天燃气负荷预测的建模与应用研究
合集下载
相关主题
- 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)。
＝
元的数量 ， 设第 ｉ 个样本点的输入 向量为 置 （ ＝１２ … ， ） ｉ ，， ｎ ， 那么 网络 的输 出为 ：
＝ ＋∑ｗ （ ｘ— ｋ ） ｊ １ Ｃｌ Ｉ ｊ Ｉ
Ⅱｃ
∑ Ｃ一 ｋ ）
（ ２ ）
２ 天燃 气预 测原 理
天燃气负荷预测 就是 利用 天燃 气历 史负荷 运行 数据 和 相应的气象数据等 ， 用一定 技术 ， 采 建立 一种适 当的预测 模 型， 通过 预测模 型对将 来天 燃气 的负 荷值进 行估 计 的过程 。
ｎ ｔ ｒ ｌ ａ ｏ ｄ ｉ ｒｔｅ ｔｄ ｔ ｉ ｋｎ ｆ ｏ ｂ ｏｍａ ａａ．ｔ ｅ ｈ ａ ａ ａ ｅ ｕ ｅ ｓｉ ｐ ｔ ｏ ｅ ＲＢＦ ｎ ｕ ａ ａｕ ａ ｓｌ ａ ｓｐ ｅ ａｅ ｏ ｐ ｃ ｉ ｇ ｏｆｓ ｍｅ ａ ｎ ｒ ｌｄ ｔ ｈ ｎ ｔ ｅ ｄ ｔ ｓ ｄ ａ ｎ ｕｓ ｆ ｔ ｇ ｒ ｒ ｈ ｅ ｒｌ ｎ ｔ ｒ ｏ ｒ ｉｉ ｇ ａ ｄ ｔ ｅ ＲＢ ｅ ｒ ｌ ｅｗ ｒ ａ ａ ｔｒ ｓ ｏ ｔ ｚ ｄ ｂ ｅ ｅｉ ｌｏ ｔ ｍ．Ｔ ｅ ｈ ｐ ｉ ｌ ａ ｅｗｏｋ ｆｒｔａｎ ｎ ｎ ｈ Ｆ ｎ ｕ ａ ｔ ｏ ｋ ｐ ｒ ｍｅｅ ｓ ｉ ｐ ｉ ｅ ｙ ｇ ｎ ｔ ａｇ ｒ ｈ ｎ ｍｉ ｃ ｉ ｈ ｎ ｔｅ ｏ ｔ ｍａ ｇ ｓ ｌａ ｏ ｅ ａ ｔ ｇ ｍｏ ｅ ｓｅ ｔ ｂｉｈ ｄ ｏ ｄ ｆｒ ｃ ｓｉ ｄ ｌｉ ｓａ ｌ ｅ ．Ｔ ｅ ｍｏ ｅ ｅｆ ｒ ａ ｃ ｅ ｆ ｄ ｂ ｏ ｇ ｓｌ ａ ａａ ｆ ｍ ｎ ｅ ｔ ｒ ｒ ｅ ｎ ｎ ｓ ｈ ｄ ｌ ｒ ｍ ｎ ｅ ｉ ｖ ｒ ｅ ｙ ｓ ｎ ｏ ｄ ｄ ｔ ｏ ａ ｎ ｅ ｐ ｓ ，ａ ｄ ｐ ｏ ｓ ｉ ｉ ａ ｒ ｉ ｅ ｐ ｒ ｎ ａ ｅ ｕｔ ｈ ｗ ｔ ａ ｏ ａｅ ｉ ｌ ｈ ｒｄ ｔ ｎ ｌｆ ｒ ｃ ｓ ｎ ｔ ｏ ｓ ｈ ｘ ｅｉ ｍｅ ｔ ｒｓ ｌ ｓ ｏ ｈ ｔｃ ｍｐ ｒ ｄ ｗ ｔ ｅ ｔａ ｉ ｏ ａ ｏ ｅ ａ ｔ ｇ ｍｅｈ ｄ ．ｔ ｅ ＲＢＦ ｎ ｕ ａ ｅｗｏ ｋ ｈ ｓ ｉ ｌ ｓ ｌｔ ｉ ｉ ｅ ｒ ｌｎ ｔ ｒ ａ ｍ—
ｐｏ ｅ ｈ ａｕａ ａ ｏ ｄ ｆｒｃｓｉｇａ ｃ ｒｃ ｎ ． ｅｔｒｆｒｃ ｓｉｇ ｍｅｈ ｄｏ ａｕａ ｓ ｒｖ ｄｔｅｎ ｔｒ ｇ ｌａ ｏｅ ａｔ ｃ ｕａ ｙａ ｄ ｉ ａｂ ｔ ｅ ａｔ ｔｏ ｆｎ ｔｒ ｇ ． ｌ ｓ ｎ ｓ ｅ ｏ ｎ ｌａ
ＫＥ ＹＷ ＯＲ ＤＳ：Ｇａ ； ｓ ａ ｏ ｅ ａ ｔ ｄ ｆ ｒ ｃ ｓ ；Ａｒ ｆｃａ ｅ ｒ ｌ ｅ ｏ ｋ ｔ ｉｉ ｎ ｕ ａ ｔ ｒ ｉ ｌ ｎｗ
预测 ， 但是对使用者 的理论 知识要 求相 当的高 ， 模型 只考 虑
