CN112101612A - 一种城镇燃气用量的预测方法、存储介质及终端设备 - Google Patents
一种城镇燃气用量的预测方法、存储介质及终端设备 Download PDFInfo
- Publication number
- CN112101612A CN112101612A CN202010768763.6A CN202010768763A CN112101612A CN 112101612 A CN112101612 A CN 112101612A CN 202010768763 A CN202010768763 A CN 202010768763A CN 112101612 A CN112101612 A CN 112101612A
- Authority
- CN
- China
- Prior art keywords
- predicted
- gas
- network model
- user data
- gas consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 239000007789 gas Substances 0.000 abstract description 157
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 22
- 239000003345 natural gas Substances 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000000446 fuel Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城镇燃气用量的预测方法、存储介质及终端设备,所述方法包括获取待预测区域的用户数据,其中,所述用户数据包括区域标识、燃气用户数量以及用户类型;将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量。本发明通过经过训练的预测网络模型,基于区域标识、燃气用户数量以及用户类型确定待预测区域对应的用气量,可以提高用气量预测的准确性,减小天然气的供销比能够有效降低燃气输配、储运费用,降低企业运行成本。
Description
技术领域
本发明涉及燃气技术领域,特别涉及一种城镇燃气用量的预测方法、存储介质及终端设备。
背景技术
随着国家对清洁能源天然气的大力推广,2018年,我国天然气表观消费量达2803亿立方米,同比增长17.5%,在一次能源消费中占比达7.8%,同比提高0.8个百分点。从消费结构看,工业燃料占比38.6%,城镇燃气占比33.9%,发电用气占比17.3%,化工用气占比10.2%,其中工业燃料和城镇燃气增幅最大,合计用气增量351亿立方米,占年度总增量的84%。2019年我国天然气表观消费量有望达到3100亿立方米左右,同比增长约10%。预计2050年前我国天然气消费量,仍会保持增长趋势,未来将形成工业燃料、城市燃气、发电用气“三足鼎立”的局面。
对于城镇燃气企业而言,稳定供气是基本职责,减小天然气的供销比能够有效降低燃气输配、储运费用,降低企业运行成本。随着城镇燃气用量、用户数的日益增加,用户用气情况日渐复杂,单纯地依靠经验进行天然气用气量的预测已无法满足生产要求,如何实现稳定供气、减小供销比,是目前城镇燃气企业急需解决的问题。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种城镇燃气用量的预测方法、存储介质及终端设备。
为了解决上述技术问题,本发明实施例第一方面提供了一种城镇燃气用量的预测方法,所述方法包括:
获取待预测区域的用户数据,其中,所述用户数据包括区域标识、燃气用户数量以及用户类型;
将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量。
所述城镇燃气用量的预测方法,其中,所述待预测区域包括若干燃气用户,若干燃气用户中每个燃气用户的用户类型均为所述用户类型。
所述城镇燃气用量的预测方法,其中,所述预测网络模型包括输入层、第一隐藏层、第二隐藏层以及输出层;所述将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量具体包括:
将所述用户数据输入所述输入层;
通过所述输入层将所述用户数据输入第一隐藏层,并通过所述第一隐藏层确定所述用户数据对应的若干第一特征向量;
将所述若干第一特征向量输入第二隐藏层,通过第二隐藏层确定所述用户数据对应的若干第二特征向量;
将所述若干第二特征向输入所述输出层,通过所述输出层输入所述用气量,以得到所述待预测区域对应的预测用气量。
所述城镇燃气用量的预测方法,其中,所述输入层包括若干第一神经元,若干第一神经元的数量与所述用户数据包括的数据元素的数量相同,并且每个第一神经元的输入项为一个数据元素,并且各第一神经元的输入项互不相同。
所述城镇燃气用量的预测方法,其中,所述第一隐藏层包括若干第二神经元,若干第二神经元与若干第一特征向量一一对应,并且每个第一特征向量为其对应的第二神经元的输出项。
所述城镇燃气用量的预测方法,其中,所述第二隐藏层包括若干第三神经元,若干第三神经元与若干第二特征向量一一对应,并且每个第二特征向量为其对应的第三神经元的输出项。
所述城镇燃气用量的预测方法,其中,所述将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的用气量之后,所述方法包括:
获取所述待预测区域对应的真实用气量,并基于所述真实用气量和预测用气量确定预测用气量对应的误差值;
