CN107730054B - 一种基于支持向量回归的燃气负荷组合预测方法 - Google Patents

Abstract

本发明公开了一种基于支持向量回归的燃气负荷组合预测方法，涉及燃气负荷预测方法。该组合预测方法将数据预处理技术，改进遗传算法和支持向量回归相结合，主要用于解决现有技术对城市燃气负荷预测精度低，适用性差的问题。首先，采用相关系数法分析不同影响因素和燃气负荷之间的相关性，采用奇异谱分析对获得的主要影响因素降噪处理；其次，采用处理后的数据对支持向量回归模型进行训练，并结合改进的遗传算法对核参数和惩罚因子进行优化，最终获得训练结果最优的支持向量回归模型；最后，利用训练后的支持向量回归模型预测未来的一段时间内的燃气负荷指标。该组合预测方法能够大幅度降低短期燃气负荷预测误差，提高预测精度。

Description

一种基于支持向量回归的燃气负荷组合预测方法

技术领域

本发明涉及燃气负荷预测方法，特别是基于支持向量回归的燃气负荷组合预测方法。

背景技术

在天然气供应系统中，燃气负荷数据是进行工程设计、调度管理、操作控制和管道运行优化等工作的基础和重要依据。目前，用于燃气负荷预测的方法主要可以分为三类：统计学方法、人工智能算法和组合预测方法。这些预测方法各自都存在一定的缺陷，主要表现在以下几个方面：

①统计学方法适用范围有限，预测精度不高：基于统计学理论的预测方法常常作为长期燃气负荷的预测手段，但是对于数据量大，预测时间范围大，时间步长短的燃气负荷预测，其结果并不理想。无法为城市燃气公司的调度管理，操作控制提供准确的燃气负荷预测数据。

②人工智能算法关键参数难确定：人工神经网络和支持向量回归是两种目前最常用的预测模型，虽然相比统计学模型具有明显的优势，但是他们各自仍存在一定缺陷。神经网络虽然相比前者具有明显的优势，但是由于其权重系数容易陷入局部最优解，因此当输入数据量大，计算结果精度要求高时，该方法的缺点则更加凸显。采用支持向量回归进行燃气负荷预测时，关键在于惩罚因子和核参数的优化，传统的网格搜索虽然能够在理论上寻找到最优的参数组合，但是需要耗费大量时间，实用性不高。

③组合预测方法尚处于研究阶段：为了提高人工智能算法的泛化能力和预测精度，近年来，大量学者对组合预测模型进行了深入研究。一方面，采用启发式优化算法与人工智能算法相结合的方法能够有效提高原本单个模型的预测精度。但是，对于所采用的启发式优化算法的性能并没有进行足够的研究和分析。以遗传算法为例：遗传算法具有良好的可扩展性和鲁棒性，常被用于优化人工智能算法的关键参数，但是由于其局部收敛慢和容易陷入局部最优解的问题，预测结果不稳定，应用效果不理想。另一方面，已有研究表面，在组合预测模型中结合先进的数据预处理方法，能够有效提高预测的精度。虽然，国内外不同学者提出了多种不同的组合模型，但至今尚未建立统一、规范的组合预测模型结构体系。

因此，对于燃气负荷预测而言，为了建立全面的专业的燃气负荷预测模型，提高燃气负荷预测精度以及预测模型的稳定性，不仅需要融合先进的预测方法和优化算法，还需要采用先进的数据预处理技术获取原始数据中的关键信息。

发明内容

本发明主要目的是设计一种基于支持向量回归的燃气负荷组合预测方法，提高传统预测方法的预测精度，建立燃气负荷组合预测模型的整体结构，实现对于短期燃气负荷数据的精确预测，为城市燃气供应、制定维修计划和管道布局规划等方面提供重要的基础数据。该发明整体结构如图2所示。