收稿 １期 ：０ １— ５—０ ３ ２１ ０ ４
一
修 回１期 ：０ １—０ ３ ２１ ７—２ １
了负荷 的历史 发展趋 势 ， 法考 虑气 象 、 无 日期特 征等 敏感 因
ｌ０ 一 ８
素对 燃气负荷 的影 响 ， 当天气 突 变或 者节假 日等情况 ， 测 预
设影响天燃气负荷 的影 响因子 为 ｛ ｝ 置 ＿｛
么天燃气负荷 的预测可 以描述为 ：
＝
， ， ） 其 … ，
３２ Ｂ ． Ｒ Ｆ神经 网络 参数 优化
中 ｍ表示影响 因子的数 目， 应 的天 燃气 负荷值 为 ｛ ｝ 那 相 ，
ＲＦ Ｂ 神经 网络输出权重 （ ）隐含层单 元 中心 （ｉ和宽 ， Ｃ ）
性 的变化规律 ， 形成一种非线性特性 ， 传统预测方法无法进行准确 的预测 ， 预测精度 比较低。为了提 高天燃气 负荷 的预测精
度 ， 出一种基 于 Ｒ Ｆ神经 网络 的天燃气负荷预测方法。首先对天燃气负荷 历史数据进行 预处理 ， 掉一些异 常的数 据 ， 提 Ｂ 剔
然后将数据输入 到 Ｒ Ｆ Ｂ 神经 网络 中学习 ， 采用遗传算 法对 Ｒ Ｆ Ｂ 神经 网络参数进行优化 ， 从而建立最优的天燃气负荷 预测模
型。采用某企业 的天燃气负荷数据对模型的性能进行 验证 ， 实验 结果表 明， 相对 于传 统预测方 法 ， Ｂ Ｒ Ｆ神经 网络 提高 了天
燃 气负荷 预测精度 ， 是一种较好的天燃气预测方法。
关键 词： 天燃气 ； 负荷预测 ； 人工神经网络 中图分类号 ：Ｔ ９ Ｕ ９６ 文献标 识码： Ａ
要课题 。
预测进行研究 ， 最早 的预测方 法就 是线性 回归 分析 方法 ， 该 模型假设系统 的输入与输 出间是一种 线性关 系 ， 于天燃气 对 系统来说 ， 具有 大的局 限性 ， 因为 天燃报 导负 荷输 入与输 出
间的是一种非线性 关系 ， 以找 到理想 的数学 模 型来描 述 ， 难
第 ８ 第１ ２卷 Ｏ 期
文章编号 ：０ ６— ３ ８ ２ １ ）０— １０—０ １０ ９ ４ （０ １ １ ０ ８ ４
计
算
机
仿
真
２１ ０ ０ 年１月 １
天 燃 气 负 荷预 测 的建模 与应 用研 究
代 丽娴
（ 广西梧州学 院计算机科学系 ， 广西 梧州 ５ ３０ ４ ０２） 摘 要： 研究天燃气负荷预测问题 ， 由于天燃气 负荷受人 口增多用量增大及天气 、 季节 、 节假 １ ３等因素影响 ， 具有周期性和随机
误差 较大 ， 预测 步数越长 ， 且 预测精 度越差 ， 这些 缺陷 限制 了 该方 法的应用 ｊ ９ ３年 ３月 ， 国学者邓 聚龙提 出了灰 色 。１８ 我 系统理论 ， 天燃 气管 网负 荷 系统看作 灰 色系统 ， 过 累加 将 通 生成法达到对燃气 负荷 预测 ， 方法具 有计 算方 便 、 该 原理 简 单、 所需样本数据 少 、 预测精度 高等优点 ， 用于城 市燃气管 网 负荷长 、 短期预测 ， 中、 但是其原始数据 序列不按 指数规律 变 化， 灰色 系统 预测 模型精 度就 差 ， 重要 的是这 些方 法都 是 是 基于线性数据 预 测 的模 型 ， 因此 不 适合 复 杂 的天 燃气 负 荷