若误差值满足预设条件,则基于所述误差值对所述经过训练的预测网络模型进行训练,以更新所述经过训练的预测网络模型。
所述城镇燃气用量的预测方法,其中,所述预测网络模型的训练过程包括:
获取训练样本集,其中,所述训练样本集包括若干训练样本数据,若干训练样数据中的每个训练样本数据包括训练用户数据以及训练用户数据对应的用气量标签;
将所述训练样本集中的训练用户数据输入预设网络模型,通过预设网络模型输入预测用气量;
基于所述预测用气量以及所述用气量标签,对所述预设网络模型的模型参数进行修正,以得到经过训练的预测网络模型。
本发明实施例第二方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的城镇燃气用量的预测方法中的步骤。
本发明实施例第三方面提供了一种终端设备,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的城镇燃气用量的预测方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种城镇燃气用量的预测方法、存储介质及终端设备,所述方法包括获取待预测区域的用户数据,其中,所述用户数据包括区域标识、燃气用户数量以及用户类型;将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量。本发明通过经过训练的预测网络模型,基于区域标识、燃气用户数量以及用户类型确定待预测区域对应的用气量,可以提高用气量预测的准确性,减小天然气的供销比能够有效降低燃气输配、储运费用,降低企业运行成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员而言,在不符创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的城镇燃气用量的预测方法的流程图。
图2为本发明提供的城镇燃气用量的预测方法中预测网络模型的原理图。
图3为本发明提供的终端设备的结构原理图。
具体实施方式
本发明提供一种城镇燃气用量的预测方法、存储介质及终端设备,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
本实施提供了一种城镇燃气用量的预测方法,如图1所示,所述方法包括:
S10、获取待预测区域的用户数据,其中,所述用户数据包括区域标识、燃气用户数量以及用户类型。
具体地,所述待预测区域包括若干燃气用户,所述用户数据包括区域标识、燃气用户数量以及用户类型,其中,所述燃气用户数量为待预测区域包括的若干燃气用户的数量。所述用户类型为若干燃气用户对应的用户类型,并且若干燃气用户中的每个燃气用户对应的用户类型均为所述用户类型。可以理解的是,若干燃气用户中的各燃气用户的用户类型相同,例如,均为居民用户,或者均为工商用户等。
进一步,所述区域标识为所述待预测区域对应的唯一标识,基于所述区域标识可以唯一确定一待预测区域,其中,待预测区域可以为一个城镇的整个城区,也可以为一个城镇的部分分区等。此外,所述区域标识与用户类型相对应,每个区域标识对应一个用户类型,例如,区域标识对应居民用户类型,或者区域标识对应工商用户类型等;这样可以保证每个待预测区域包括的燃气用户的用户类型相同,可以提高基于用户数据预测用气量的准确性。此外,在实际应用中,所述用户数据还可以包括用气日期、用气时间点、天气状况、待预测区域的地区GDP等,其中,所述用气日期可以为某年某月某日;所述用气时间点为一天内的具体时刻;所述天气状况可以为全天平均气温;所述地区GDP为计算区域的季度平均GDP。
S20、将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量。
具体地,所述预测网络模型为经过训练的用于预测待预测区域的用气量的网络模型,所述预测网络模型的输入项为用户数据,输出项为预测用气量,其中,预测用气量为所述待预测区域对应的预计用气量。可以理解的是,在获取到用户数据后,将用户数据输入至预测网络模型,所述预测网络模型可以输出该用户数据对应的预测用气量。
在本实施例的一个实现方式中,如图2所示,所述预测网络模型包括输入层、第一隐藏层、第二隐藏层以及输出层;所述将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量具体包括:
S21、将所述用户数据输入所述输入层;
S22、通过所述输入层将所述用户数据输入第一隐藏层,并通过所述第一隐藏层确定所述用户数据对应的若干第一特征向量;
S23、将所述若干第一特征向量输入第二隐藏层,通过第二隐藏层确定所述用户数据对应的若干第二特征向量;
S24、将所述若干第二特征向输入所述输出层,通过所述输出层输入所述用气量,以得到所述待预测区域对应的预测用气量。
具体地,所述输入层包括若干第一神经元,若干第一神经元的数量与所述用户数据包括的数据元素的数量相同,并且每个第一神经元的输入项为一个数据元素,并且各第一神经元的输入项互不相同。例如,所述用户数据包括区域标识、燃气用户数量以及用户类型,所述输入层包括三个第一神经元,分别记为第一神经元A、第二神经元B以及第三神经元C,第一神经元A对应用户类型、第二神经元B对应燃气用户数量、第三神经元C对应区域标识;那么在将用户数据输入输入层时,将用户类型输入第一神经元A,燃气用户数量输入第一神经元B,区域标识输入第一神经元C。