本发明提供的这种用于燃气负荷预测的组合预测方法主要包括如下步骤：

步骤一，利用数据预处理技术对获得的燃气日负荷历史数据以及其他影响因素的历史数据进行处理。首先，采用相关系数法分析不同影响因素与燃气负荷指标的相关性，提取影响燃气负荷指标的主要因素；其次，利用奇异谱分析技术分析燃气负荷和主要影响因素原始数据中的数据成分，提取出主要成分，排除噪声数据，为预测模型提供高质量的基础数据。

步骤二，采用处理后的数据对支持向量回归模型进行训练，训练过程中结合改进的遗传算法对核参数和惩罚因子进行优化，最终获得训练结果最优的支持向量回归模型。

步骤三，利用训练后的支持向量回归模型预测未来的一段时间内的燃气负荷指标。

所述的获取燃气日负荷历史数据是指从各地区城市燃气公司或销售公司获取的历史数据。

所述其他影响因素的历史数据包括：天气、气温、湿度、能见度、露点、气压、风速、节假日、季节、人口、GDP、消费系数、物价指数、人均天然气消耗量等因素的历史数据。

所述的相关数据预处理技术包括：相关系数分析和奇异谱分析。

所述的相关系数分析指的是Pearson相关性分析方法，该方法能够分析不同因素与燃气负荷之间的关系，从而提取主要的影响因素作为燃气负荷预测的基础数据，其计算公式为：

其中，X和Y分别代表不同因素的时间序列向量，cov(X,Y)表示X和Y的协方差，D(X)为X的方差，ρ_XY为Pearson相关性系数。

所述奇异谱分析指的是一种针对时间序列数据进行分析和降噪的方法，主要包括嵌入、奇异值分解、分组和重构4个过程。

所述嵌入是指假设已有长度为N的原始时间序列数据Y＝[y₁,y₁,...,y_N]^T，预设的窗口长度m，并令n＝N-m+1，原始时间序列将按如下形式转换为轨迹矩阵X：

所示的奇异值分解指的是将矩阵X，按照S＝X^TX将其转换为方阵S，并求解该方阵的特征环

其中λ_i为特征值(其平方根为奇异值)，U为左奇异向量，V为右奇异向量。

所述分组是指根据不同特征值的大小，计算其贡献率

并选取使得贡献率之和大于80％的前d组特征值对应的特征向量，根据Z_n×d＝U_n×d∑_d×d V_d×d重构轨迹矩阵。其中∑为

的对角阵。

所述重构是指采用对角平均法对重构的轨迹矩阵Z进行求解，获得原始时间序列Y的奇异谱分析结果，计算方法如下：

其中m^*＝min(m,n)，n^*＝max(m,n)。由此获得的时间序列Y为原始数据的主要成分。

所述的改进遗传算法是一种采用实数编码，双层染色体结构的遗传算法，包括选择、交叉、学习、变异、死亡5个过程。

所述的实数编码的双层染色体指的是如图3所示的结构。其中下层第一个方格用于记录生命值(life)，l为[0,3]的整数。新出生个体生命值为3，每繁衍一代，生命值-1，当生命值为0时，个体死亡；下层其余方格为实数编码的染色体；上层第一个方格用户记录个体的适应度(fitness)；上层其余方格称为个体蓝图(blueprint)，用于记录各个染色体细胞内的值的贡献率，其计算公式为：

其中n表示个体的总数；j表示细胞或染色体对应的编号；i表示个体对应的编号。

所述的选择指的是传统的期望值法从初始种群中根据适应度选取优秀种群。

所述的交叉指的是按照设定的交叉率对种群中的个体进行单点交叉。

所述的“学习”指的是改进遗传算法中用于提高局部收敛速度的方法。在该方法中，首先根据“选择”后得到的优秀个体的蓝图计算出值得其他个体学习的优秀集合Learn：

Learn＝∑individual(blueprint₁,blueprint₂,...,blueprint_n)

