CN104123591A - 基于智能网格分类和模糊神经网络的天然气负荷预测方法 - Google Patents

Abstract

本发明基于智能网格分类和模糊神经网络的天然气负荷预测方法，涉及短期负荷预测技术领域。本发明包括利用Matlab进行相关性分析确认输入变量，利用经过预处理之后的历史数据建成横纵坐标分别为日期和平均温度的智能网格，并通过智能网格选取与待预测日相似的历史数据对预测模型进行训练以及预测，利用小波的去噪处理和结合燃气负荷预测过程因其复杂性以及受较多外界因素的影响，利用具有较高自适应性的模糊神经网络对燃气负荷进行训练和预测，在训练过程中加入了通过误差对模型参数进行修正的过程，从而有利于提高最终的预测精度。本发明的方法可以对天然气调度提供有力参考依据，符合市场发展需求的物质技术基础。

Description

基于智能网格分类和模糊神经网络的天然气负荷预测方法

技术领域

本发明涉及短期负荷预测技术领域，具体指一种基于智能网格分类和模糊神经网络的天然气短期负荷预测方法。

背景技术

现在，天然气已经成为世界第三大能源，我国目前也紧跟世界形势，积极号召建设环境友好型、资源节约型社会，在此期间天然气的规划需求将会比2005年翻一番。天然气年消费量也将从现在的400多亿立方米上升到1000亿立方米，到2020年，将达到约2000亿立方米。所以天然气的发展必将带动城市天然气的快速发展。紧随其后就面临着一系列的诸如：城市气源更换、城市燃气管网规划、储气设施的建设等问题。针对这些问题，燃气负荷预测方法的研究工作就显得尤为重要了。

负荷预测方法的研究已经经历了很长一段时间，到目前为止仍然有层出不穷的新方法新理论出现。目前比较成熟的预测方法主要分为两类：传统经典数学方法和人工智能方法。传统经典数学方法的主要思想就是基于负荷曲线形状和函数形式的研究，并结合概率论、数理统计等数学知识来对负荷进行预测，主要包括：回归分析法、灰度模型预测法和分解模型法等；人工智能方法的主要思想是通过考虑除了负荷曲线形状和函数形式等因素外，还会考虑影响负荷的众多其他外在因素，如温度，天气，日期类型等。主要包括：人工神经网络、专家系统、小波分析、支持向量机等。但是这些方法已经渐渐的不能够满足现实中越来越庞大且复杂的数据预测需求。

就目前来看，在负荷预测领域电力负荷预测是国内外研究最多，成果最显著的方向，目前已经有比较成熟的系统和预测方法应用到了市场预测中。但是天然气和电力本身的物理特性、存储方式以及运输方式等方面存在很大的差异，物理特性方面天然气的物理特性主要包括液态和气态所以周围温度等外界条件对天然气负荷预测的影响要远远大于对电力负荷预测的影响；存储方式方面天然气需要通过管道进行储存，并且如果储存过多会造成管道压力过大而产生危险，过少又会造成压力不够不能满足正常用气需求，而电力根本不用储存；运输方式方面天然气是通过管道运输所以不能像电力那样通过电线运输可以实时到达目的地。以上这些天然气的特点都为燃气负荷预测增加了难度，所以即使电力负荷预测已经有了很多较为成熟的预测方法，但是对于天然气负荷预测是不适用的，仍需要寻找适合天然气本身特点的负荷预测方法。

发明内容

本发明的目的在于克服现有技术存在的缺失和不足，寻找适合天然气本身特点的负荷预测方法，提出一种基于智能网格分类和模糊神经网络的天然气负荷预测方法。

第一、通过Matlab对历史数据中记录的各个变量(日期、天气温度等)与燃气负荷量进行相关性分析，最后在这些变量中选择与燃气负荷量的相关系数大于0.8的变量作为预测系统的输入变量。

第二、对所有的历史数据进行预处理，去除一些因为记录失误而产生的坏数据，以及一些反常数据如由于一些不可抗力因素或者局部地区活动造成的反常数据，不包括因为正常节假日而造成的伪反常数据，将这些坏数据和反常数据用最近一周相同日期类型的平均值代替。