进一步,所述第一隐藏层包括若干第二神经元,若干第二神经元与若干第一特征向量一一对应,并且每个第一特征向量为其对应的第二神经元的输出项。在本实施例的一个实现方式中,所述第二神经元的数量为4-8中的任一数值,例如,第二神经元的数量为4个等。此外,每个第二神经元均与所有第一神经元相连接,也就是说,通过输入层输入的用户数据分别输入至各第二神经元,通过若干第二神经元输入若干第一特征向量。由此,若干第一特征向量与若干第二神经元一一对应,每个第一特征向量为其对应的第二神经元的输出项。在本实施例的一个实现方式中,在所述第一隐藏层中,将用户数据中配置有相似权重的变量作为一类变量,这样可以减少神经网络的运算量。此外,用气量在各层神经元间计算时,用气量对应的权重固定为0。
进一步,所述第二隐藏层包括若干第三神经元,若干第三神经元与若干第二特征向量一一对应,并且每个第二特征向量为其对应的第三神经元的输出项。在本实施例的一个实现方式中,所述第三神经元的数量为4-8中的任一数值,例如,第三神经元的数量为4个等。此外,每个第三神经元均与所有第二神经元相连接,也就是说,通过第一隐藏层输出的若干第一特征向量分别输入至各第三神经元,通过若干第三神经元输入若干第二特征向量。由此,若干第二特征向量与若干第三神经元一一对应,每个第二特征向量为其对应的第三神经元的输出项。在本实施例的一个实现方式中,在所述第二隐藏层中,将用户数据中配置有相似权重的变量作为一类变量,这样可以减少神经网络的运算量。此外,用气量在各层神经元间计算时,用气量对应的权重固定为0。
此外,所述输出层可以包括两个神经元,两个神经元中的一个神经元用户基于若干第二特向量确定预测用气量,两个神经元中的另一个神经元用于在神经网络学习训练时,确定预测用气量与用气量标签的误差量,并基于误差量确定是否需要对神经网络进行迭代学习,以得到经过训练的预测网络模型。
进一步,在本实施例的一个实现方式中,所述将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的用气量之后,所述方法包括:
获取所述待预测区域对应的真实用气量,并基于所述真实用气量和预测用气量确定预测用气量对应的误差值;
若误差值满足预设条件,则基于所述误差值对所述经过训练的预测网络模型进行训练,以更新所述经过训练的预测网络模型。
具体地,所述真实用气量为待预测区域在该用户数据下对应的实际用户量,真实用气量可以通过对用户数据对应的阶段该待预测区域的用气量进行统计得到。所述误差值为真实用气量与预测用气量的差值,即误差值=真实用气量-预测用户量。所述预设条件为预先设置的,用于确定实现需要对经过训练的预测网络模型进行修正的依据;即误差值满足预设条件时,说明经过训练的预测网络模型需要修正,误差值未满足预设条件时,说明经过训练的预测网络模型不需要修正。例如,所述预设条件为误差值占与真实用气量的比值的绝对值大于预设比值阈值,其中,所述预设比值阈值可以为3%,5%等。此外,在误差值满足预设条件时,可以发出警报提示神经网络需要更新。当然,在实际应用中,可以对于每个用户数据对应的用气阶段,在获取该用气阶段对应的真实用气量后,均为基于真实用户量与该用气阶段对应的预测用气量自动对预测网络模型进行训练,以此达到实时更新神经网络,提高预测网络模型的预测准确性。
进一步,在本实施例的一个实现方式中,对于每个待预测区域,可以为该待预测区域训练一预测网络模型,并将预测网络模型与待预测区域的区域标识相对应。在确定待预测区域后,可以获取待预测区域的区域标识,并基于该区域标识确定待预测区域对应的经过训练的预测网络模型,可以提高预测网络模型与待预测区域的匹配性,提高待预测区域对应的预测用气量的准确性。在一个具体实现方式中,每个待预测区域对应的预测网络模型为基于该待预测区域对应的历史数据训练得到,历史数据可以存储于预设数据库内,历史数据可以采用数据组的形式存储,每个数据组包括用户数据以及真实用气量,其中,真实用气量为用户数据对应的实际用户量,每个历史数据对应的用户数据中的用气时间不同。
此外,各待预测地区对应的经过训练的预测网络模型的训练过程相同,这里以一个待预测地区为例,对预测网络模型的训练过程加以说明。所述预测网络模型的训练过程包括:
获取训练样本集;
将所述训练样本集中的训练用户数据输入预设网络模型,通过预设网络模型输入预测用气量;
基于所述预测用气量以及所述用气量标签,对所述预设网络模型的模型参数进行修正,以得到经过训练的预测网络模型。
具体地,所述训练样本集包括若干训练样本数据,若干训练样数据中的每个训练样本数据包括训练用户数据以及训练用户数据对应的用气量标签,其中,所述用气量标签为待预测区域中的所有燃气用户在用户数据中的用户时间内的真实用气量。
举例说明:建立/修正某市城镇燃气用气量预测神经网络;该市总共有3个行政区,区别编号1,2,3。
首先,收集本市三个行政区在过去5年里,城镇燃气用气情况。每一组完整的数据均须包含:用气量、地区标识、用户类型、用气日期、用气时间点、用户数、天气状况、地区GDP;并将收集到的数据以数据库的形式保存。在获取到历史数据后,对收集到的历史数据进行预处理,并将预处理后的数据库作为训练样本集,其中,预处理可以包括无效数据的删除、缺失数据的完善等。
接着,设置输入层的神经元个数为每一组完整数据所包含的数据个数;置输出层中误差量的迭代阀值为误差小于2%。
然后,将训练样本集的训练样本输入至预测神经网络的输入层的相应神经元,在预设神经网络模型中,除用气量对应的神经元外,设置其余每个神经元的初始权值为0.8。经过第一隐藏层和第二隐藏层的1次迭代后,得到预测的用气量数据。用气量数据传输至输出层,在误差分析神经元中与输入层中的已知用气量进行对比,计算并输出误差;如误差较大,则返回第一隐藏层,进行下一次迭代,重新设置各神经元的权值,得到一组新的预测用气量,并计算其误差;如误差较小且满足设置要求(误差小于2%),输出结果,迭代结束,得到经过训练的预测网络模型。