个体的学习能力因生命值的不同而不同，生命值越大，学习能力越强，生命值约小，学习能力越差。具体可按如下公式计算：

其中chromosome为个体的染色体，i表示染色体中的细胞编号。

所述的变异指的是按照设定的变异率采用随机变异法对种群中个体的细胞进行修改，从定义域中随机均匀选取得到一个新的值代替原来细胞内的值。

所述的“死亡”指的是改进遗传算法中用于提高全局搜索能力的方法。在该方法中，生命值为0的个体将“死亡”并在种群中将其排除。由于种群大小不变，死亡的个体将由数量相等的新生个体(生命值为3)所替代。

所述的支持向量回归是指ε-SVR模型，其中核函数为高斯核函数，惩罚因子和核参数采用改进遗传算法进行优化，具体流程见图2。

与现有方案相比，本发明具有如下优势：

①本发明设计了一种用于短期燃气负荷预测的组合预测模型，该模型通过将支持向量回归，改进遗传算法和数据预处理技术相结合，使该组合模型具有更好的泛化能力，在数据量大，数据维度大，预测时间步长短和范围大的燃气负荷预测中能够获得更好的预测精度，能够为天然气公司调度管理，设计规划和经济运营等方面提供基础数据。

②采用了先进的数据预处理技术，对获得的输入数据进行全面分析。获取全面的燃气负荷历史数据和相关影响因素的历史数据，采用相关系数分析提取主要的影响因素，提高了输入数据的质量；此外，采用奇异谱分析技术，提取数据的主要成分，排出噪音数据，降低了噪声数据对预测精度影响的风险。

③采用改进的遗传算法与支持向量回归相结合的组合模型。在传统遗传算法的基础上增加了“学习”和“死亡”过程，提高了遗传算法的局部收敛速度和全局搜索能力。将改进的遗传算法与支持向量回归相结合，改善了支持向量回归中惩罚因子和核参数难确定的问题，使组合预测方法相比与单一的预测方法在预测精度和速度方面都具有明显的优势。

附图说明

图1是本发明的技术流程图

图2是本发明的整体结构图

图3是改进遗传算法的实数编码双层染色体结构图

具体实施方式

近年来，随着我国天然气改革步伐加快，能源结构进一步调整，各地区人口数量的增加，以及受国际油价和国家经济形势的影响，致使天然气负荷特性发生了较大的变化，各地区最大负荷持续增长，用气量峰谷差不断扩大，全国多个地区出现季节性的“用气荒”现象。另一方面，随着国家天然气管道的发展，储气库、LNG和CNG技术的引入，先进的分析和管理手段的利用，都对改善地区用气负荷特性的现状，提高天然气有效利用率产生了积极的影响。因此，亟需深入了解各个地区天然气负荷特性的现状，把握负荷指标的变化规律和发展趋势，采用先进的科学手段精确预测天然气负荷指标，为天然气公司调度管理，设计规划和经济运营等方面提供基础数据，保障天然气能源的高效利用。

本发明基于改进遗传算法和支持向量回归，结合先进的数据预处理技术，实现了对天然气日负荷指标的精确预测。下面将结合实施例，对本发明的技术方案进行清楚、详细的描述。所描述的实施例仅是本发明的一部分实施例。

现有中国陕西省西安市2011年1月1日至2012年12月31日的燃气负荷数据，要求预测2013年1月1日至2013年9月30日的燃气负荷数据。

①获取西安市2011年1月1日至2013年9月3日的天气、气温、湿度、能见度、露点、气压、风速、节假日、季节等影响因素的历史数据。

②采用相关系数分析西安市2011年1月1日至2012年12月31日的燃气负荷与天气、气温、湿度、能见度、露点、气压、风速、节假日、季节的相关性，选取相关系数大于0.1的因素作为预测燃气负荷的基础数据。相关系数计算结果如表1所示：

表1相关系数分析结果

由表1可以看出，其中温度、露点、能见度、气压、季节等因素与燃气负荷相关性较大，其余影响因素与燃气负荷的相关系数均小于±0.1，对燃气负荷影响较小。因此，选取温度、露点、能见度、气压和季节为主要影响因素，作为燃气负荷预测的基础变量。

③对西安市2011年1月1日至2013年9月3日的燃气负荷、温度、露点、能见度、气压和季节数据进行奇异谱分析，设置窗口长度m＝30，提取出数据中主成份，将噪声数据排除。奇异谱分析结果如表2所示。

表2燃气负荷指标的奇异谱分析结果

④将处理后西安市2011年1月1日至2012年12月31日的燃气负荷、温度、能见度和风速数据作为训练数据，采用支持向量回归进行训练，并利用改进遗传算法对支持向量回归模型的惩罚因子和核参数进行优化。其中，设定改进遗传算法的交叉率为0.8，变异率为0.3，种群大小为50，并设定支持向量回归训练误差的阙值为0.001，当误差小于阙值时，输出训练结果。

⑤将2013年1月1日至2013年9月30日的燃气负荷、温度、能见度和风速数据作为模型的测试数据，采用训练好的支持向量回归模型进行预测，得到西安2013年1月1日至2013年9月30日燃气负荷的预测结果如表4所示。

⑥为了验证模型的可靠性，采用Lewis评价方法对计算结果的精度进行评价。

表3 Lewis预测精度评价指标

表4燃气负荷预测结果评价

根据表4的计算结果可以看出，本设计提出的基于数据预处理技术、改进遗传算法和支持向量回归的燃气负荷组合预测方法其预测精度明显高于传统网格搜索支持向量回归和传统遗传算法支持向量回归，并分别降低了52％和54％的偏差。该实例证明，本设计提出的组合预测方法能够实现燃气负荷的高精度预测。

Claims (1)

1.一种基于支持向量回归的燃气负荷组合预测方法，其特征在于，该方法包括如下步骤：

步骤一，利用数据预处理技术对获得的燃气日负荷历史数据以及其他影响因素的历史数据进行处理：首先，采用相关系数法分析不同影响因素与燃气负荷指标的相关性，提取影响燃气负荷指标的主要因素；其次，利用奇异谱分析技术分析燃气负荷和主要影响因素原始数据中的数据成分，提取出主要成分，排除噪声数据，为预测模型提供高质量的基础数据；

步骤二，采用处理后的数据对支持向量回归模型进行训练，训练过程中结合改进的遗传算法，根据给定的交叉率、变异率对高斯核函数的参数和惩罚因子进行优化，最终获得训练结果最优的支持向量回归模型；

步骤三，利用训练后的支持向量回归模型预测未来的一段时间内的燃气负荷指标；

所述的改进遗传算法是一种采用实数编码，双层染色体结构的遗传算法，包括选择、交叉、学习、变异、死亡5个过程；

所述的实数编码，双层染色体指的是如图3所示的结构，其中下层第一个方格用于记录生命值(life)，life为大于等于0的整数，新出生个体生命值为3，每繁衍一代，生命值-1，当生命值为0时，个体死亡；下层其余方格为实数编码的染色体；上层第一个方格用户记录个体的适应度(fitness)；上层其余方格称为个体蓝图(blueprint)，用于记录各个染色体细胞的贡献值，其计算公式为：

其中n表示个体的总数；j表示细胞或染色体对应的编号；i表示个体对应的编号；

所述的学习指的是改进遗传算法中用于提高局部收敛速度的方法；在该方法中，首先根据选择后得到的d个优秀个体的蓝图计算出供其他个体学习的优秀集合Learn：

其中k表示选择后的优秀个体的编号，individual表示个体；

个体的学习能力因生命值的不同而不同，生命值越大，学习能力越强，反之越弱； 设初始生命值life＝3，具体可按如下公式计算：

其中chromosome为个体的染色体，i表示染色体中的细胞编号；

所述的死亡指的是改进遗传算法中用于提高全局搜索能力的方法；在该方法中，生命值为0的个体将死亡并在种群中将其排除；由于种群大小不变，死亡的个体将由数量相等的新生个体所替代。

Images