第三、结合历史记录(包括日期，天气，最高温度，最低温度，平均温度，燃气负荷的历史数据)数据量大且燃气负荷受外界影响比较大的特点提出了通过智能网格分类技术从大量的历史数据中找出与待预测日的数据特征具有较大相似性的数据，然后利用这些数据对预测模型进行训练和预测，并且考虑到数据量过少或过大都会对预测模型的预测精度产生影响，经过大量实验证明对于燃气数据来说，训练数据量在30到100天之间时预测结果较为理想，所以对智能网格分类技术添加了智能控制输出数据量的功能；考虑到一个季度里的外界条件以及燃气负荷的相关性较大，所以可以根据月份按季度将所有的历史数据进行划分。具体实现步骤如下：

利用经过预处理之后的历史数据建成横纵坐标分别为日期和平均温度的智能网格。

对某一天的燃气量进行预测时将这一天的日期和平均温度T输入智能网格，智能网格会首先将历史数据中所有与输入的日期所属的月份M同一季度的数据提取出来组成数据集D(数据集D包括日期、天气、最高温度、最低温度、平均温度、燃气负荷等属性)；考虑到平均温度与燃气负荷的相关性最大，将D中的平均温度按照下面三个区间公式:

[2*(T_max-T_min)/3+T_min,T_max]

[(T_max-T_min)/3+T_min,2*(T_max-T_min)/3+T_min]

[T_min,(T_max-T_min)/3+T_min]

分成三部分，其中T_max和T_min分别是数据集D中平均温度的最大值和最小值，与此同时数据集D就分成了相对高温数据集D1，相对中温数据集D2和相对低温数据集D3三部分，然后根据系统输入的平均温度T判断属于D1，D2，D3中的哪一个(假设属于D1)，统计D1数据量Size(D1)，如果Size(D1)小于30天则智能网格会自动将该区域的平均温度最小值减0.1°最大值加0.1°以增加D1的数据量；如果Size(D1)大于100天则智能网格会自动将该区域的平均温度最小值加0.1°最大值减0.1°以减少D1的数据量；最终将和待预测数据具有高度相关性的历史数据量Size(D1)控制在30到100天之间(如果属于D2，D3操作类似)。

第四、结合燃气负荷预测过程的复杂性以及受较多外界因素的影响，提出了先利用小波去噪对选出的历史数据进行去噪处理然后再利用具有较高自适应性的模糊神经网络对燃气负荷进行训练和预测，并且在训练过程中加入了通过误差对模型参数进行修正的过程，从而有利于增强预测模型的强壮性，进而有利于提高最终的预测精度，具体操作如下：

利用小波变换对智能网格输出的历史数据进行去噪处理。

进行系统建模，根据训练样本维数确定模糊神经网络输入/输出节点数、模糊隶属度函数个数构建模糊神经网络,然后对模糊神经网络参数进行初始化。

对模糊神经网络进行训练，在训练过程中不断利用前一次训练的误差对系统的参数进行修正，直到达到最大迭代次数，经过大量实验表明，迭代次数过多就会出现过训练情况，过少就会造成训练不充分从而影响模型的预测精确度，最终确定迭代次数为100的时候预测结果较为理想。

对待预测日的燃气负荷进行预测，将待预测日的输入变量值分别输入训练好的模糊神经网络即可获得待预测日的燃气负荷预测值。

附图说明

图1为本发明基于智能网格分类和模糊神经网络的天然气负荷预测方法的流程框图；

图2、图2-1、图2-2、图2-3为本发明的智能网格分类技术的操作流程框图及其模块图；

图3为本发明的模糊神经网络的工作流程框图。

具体实施方式

以下结合附图和实施例对本发明作进一步的描述

利用经过预处理之后的历史数据建成横纵坐标分别为日期和平均温度的智能网格，经小波的去噪处理和结合燃气负荷预测过程因其复杂性以及受较多外界因素的影响，利用具有较高自适应性的模糊神经网络对燃气负荷进行训练和预测的本发明实施例如下：

通过Matlab对各个变量与燃气负荷量做相关性分析，最后确定用每日的日期、天气、最高温度、最低温度、平均温度、前一天的燃气负荷值做为输入变量，然后对所有的历史数据进行预处理。

对2009年7月1日的燃气负荷进行预测，将这一天所属的月份7和平均温度25.9°输入智能网格，首先智能网格会将所有历史数据中的第三季度的数据全部取出组成数据集D，然后智能网格会自动将数据集D平均分成三部分D1(16°，22.3°)，D2(22.4°，28.6°)，D3(28.7°，35°)，因为输入智能网格的平均温度为25.9°所以属于数据集D2，因为Size(D2)＝75天在30到100天之间，所以D2就是要找的历史数据集。

利用小波对D2进行去噪处理得到数据集D2’,将D2’作为模糊神经网络的训练数据对模糊神经网络进行训练，训练结束后再把2009年7月1日的天气、最高温度、最低温度、平均温度、周三以及前一天的燃气负荷值作为输入变量输入到训练好的模糊神经网络中得到最终的预测结果。

最终的预测误差为0.0239，符合市场所需要的最大0.05的预测误差要求。

综上所述，本发明利用经过预处理之后的历史数据建成横纵坐标分别为日期和平均温度的智能网格，利用小波的去噪处理和结合燃气负荷预测过程因其复杂性以及受较多外界因素的影响，利用具有较高自适应性的模糊神经网络对燃气负荷进行训练和预测，在训练过程中加入了通过误差对模型参数进行修正的过程，从而有利于增强预测模型的强壮性，进而有利于提高最终的预测精度。该方法是可以对天然气调度提供有力参考依据，是符合市场发展需求的物质技术基础。

Claims (11)

1.一种基于智能网格分类和模糊神经网络的天然气负荷预测方法，包含智能网格和模糊神经网络，其特征在于，包括步骤：第一：确定输入变量；第二：预处理；第三：建立智能网格；第四：参数输入智能网格并输出历史数据；第五：小波去噪；第六：模糊神经网络的训练以及预测。

2.如权利要求1所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第一：确定预测系统的输入变量，通过Matlab对各个变量与燃气负荷量进行相关性分析，最后确定选择与燃气负荷量相关系数大于0.8的变量作为预测系统的输入变量。

3.如权利要求1所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第二：历史数据预处理，主要包括去除一些因为记录失误而产生的一些坏数据、以及一些反常数据如由于一些不可抗力因素或者局部地区活动造成的反常数据，采用最近一周相同日期类型的平均值代替。

4.如权利要求1所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第三：建立智能网格，以历史数据的日期和平均温度构成智能网格的横纵坐标。

5.如权利要求1所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第四：参数输入智能网格并输出历史数据，将待预测日所属的月份和平均温度输入智能网格，智能网格自动提取出相似的历史数据并且将数据量控制在30到100天。

6.如权利要求1所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第五：小波去噪，对选出来的历史数据进行小波去噪处理。

7.如权利要求1所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第六：模糊神经网络进行训练和预测，还包括：

第六.1根据训练样本维数确定模糊神经网络输入/输出节点数、模糊隶属度函数个数构建模糊神经网络；

第六.2模糊神经网络进行训练，在训练过程中不断利用前一次训练的误差对系统的参数进行修正，直到达到最大迭代次数；

第六.3利用训练后的模糊神经网络对待预测日的燃气负荷进行预测。

8.如权利要求1或5所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第四：参数输入智能网格并输出历史数据，还包括：

第四.1输入待预测日所属月份M和平均温度T；

第四.2智能网格根据月份M得到数据集D；

第四.3智能网格将数据集分为D1，D2，D3；

第四.4若T在D1范围内，计算D1数据量Size(D1)，若Size(D1)在30天到100天之间则输出D1，若小于30天则将D1中平均温度最小值减0.1°，最大值加0.1°，若大于100天则将D1中平均温度最小值加0.1°，最大值减0.1°，若T不在D1范围内则执行下一步；

第四.5若T在D2范围内，计算D2数据量Size(D2)，若Size(D2)在30天到100天之间则输出D2，若小于30天则将D2中平均温度最小值减0.1°，最大值加0.1°，若大于100天则将D2中平均温度最小值加0.1°，最大值减0.1°，若T不在D2范围内则执行下一步；

第四.6计算D3数据量Size(D3)，若Size(D3)在30天到100天之间则输出D3，若小于30天则将D3中平均温度最小值减0.1°，最大值加0.1°，若大于100天则将D3中平均温度最小值加0.1°，最大值减0.1°。

9.如权利要求1或7所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤最大迭代次数为100。

10.如权利要求1或5或8所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第四：参数输入智能网格并输出历史数据，第四.2智能网格根据月份M得到数据集D，将历史数据中所有与月份M属于同一个季度的数据提取出来组成数据集D。

11.如权利要求1或5或8所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法，其特征在于，所述步骤第四：参数输入智能网格并输出历史数据，第四.3智能网格将数据集分为D1，D2，D3,首先将数据集D中的平均温度按照区间公式：

[2*(T_max-T_min)/3+T_min,T_max]

[(T_max-T_min)/3+T_min,2*(T_max-T_min)/3+T_min]

[T_min,(T_max-T_min)/3+T_min]

分成三份，与此同时数据集D就分成了相对高温数据集D1，相对中温数据集D2，相对低温数据集D3。