其 中， ７ 为第 ｉ ， ０ 个节点 的阈值 ， 为第 个隐含 层单元 和第 个输 出节点 间的权值 。，表示 径 向基 函数 ， 本文 的径 向基 函
数采用高斯 函数 ， 定义如下 ：
Ｒ ：ｘ 三 ） ： ，…ｍ （ ｉ） ｅ （ （ ｐ ｌ ，， ２ ３ ）
ＺＯ ｉ ，
ｖ ｎ ｔｅ ａ ｔｒ ，ｔｅｃ ａ ｇｎ ｕｅｉ ｏ ａ ｄ ｍｉｉ ａ ｄ ｐ ｒ ｄｃｔ ，ｔｅ ｔ ｄｔ ｎ ｌｆｒｃ ｓ ｎ ｔｏ ｓｃ ｎ ｏ ｌ ａ ａ ｄ ｏｈ ｒｆｃｏ ｓ ｈ ｈ ｉｇｒｌ ｓ ｆｒｎ ｏ ｃ￣ ｎ ｅ ｏ ｉｉ ｎ ｉ ｙ ｈ ｒ ｉ ｏ ａ ｏｅ ａｔ ｇ ｍｅｈ ｄ ａ ｎ ｔ ａ ｉ ｉ
预 测 。
图 １ ＲＢ Ｆ神经网络示意图
输入 层
隐 含层
ቤተ መጻሕፍቲ ባይዱ
输 出层
近年来 ， 神经网络因其具有非线性 映射 、 任意精 度逼近 、 有很 强的泛化能力和 自学 习等优 势 ， 在模 式识别 、 评价 、 报 预 等领域获得广泛 的应用 ， 为解决天燃气 负荷预测 提供 了一 种 有效途径 Ｊ 因此 ， ， 本文 针对 当前天 燃气 负荷 预测存 在 的一 些难题 ， 提出一种基 于 Ｒ Ｆ神 经 网络天 燃气 负荷 预 测预 测 Ｂ 方法 ， 并通过仿 真对其预测精度进行验证 。
模型缺乏 自学 习能力 ， 因此预测精度不高 Ｊ 。指数平 滑法根
据不 同时期 的历史 负荷数 据对 未来负 荷 的影 响是 不 同的来
建模 的， 能较好的应用 于 日负荷 的预测 ， 是不 宜用 于过 长 但 时期 的负荷预测 。时间序 列法将 天燃 气 负荷数 据看 成一组 时 间序 列 ， 要 模 型 有 自 回归 模 型 （ Ｒ） 自动 平 均 模 型 主 Ａ 、 （ Ａ） 自回归移动平均模 型（ Ｒ Ａ） 累积式 自回归移动 平 Ｍ 、 ＡＭ 、 均模 型（ ＲＭＡ） ， 些模 型 比较适 用 于短 期天燃 气 负 荷 ＡＩ 等 这
早在上世纪 ６ Ｏ年代 ， 国内有学 者对 开始对 天燃 气 负荷
１ 引言
随着我 国人 口急剧增加和 经济快 速发展 ， 能源 消费不断 增长 ， 各种有 害物 质排放 和温 室气体 激增 ， 境受 到极 大挑 环 战， 因此 ， 天燃气作为一种清洁 、 高效的能源 日益受到人 们重 视 ， 工业 、 在 民用等各 个领 域得 到 了广 泛 的应用 … 。在 系统 总投资 中， 天燃气输 配管 网系统建设 占总投资 ５ ％ 以上 ， ０ 因 此输配管 网的设计与 运行 管理质 量对 供气 系统 正常运 行起 着直接影响 ， 而对天燃气负荷进行准确预测 是燃气管 网的优 化 的基础 ， 天燃 气负荷的预测成为 目天燃气 工业 中的一 个重
ａ ｃ ｒｔ ｌ ｏ ｅ ａ ｔｉ，ａ ｄ ｐ ｅ ｉｔ ｎ ａ ｃ ｒ ｃ ｓｑ ｉｅｌｗ．Ｉ ｒ ｅ ｒ ｖ ｈ ｒ ｄ ｃｉｎ ａ ｃ ｒ ｃ ｆ ａｕ ａ ｓ ｃ ｕ ａｅｙ ｆ ｒ ｃ ｓ ｔ ｎ ｒ ｄ ｃｉ ｃ ｕ ａ ｙ ｉ ｕ ｔ ｏ ｏ ｎ ｏ ｄ ｒｔ ｉ ｏ ｅ ｔｅ ｐ ｅ ｉｔ ｃ ｕ ａ ｙ ｏ ｔｒ ｌ ｏ ｍｐ ｏ ｎ ａ ｇ
Ｍ ｏ ｅｉ ｇ ａ ｄ Ａｐ ｌ ａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｓＬｏ ｄ Ｆｏ ｅ ａ ｔ ｇ ｄ ｌ ｎ ｐ ｉ ｔ ｓ ａ ｃ ｎ Ｇａ ａ ｒ ｃ ｉ ｎ ｃ ｏ ｓ ｎ
Ｄａ ｉ— ｘ ａ ｉＬ ｉｎ （ ｅ ａ ｍ ｎ ｆ ｏ ｐ ｔ ｃ ｎｅａｄＴ ｃｎｌ ｙ Ｗｕｈ ｕＢａ ｃ ｕｎｘ Ｕ ｉｅ ｉ ， ｕｎｘ Ｗｕｈｕ５ ３０ ） Ｄ ｐｒ ｅｔ ｍ ｕｅ Ｓ ｉ ｃ ｎ ｅｈｏｏ ， ｚｏ ｒ ｈＧ ａ ｇｉ ｎｖｒ ｔ Ｇ ａｇｉ ｚｏ ４ ０ ２ ｔ ｏＣ ｒ ｅ ｇ ｎ ｓｙ
度 （ Ｒ Ｆ网络性能有着很大影响 ， ｒ ｏ）Ｂ 因此要 获取 最优天燃气 预测精度 ， 么首先需 要选择 最 优 的 ｉ ， ，ｒ 从 而建 立最 那 ｖ ｃ ｏ， 。
， ｄ ， ， ） （ ， …
（） １
其中 （・ 表示预测方法 。 厂 ） 天燃气荷 除具 有 以周 、 日的周 期变 化特 点外 ， 且 由于 而 受到天气 、 季节 、 节假 日等 因素影 响 ， ： 如 春节 、 元旦 、 ， 多 雪 诸 因素影响的复杂性导致 天燃气 负荷波动 十分频繁 ， 呈高度 非 线性 、 时变性 、 分散性和 随机性等 特点 ， 传统线性 预测方法 无 法全面描述天燃气 负荷变 化规律 ， 使模 型预测精 度常不尽 人 意。Ｒ Ｆ神经 网络是一种 比较成熟 的人工 智能技术 ， Ｂ 具有 非 线性逼近 、 自适应 学习能力 ， 既能描述天燃 气管负荷周 期性 ， 又能反映负荷影响 因素 对负荷 的变 化作 用 ， 常适合 复杂 、 非 非线性的天燃气 负 荷预测 ， 因此 本文 采 用 Ｒ Ｆ神经 网络 对 Ｂ 天燃气负荷预测 ， 以提高天燃气负荷预测 的精度 。
ｌ ｄ ｔｉ ｐｐｒ ｒ ｏｅ ｓｏｄｆｒｃ ｔ ｇｍ ｔｏ ａｅ ｎＲ Ｆｎ ｕａ ｎｔｏｋ ｉｔ ｔｅ ｉｏｉ ａ ｆ ｏ ，ｈｓ ａｅ ｏ ｓｄａｇ ａ ｅａ ｉ ｅｈｄｂ ｓｄｏ Ｂ ｅｒｌ ｅ ｒ．Ｆｒ ￣，ｈ ｓ ｒ ａ ｄｔ ｏ ａ ｐｐ ａ ｌ ｏ ｓ ｎ ｗ ｓ ｈｔｃ ｌ ａ
ＡＢＳ ＲＡＣＴ ：Ｒｅ ｅ ｒｈ ｎ ｔ ｒｌｇ ｓｌ ａ ｒ ｃ ｓ ｎ ｒ ｂ ｅ ．Ａｓｇ ｓｌ ａ ｆｅ ｔｄ ｂ ｅｗｅ ｔｅ ， ｅ ｓ ｎ ，ｆｓ — Ｔ ｓ ａ ｃ ａｕ ａ ａ ｏ ｄ ｆ ｅ ａ ｔ ｇ ｐ ｏ ｌ ｍｓ ｏ ｉ ａ ｏ ｄ ｉ ａｆ ｃｅ ｙ ｔ ａｈ ｒ ｓ ａ ｏ ｓ ｅ ｆ ｓ ｈ ｉ
元的数量 ， 设第 ｉ 个样本点的输入 向量为 置 （ ＝１２ … ， ） ｉ ，， ｎ ， 那么 网络 的输 出为 ：
＝ ＋∑ｗ （ ｘ— ｋ ） ｊ １ Ｃｌ Ｉ ｊ Ｉ
Ⅱｃ
∑ Ｃ一 ｋ ）
（ ２ ）
２ 天燃 气预 测原 理
天燃气负荷预测 就是 利用 天燃 气历 史负荷 运行 数据 和 相应的气象数据等 ， 用一定 技术 ， 采 建立 一种适 当的预测 模 型， 通过 预测模 型对将 来天 燃气 的负 荷值进 行估 计 的过程 。
ｎ ｔ ｒ ｌ ａ ｏ ｄ ｉ ｒｔｅ ｔｄ ｔ ｉ ｋｎ ｆ ｏ ｂ ｏｍａ ａａ．ｔ ｅ ｈ ａ ａ ａ ｅ ｕ ｅ ｓｉ ｐ ｔ ｏ ｅ ＲＢＦ ｎ ｕ ａ ａｕ ａ ｓｌ ａ ｓｐ ｅ ａｅ ｏ ｐ ｃ ｉ ｇ ｏｆｓ ｍｅ ａ ｎ ｒ ｌｄ ｔ ｈ ｎ ｔ ｅ ｄ ｔ ｓ ｄ ａ ｎ ｕｓ ｆ ｔ ｇ ｒ ｒ ｈ ｅ ｒｌ ｎ ｔ ｒ ｏ ｒ ｉｉ ｇ ａ ｄ ｔ ｅ ＲＢ ｅ ｒ ｌ ｅｗ ｒ ａ ａ ｔｒ ｓ ｏ ｔ ｚ ｄ ｂ ｅ ｅｉ ｌｏ ｔ ｍ．Ｔ ｅ ｈ ｐ ｉ ｌ ａ ｅｗｏｋ ｆｒｔａｎ ｎ ｎ ｈ Ｆ ｎ ｕ ａ ｔ ｏ ｋ ｐ ｒ ｍｅｅ ｓ ｉ ｐ ｉ ｅ ｙ ｇ ｎ ｔ ａｇ ｒ ｈ ｎ ｍｉ ｃ ｉ ｈ ｎ ｔｅ ｏ ｔ ｍａ ｇ ｓ ｌａ ｏ ｅ ａ ｔ ｇ ｍｏ ｅ ｓｅ ｔ ｂｉｈ ｄ ｏ ｄ ｆｒ ｃ ｓｉ ｄ ｌｉ ｓａ ｌ ｅ ．Ｔ ｅ ｍｏ ｅ ｅｆ ｒ ａ ｃ ｅ ｆ ｄ ｂ ｏ ｇ ｓｌ ａ ａａ ｆ ｍ ｎ ｅ ｔ ｒ ｒ ｅ ｎ ｎ ｓ ｈ ｄ ｌ ｒ ｍ ｎ ｅ ｉ ｖ ｒ ｅ ｙ ｓ ｎ ｏ ｄ ｄ ｔ ｏ ａ ｎ ｅ ｐ ｓ ，ａ ｄ ｐ ｏ ｓ ｉ ｉ ａ ｒ ｉ ｅ ｐ ｒ ｎ ａ ｅ ｕｔ ｈ ｗ ｔ ａ ｏ ａｅ ｉ ｌ ｈ ｒｄ ｔ ｎ ｌｆ ｒ ｃ ｓ ｎ ｔ ｏ ｓ ｈ ｘ ｅｉ ｍｅ ｔ ｒｓ ｌ ｓ ｏ ｈ ｔｃ ｍｐ ｒ ｄ ｗ ｔ ｅ ｔａ ｉ ｏ ａ ｏ ｅ ａ ｔ ｇ ｍｅｈ ｄ ．ｔ ｅ ＲＢＦ ｎ ｕ ａ ｅｗｏ ｋ ｈ ｓ ｉ ｌ ｓ ｌｔ ｉ ｉ ｅ ｒ ｌｎ ｔ ｒ ａ ｍ—
ｐｏ ｅ ｈ ａｕａ ａ ｏ ｄ ｆｒｃｓｉｇａ ｃ ｒｃ ｎ ． ｅｔｒｆｒｃ ｓｉｇ ｍｅｈ ｄｏ ａｕａ ｓ ｒｖ ｄｔｅｎ ｔｒ ｇ ｌａ ｏｅ ａｔ ｃ ｕａ ｙａ ｄ ｉ ａｂ ｔ ｅ ａｔ ｔｏ ｆｎ ｔｒ ｇ ． ｌ ｓ ｎ ｓ ｅ ｏ ｎ ｌａ
ＫＥ ＹＷ ＯＲ ＤＳ：Ｇａ ； ｓ ａ ｏ ｅ ａ ｔ ｄ ｆ ｒ ｃ ｓ ；Ａｒ ｆｃａ ｅ ｒ ｌ ｅ ｏ ｋ ｔ ｉｉ ｎ ｕ ａ ｔ ｒ ｉ ｌ ｎｗ
预测 ， 但是对使用者 的理论 知识要 求相 当的高 ， 模型 只考 虑
收稿 １期 ：０ １— ５—０ ３ ２１ ０ ４
一
修 回１期 ：０ １—０ ３ ２１ ７—２ １
了负荷 的历史 发展趋 势 ， 法考 虑气 象 、 无 日期特 征等 敏感 因
ｌ０ 一 ８
素对 燃气负荷 的影 响 ， 当天气 突 变或 者节假 日等情况 ， 测 预
设影响天燃气负荷 的影 响因子 为 ｛ ｝ 置 ＿｛
么天燃气负荷 的预测可 以描述为 ：
＝
， ， ） 其 … ，
３２ Ｂ ． Ｒ Ｆ神经 网络 参数 优化
中 ｍ表示影响 因子的数 目， 应 的天 燃气 负荷值 为 ｛ ｝ 那 相 ，
ＲＦ Ｂ 神经 网络输出权重 （ ）隐含层单 元 中心 （ｉ和宽 ， Ｃ ）
性 的变化规律 ， 形成一种非线性特性 ， 传统预测方法无法进行准确 的预测 ， 预测精度 比较低。为了提 高天燃气 负荷 的预测精
度 ， 出一种基 于 Ｒ Ｆ神经 网络 的天燃气负荷预测方法。首先对天燃气负荷 历史数据进行 预处理 ， 掉一些异 常的数 据 ， 提 Ｂ 剔
然后将数据输入 到 Ｒ Ｆ Ｂ 神经 网络 中学习 ， 采用遗传算 法对 Ｒ Ｆ Ｂ 神经 网络参数进行优化 ， 从而建立最优的天燃气负荷 预测模
型。采用某企业 的天燃气负荷数据对模型的性能进行 验证 ， 实验 结果表 明， 相对 于传 统预测方 法 ， Ｂ Ｒ Ｆ神经 网络 提高 了天
燃 气负荷 预测精度 ， 是一种较好的天燃气预测方法。
关键 词： 天燃气 ； 负荷预测 ； 人工神经网络 中图分类号 ：Ｔ ９ Ｕ ９６ 文献标 识码： Ａ
要课题 。
预测进行研究 ， 最早 的预测方 法就 是线性 回归 分析 方法 ， 该 模型假设系统 的输入与输 出间是一种 线性关 系 ， 于天燃气 对 系统来说 ， 具有 大的局 限性 ， 因为 天燃报 导负 荷输 入与输 出
间的是一种非线性 关系 ， 以找 到理想 的数学 模 型来描 述 ， 难
第 ８ 第１ ２卷 Ｏ 期
文章编号 ：０ ６— ３ ８ ２ １ ）０— １０—０ １０ ９ ４ （０ １ １ ０ ８ ４
计
算
机
仿
真
２１ ０ ０ 年１月 １
天 燃 气 负 荷预 测 的建模 与应 用研 究
代 丽娴
（ 广西梧州学 院计算机科学系 ， 广西 梧州 ５ ３０ ４ ０２） 摘 要： 研究天燃气负荷预测问题 ， 由于天燃气 负荷受人 口增多用量增大及天气 、 季节 、 节假 １ ３等因素影响 ， 具有周期性和随机
误差 较大 ， 预测 步数越长 ， 且 预测精 度越差 ， 这些 缺陷 限制 了 该方 法的应用 ｊ ９ ３年 ３月 ， 国学者邓 聚龙提 出了灰 色 。１８ 我 系统理论 ， 天燃 气管 网负 荷 系统看作 灰 色系统 ， 过 累加 将 通 生成法达到对燃气 负荷 预测 ， 方法具 有计 算方 便 、 该 原理 简 单、 所需样本数据 少 、 预测精度 高等优点 ， 用于城 市燃气管 网 负荷长 、 短期预测 ， 中、 但是其原始数据 序列不按 指数规律 变 化， 灰色 系统 预测 模型精 度就 差 ， 重要 的是这 些方 法都 是 是 基于线性数据 预 测 的模 型 ， 因此 不 适合 复 杂 的天 燃气 负 荷
其 中， ７ 为第 ｉ ， ０ 个节点 的阈值 ， 为第 个隐含 层单元 和第 个输 出节点 间的权值 。，表示 径 向基 函数 ， 本文 的径 向基 函
数采用高斯 函数 ， 定义如下 ：
Ｒ ：ｘ 三 ） ： ，…ｍ （ ｉ） ｅ （ （ ｐ ｌ ，， ２ ３ ）
ＺＯ ｉ ，
ｖ ｎ ｔｅ ａ ｔｒ ，ｔｅｃ ａ ｇｎ ｕｅｉ ｏ ａ ｄ ｍｉｉ ａ ｄ ｐ ｒ ｄｃｔ ，ｔｅ ｔ ｄｔ ｎ ｌｆｒｃ ｓ ｎ ｔｏ ｓｃ ｎ ｏ ｌ ａ ａ ｄ ｏｈ ｒｆｃｏ ｓ ｈ ｈ ｉｇｒｌ ｓ ｆｒｎ ｏ ｃ￣ ｎ ｅ ｏ ｉｉ ｎ ｉ ｙ ｈ ｒ ｉ ｏ ａ ｏｅ ａｔ ｇ ｍｅｈ ｄ ａ ｎ ｔ ａ ｉ ｉ
预 测 。
图 １ ＲＢ Ｆ神经网络示意图
输入 层
隐 含层
ቤተ መጻሕፍቲ ባይዱ
输 出层
近年来 ， 神经网络因其具有非线性 映射 、 任意精 度逼近 、 有很 强的泛化能力和 自学 习等优 势 ， 在模 式识别 、 评价 、 报 预 等领域获得广泛 的应用 ， 为解决天燃气 负荷预测 提供 了一 种 有效途径 Ｊ 因此 ， ， 本文 针对 当前天 燃气 负荷 预测存 在 的一 些难题 ， 提出一种基 于 Ｒ Ｆ神 经 网络天 燃气 负荷 预 测预 测 Ｂ 方法 ， 并通过仿 真对其预测精度进行验证 。
模型缺乏 自学 习能力 ， 因此预测精度不高 Ｊ 。指数平 滑法根
据不 同时期 的历史 负荷数 据对 未来负 荷 的影 响是 不 同的来
建模 的， 能较好的应用 于 日负荷 的预测 ， 是不 宜用 于过 长 但 时期 的负荷预测 。时间序 列法将 天燃 气 负荷数 据看 成一组 时 间序 列 ， 要 模 型 有 自 回归 模 型 （ Ｒ） 自动 平 均 模 型 主 Ａ 、 （ Ａ） 自回归移动平均模 型（ Ｒ Ａ） 累积式 自回归移动 平 Ｍ 、 ＡＭ 、 均模 型（ ＲＭＡ） ， 些模 型 比较适 用 于短 期天燃 气 负 荷 ＡＩ 等 这
早在上世纪 ６ Ｏ年代 ， 国内有学 者对 开始对 天燃 气 负荷
１ 引言
随着我 国人 口急剧增加和 经济快 速发展 ， 能源 消费不断 增长 ， 各种有 害物 质排放 和温 室气体 激增 ， 境受 到极 大挑 环 战， 因此 ， 天燃气作为一种清洁 、 高效的能源 日益受到人 们重 视 ， 工业 、 在 民用等各 个领 域得 到 了广 泛 的应用 … 。在 系统 总投资 中， 天燃气输 配管 网系统建设 占总投资 ５ ％ 以上 ， ０ 因 此输配管 网的设计与 运行 管理质 量对 供气 系统 正常运 行起 着直接影响 ， 而对天燃气负荷进行准确预测 是燃气管 网的优 化 的基础 ， 天燃 气负荷的预测成为 目天燃气 工业 中的一 个重
ａ ｃ ｒｔ ｌ ｏ ｅ ａ ｔｉ，ａ ｄ ｐ ｅ ｉｔ ｎ ａ ｃ ｒ ｃ ｓｑ ｉｅｌｗ．Ｉ ｒ ｅ ｒ ｖ ｈ ｒ ｄ ｃｉｎ ａ ｃ ｒ ｃ ｆ ａｕ ａ ｓ ｃ ｕ ａｅｙ ｆ ｒ ｃ ｓ ｔ ｎ ｒ ｄ ｃｉ ｃ ｕ ａ ｙ ｉ ｕ ｔ ｏ ｏ ｎ ｏ ｄ ｒｔ ｉ ｏ ｅ ｔｅ ｐ ｅ ｉｔ ｃ ｕ ａ ｙ ｏ ｔｒ ｌ ｏ ｍｐ ｏ ｎ ａ ｇ
Ｍ ｏ ｅｉ ｇ ａ ｄ Ａｐ ｌ ａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｓＬｏ ｄ Ｆｏ ｅ ａ ｔ ｇ ｄ ｌ ｎ ｐ ｉ ｔ ｓ ａ ｃ ｎ Ｇａ ａ ｒ ｃ ｉ ｎ ｃ ｏ ｓ ｎ
Ｄａ ｉ— ｘ ａ ｉＬ ｉｎ （ ｅ ａ ｍ ｎ ｆ ｏ ｐ ｔ ｃ ｎｅａｄＴ ｃｎｌ ｙ Ｗｕｈ ｕＢａ ｃ ｕｎｘ Ｕ ｉｅ ｉ ， ｕｎｘ Ｗｕｈｕ５ ３０ ） Ｄ ｐｒ ｅｔ ｍ ｕｅ Ｓ ｉ ｃ ｎ ｅｈｏｏ ， ｚｏ ｒ ｈＧ ａ ｇｉ ｎｖｒ ｔ Ｇ ａｇｉ ｚｏ ４ ０ ２ ｔ ｏＣ ｒ ｅ ｇ ｎ ｓｙ
度 （ Ｒ Ｆ网络性能有着很大影响 ， ｒ ｏ）Ｂ 因此要 获取 最优天燃气 预测精度 ， 么首先需 要选择 最 优 的 ｉ ， ，ｒ 从 而建 立最 那 ｖ ｃ ｏ， 。
， ｄ ， ， ） （ ， …
（） １
其中 （・ 表示预测方法 。 厂 ） 天燃气荷 除具 有 以周 、 日的周 期变 化特 点外 ， 且 由于 而 受到天气 、 季节 、 节假 日等 因素影 响 ， ： 如 春节 、 元旦 、 ， 多 雪 诸 因素影响的复杂性导致 天燃气 负荷波动 十分频繁 ， 呈高度 非 线性 、 时变性 、 分散性和 随机性等 特点 ， 传统线性 预测方法 无 法全面描述天燃气 负荷变 化规律 ， 使模 型预测精 度常不尽 人 意。Ｒ Ｆ神经 网络是一种 比较成熟 的人工 智能技术 ， Ｂ 具有 非 线性逼近 、 自适应 学习能力 ， 既能描述天燃 气管负荷周 期性 ， 又能反映负荷影响 因素 对负荷 的变 化作 用 ， 常适合 复杂 、 非 非线性的天燃气 负 荷预测 ， 因此 本文 采 用 Ｒ Ｆ神经 网络 对 Ｂ 天燃气负荷预测 ， 以提高天燃气负荷预测 的精度 。
ｌ ｄ ｔｉ ｐｐｒ ｒ ｏｅ ｓｏｄｆｒｃ ｔ ｇｍ ｔｏ ａｅ ｎＲ Ｆｎ ｕａ ｎｔｏｋ ｉｔ ｔｅ ｉｏｉ ａ ｆ ｏ ，ｈｓ ａｅ ｏ ｓｄａｇ ａ ｅａ ｉ ｅｈｄｂ ｓｄｏ Ｂ ｅｒｌ ｅ ｒ．Ｆｒ ￣，ｈ ｓ ｒ ａ ｄｔ ｏ ａ ｐｐ ａ ｌ ｏ ｓ ｎ ｗ ｓ ｈｔｃ ｌ ａ
ＡＢＳ ＲＡＣＴ ：Ｒｅ ｅ ｒｈ ｎ ｔ ｒｌｇ ｓｌ ａ ｒ ｃ ｓ ｎ ｒ ｂ ｅ ．Ａｓｇ ｓｌ ａ ｆｅ ｔｄ ｂ ｅｗｅ ｔｅ ， ｅ ｓ ｎ ，ｆｓ — Ｔ ｓ ａ ｃ ａｕ ａ ａ ｏ ｄ ｆ ｅ ａ ｔ ｇ ｐ ｏ ｌ ｍｓ ｏ ｉ ａ ｏ ｄ ｉ ａｆ ｃｅ ｙ ｔ ａｈ ｒ ｓ ａ ｏ ｓ ｅ ｆ ｓ ｈ ｉ