综上所述,本发明提供了一种城镇燃气用量的预测方法、存储介质及终端设备,所述方法包括获取待预测区域的用户数据,其中,所述用户数据包括区域标识、燃气用户数量以及用户类型;将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量。本发明通过经过训练的预测网络模型,基于区域标识、燃气用户数量以及用户类型确定待预测区域对应的用气量,可以提高用气量预测的准确性,减小天然气的供销比能够有效降低燃气输配、储运费用,降低企业运行成本。此外,本发明提出的预测网络模型主要包括四层计算网络,在第一层网络中,考虑了地区、天气、时间、用户种类、用户数、GDP等值对城镇燃气用气量的影响;在第二、三层网络中,将变量进行分类,再利用训练学习得到的权重,进行计算分析,有效减少了运算量;在第四层网络中主要为数据输出层,用于输出预测数据和预测误差。此外,本发明提出的神经网络预测方法,可实现分地区、分时段、分用户类城镇燃气用气量的预测;并且可利用城镇燃气实时用气量数据对模型进行修正,保证模型的实时更新,适用于不断更新的城镇燃气用气情况,提高模型预测的准确度。
基于上述城镇燃气用量的预测方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的城镇燃气用量的预测方法中的步骤。
基于上述城镇燃气用量的预测方法,本发明还提供了一种终端设备,如图3所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种城镇燃气用量的预测方法,其特征在于,所述方法包括:
获取待预测区域的用户数据,其中,所述用户数据包括区域标识、燃气用户数量以及用户类型;
将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量。
2.根据权利要求1所述城镇燃气用量的预测方法,其特征在于,所述待预测区域包括若干燃气用户,若干燃气用户中每个燃气用户的用户类型均为所述用户类型。
3.根据权利要求2所述城镇燃气用量的预测方法,其特征在于,所述预测网络模型包括输入层、第一隐藏层、第二隐藏层以及输出层;所述将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的预测用气量具体包括:
将所述用户数据输入所述输入层;
通过所述输入层将所述用户数据输入第一隐藏层,并通过所述第一隐藏层确定所述用户数据对应的若干第一特征向量;
将所述若干第一特征向量输入第二隐藏层,通过第二隐藏层确定所述用户数据对应的若干第二特征向量;
将所述若干第二特征向输入所述输出层,通过所述输出层输入所述用气量,以得到所述待预测区域对应的预测用气量。
4.根据权利要求3所述城镇燃气用量的预测方法,其特征在于,所述输入层包括若干第一神经元,若干第一神经元的数量与所述用户数据包括的数据元素的数量相同,并且每个第一神经元的输入项为一个数据元素,并且各第一神经元的输入项互不相同。
5.根据权利要求3所述城镇燃气用量的预测方法,其特征在于,所述第一隐藏层包括若干第二神经元,若干第二神经元与若干第一特征向量一一对应,并且每个第一特征向量为其对应的第二神经元的输出项。
6.根据权利要求5所述城镇燃气用量的预测方法,其特征在于,所述第二隐藏层包括若干第三神经元,若干第三神经元与若干第二特征向量一一对应,并且每个第二特征向量为其对应的第三神经元的输出项。
7.根据权利要求1所述城镇燃气用量的预测方法,其特征在于,所述将所述用户数据输入经过训练的预测网络模型,通过所述预测网络模型输出待预测区域对应的用气量之后,所述方法包括:
获取所述待预测区域对应的真实用气量,并基于所述真实用气量和预测用气量确定预测用气量对应的误差值;
若误差值满足预设条件,则基于所述误差值对所述经过训练的预测网络模型进行训练,以更新所述经过训练的预测网络模型。
8.根据权利要求1所述城镇燃气用量的预测方法,其特征在于,所述预测网络模型的训练过程包括:
获取训练样本集,其中,所述训练样本集包括若干训练样本数据,若干训练样数据中的每个训练样本数据包括训练用户数据以及训练用户数据对应的用气量标签;
将所述训练样本集中的训练用户数据输入预设网络模型,通过预设网络模型输入预测用气量;
基于所述预测用气量以及所述用气量标签,对所述预设网络模型的模型参数进行修正,以得到经过训练的预测网络模型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~8任意一项所述的城镇燃气用量的预测方法中的步骤。
10.一种终端设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的城镇燃气用量的预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768763.6A CN112101612A (zh) | 2020-08-03 | 2020-08-03 | 一种城镇燃气用量的预测方法、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768763.6A CN112101612A (zh) | 2020-08-03 | 2020-08-03 | 一种城镇燃气用量的预测方法、存储介质及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101612A true CN112101612A (zh) | 2020-12-18 |
