,将隐层的高维空间状态送入输出层,融合信息,得到所需要的预测结果。
最后,基于山西某工厂660 MW机组装置的真实数据集,进行验证。
对比已有预测方法,结果表明所提预测模型在多种性能指标上均有提升。
【总页数】7页(P152-158)
【作者】樊建升;吴海滨;刘泽军
【作者单位】山西焦煤能源集团股份有限公司;山西大学资源与环境工程研究所;古交西山发电有限公司
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于非线性时间序列分析的电力系统负荷预测模型
2.基于负荷误差和经济发展趋势的组合预测模型在中长期负荷预测中的应用
3.一种应用时间序列技术的短期电力负荷预测模型
4.多变量时间序列的短期负荷预测模型及其方法研究
5.基于概率统计的电力负荷时间序列预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于双储备池ESN和改进RBFNN的城市燃气负荷预测
在可持续发展的背景下,天然气作为一种清洁型能源,符合“建设智慧绿色城市”的主题。
城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容,对燃气公司的供气系统、管道建设、优化调度等具有重要意义。
针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文采用一种基于双储备池ESN(Echo State Network,回声状态网络)和改进RBFNN(Radial Basis Function Neural Network,径向基函数神经网络)的组合预测模型。
本文所用数据是上海市某地区2005年—2014年的燃气负荷数据,将数据用于预测前,首先进行了数据预处理。
双储备池回声状态网络(bi-reservoir ESN,BRESN)分别对负荷序列和参数序列建模,将两个储备池的输出进行整合,以得到预测结果,提高了预测精度。
BRESN的网络性能由四个参数(规模、谱半径、伸缩尺度和稀疏度)决定,本文选择计算量较小的果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对这四个参数进行了优化。
作为本文组合模型的另一个算法,改进的RBF网络将优化后的BRESN网络的输出结果作为输入,也就是,将BRESN和RBF神经网络串行组合,BRESN作初步预测,RBF作残差修正,以弥补单一算法的局限性。
关于RBF算法的优化,本文用混合编码的方法对每个节点同时进行二进制编码和实数编码,将差分进化(Differential Evolution,DE)算法与梯度下降算法相结合,对RBFNN的结构和参数同时进行优化,增强了算法的局部搜索能力,加快了收敛速度。
本文的最后一部分是实验验证,为了说明本文模型的性能,将本文研究的组合模型与基于经典的SVM、BP神经网络、RBF神经网络、BRESN和未优化的
BRESN-RBF的预测模型进行对比,比较各自的MAE(平均绝对误差)、RMSE(均方根误差)、MAPE(平均绝对百分误差)和MSE(均方误差)。
实验结果表明,本文模型的预测精度更高。