Family
ID=73750543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010768763.6A Pending CN112101612A (zh) | 2020-08-03 | 2020-08-03 | 一种城镇燃气用量的预测方法、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101612A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762601A (zh) * | 2021-08-12 | 2021-12-07 | 北京市燃气集团有限责任公司 | 一种燃气用户用气量预测方法及装置 |
CN116011633A (zh) * | 2022-12-23 | 2023-04-25 | 浙江苍南仪表集团股份有限公司 | 区域燃气用量预测方法、系统、设备及物联网云平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993364A (zh) * | 2019-04-01 | 2019-07-09 | 北京恒华龙信数据科技有限公司 | 一种天然气用气量的预测方法及装置 |
CN110188875A (zh) * | 2019-04-16 | 2019-08-30 | 中国农业大学 | 一种小样本数据预测方法及装置 |
-
2020
- 2020-08-03 CN CN202010768763.6A patent/CN112101612A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993364A (zh) * | 2019-04-01 | 2019-07-09 | 北京恒华龙信数据科技有限公司 | 一种天然气用气量的预测方法及装置 |
CN110188875A (zh) * | 2019-04-16 | 2019-08-30 | 中国农业大学 | 一种小样本数据预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
高良军: "基于BP神经网络的城市燃气月度负荷预测研究", 《浙江海洋学院学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762601A (zh) * | 2021-08-12 | 2021-12-07 | 北京市燃气集团有限责任公司 | 一种燃气用户用气量预测方法及装置 |
CN116011633A (zh) * | 2022-12-23 | 2023-04-25 | 浙江苍南仪表集团股份有限公司 | 区域燃气用量预测方法、系统、设备及物联网云平台 |
CN116011633B (zh) * | 2022-12-23 | 2023-08-18 | 浙江苍南仪表集团股份有限公司 | 区域燃气用量预测方法、系统、设备及物联网云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Using a Grey–Markov model optimized by Cuckoo search algorithm to forecast the annual foreign tourist arrivals to China | |
CN109919370B (zh) | 一种电力负荷预测方法及预测装置 | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN107133699A (zh) | 电影票房趋势预测方法和装置、设备、存储介质 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN112101612A (zh) | 一种城镇燃气用量的预测方法、存储介质及终端设备 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN105718999A (zh) | 一种启发式代谢共表达网络的构建方法及系统 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
Qin et al. | Two‐stage short‐term wind power forecasting algorithm using different feature-learning models | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN115759469A (zh) | 一种针对峰值负荷及其出现时间的预测方法及其装置 | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN111027760A (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
Gao et al. | A hybrid intelligent algorithm for stochastic multilevel programming | |
CN110599097B (zh) | 一种基于萤火虫算法的双梯队库存路径优化设计方法 | |
CN113065904A (zh) | 基于深度学习的调峰辅助服务出清价格预测方法及装置 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |