CN114819340A - 一种用于天然气日负荷的时序预测方法 - Google Patents
一种用于天然气日负荷的时序预测方法 Download PDFInfo
- Publication number
- CN114819340A CN114819340A CN202210439898.7A CN202210439898A CN114819340A CN 114819340 A CN114819340 A CN 114819340A CN 202210439898 A CN202210439898 A CN 202210439898A CN 114819340 A CN114819340 A CN 114819340A
- Authority
- CN
- China
- Prior art keywords
- model
- natural gas
- load
- prediction
- value
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 239000003345 natural gas Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000003648 Ljung–Box test Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010583 slow cooling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 125000004122 cyclic group Chemical group 0.000 abstract description 4
- 239000007789 gas Substances 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (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
本发明公开了一种用于天然气日负荷的时序预测方法,包括以下步骤:分析历史天然气日负荷数据的时间序列依赖关系;利用滑动窗口原理,根据依赖关系确定窗口长度,提取时间窗口内的时序特征;利用启发式搜索,确定模型中超参数的取值,利用Adam优化算法,得到模型中参数的取值;分析样本内预测误差,进行白噪声检验;最后利用得到的模型,预测下一个气日负荷。针对日期影响负荷值情况,利用日期编码挖掘和天然气负荷数据的关系,省去了外生变量的引入和自身精度的麻烦,同时利用启发式搜索确定模型的超参数,增加了模型的抗干扰性能,而时间窗口和循环神经网络能充分挖掘时间序列本身的特点,最终提高了模型的预测精度。
Description
技术领域
本发明属于时间序列分析和能源领域,具体涉及一种用于天然气日负荷的时序预测方法。
背景技术
近年来,能源问题已成为世界各国所需讨论解决的首要难题,世界各个国家及组织积极开展探究新型替代能源的技术。其中,可再生能源以其可再生、无污染的特点受到了高度重视。我国经济转型也需要能源行业的配合,近些年天然气产业发展十分迅速,同时也对天然气的安全化、科学化以及合理化提出了更高的要求。
目前对天然气负荷预测的研究方法主要分为TS(时间序列方法)、AI(人工智能方法),使用TS进行预测是基于对过去收集的相同变量的观察,其统计学方法结构简单,易于建模,但往往数据的分布特性对其模型输出有较大影响,且泛化能力低。AI(人工智能方法)包含机器学习方法和深度学习方法,对于机器学习方法,拟合效果较佳,但对于高维度大数据样本的情况,往往发生过拟合,模型的表达能力欠佳,对于深度学习方法,传统的ANN(人工神经网络)深度神经网络虽然具有较强的拟合能力,但是对于时间序列数据,传统的ANN网络会破坏的数据之间的时序信息。RNN(循环神经网络)可以让隐藏层的神经元相互交流,将上一个时间步骤输出结果以信息方式储存在隐藏层,在下一个时间步时,上一个输出也对它有影响,这就把过程贯通了起来,RNN模型更适合于学习时间序列数据的特征。长短时记忆网络(LSTM)通过引入门控的单元降低了循环神经网络训练中梯度爆炸和消散的问题。在电力负荷预测中,还有一种组合模型预测方法法,有通过结合优化算法对模型中存在的多个超参数进行优化;或通过结合数据预处理方法,如经验模态分解(EMD)等对原始时序数据进行处理,相当于原始数据降噪以提高预测准确度,但同时也增加了模型处理的复杂度,对于天然气日负荷的场景,数据噪声小,并不适用。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种用于天然气日负荷的时序预测方法,该方法首先利用自相关分析确定时间窗口的范围,然后利用双向循环神经网络提取时间序列信息进行预测,同时使用SA对模型的超参数进行组合优化,达到短期负荷的精准预测。
本发明的目的是通过以下技术方案实现的:一种用于天然气日负荷时序预测方法,该方法包括以下步骤:
(1)获取历史天然气日负荷数据,分析历史天然气日负荷数据的时间序列依赖关系;
(2)根据依赖关系确定滑动时间窗口长度,提取时间窗口内的时序特征;
(3)构建负荷预测模型,模型的输入为提取的时序特征,输出为下一个的负荷数据预测值,利用启发式搜索结合Adam优化算法,确定负荷预测模型中的参数;
(4)利用负荷预测模型进行预测,与真实值比较得到预测误差,分析样本内预测误差,进行白噪声检验,若误差为白噪声,返回上一步重新确定模型参数值,否则下一步;
(5)利用得到的负荷预测模型,预测下一个天然气日负荷。
进一步地,所述步骤(1)中,历史天然气日负荷数据的时间序列依赖关系由自相关系数(ACF) 确定,自相关系数用来度量时间序列中每隔k个时间单位(yt和yt-k)的观测值之间的相关性,利用历史天然气日负荷数据的样本统计量ξk表示,通过有限的样本数据来计算样本的统计特性:
进一步地,所述步骤(2)中,时间窗口的大小n由自相关函数的5%显著性范围的滞后期数确定。滑动窗口的时序特征包含:yt-n+1,...,yt窗口内的时序值和窗口内最大值、最小值、峰峰值、能量、平均值、绝对平均值、均方根、方差、标准差、峰值因子、偏度因子、间隙因子、波形因子、脉冲因子、裕度因子及日期的独热编码表示以及代表四季的独热编码。
进一步地,所述步骤(3)中,启发式搜索利用用模拟退火算法(SA):模拟退火算法包含内外两重循环。其中,外循环由温度控制,而温度受初始温度、终止温度和温度衰减规律决定,温度对Metropolis准则具有影响;内循环由设定的次数确定,主要是控制每个温度下新解的产生次数,与缓慢降温过程相对应。Metropolis准则如下:
当f(xj)≤f(xi)时,xi=xj
上式中,f表示目标函数,为能量函数;xj是邻域中随机选择的解,xi是上一步的解,Ti表示当前温度,其中求解的值xj代表负荷预测模型的超参数取值。
进一步地,所述步骤(3)中:负荷预测模型采用Bi-LSTM:
ig=sigm(itWix+Ot-1Wim+bi)
fg=sigm(itWfx+Ot-1Wfm+bf)
Og=sigm(itWox+Ot-1WOm+bO)
u=tanh(itWux+Ot-1Wum+bu)
xt=fg·xt-1+ig·u
Ot=Og·tanh(u)
其中:ig,fg,Og分别表示LSTM设计的输入门,遗忘门和输出门,门控单元的激活函数是sigmoid函数,输出0-1之间的值,决定细胞状态保留和遗忘的程度, it表示模型的输入,Yt表示预测的负荷值,u为细胞的候选状态,激活函数采用双曲正切函数,输出-1到+1之间的值;细胞输出是由前向和后向网络的输出综合。xt代表更新的信号,Ot是单元的输出,Yt是模型综合了正向和反向后模型的最终输出,Wix、Wfx、WOx、Wux分别表示输入门,遗忘门和输出门以及细胞的候选状态的输入权值,Wim、Wfm、Wom、Wum分别表示输入门,遗忘门和输出门以及细胞的候选状态的输出权值,bi、bf、bo、bu分别表示输入门,遗忘门和输出门以及细胞的候选状态的偏置向量。
进一步地,所述步骤(4)中:对样本内误差进行Ljung_Box检验,构造的检验统计量是:
H0:原本的数据都是独立的,即总体的相关系数为0,能观察到的某些相关仅仅产生于随机抽样的误差。
其中,T是样本容量,m是延迟期数即自由度,是i阶滞后的自相关系数,在原假设成立的条件下,Q(m)服从自由度为m的卡方分布。给定显著性水平α,则拒绝域是接受原假设意味着原序列是白噪声序列,否则认为序列还存在相关性。
进一步地,所述LSTM预测模型的训练过程中,以MSE为损失函数,Adam优化算法训练 LSTM模型。
进一步地,负荷预测模型的训练包括:构建前向LSTM网络:把将标准化处理后的各类时序特征作为LSTM模型输入向量,利用随机初始化权重矩阵和系数;构建全连接层:将双向LSTM 网络送入全连接层,输出信号为当前时刻的预测值;迭代训练分类器模型:使用Adam不断更新参数,以确定LSTM预测模型。
本发明与现有技术相比具有的有益效果是:本发明首先分析了天然气日负荷数据的自相关关系,据此选取时间窗口的大小,可解释性更好,对于网络模型选取双向循环神经网络,能有效挖掘数据的时序关系,且通过SA对网络的超参数进行搜索,克服了由人工经验进行选择通用性差,不确定性高的缺点,对于模型的可用性进行样本内预测的白噪声检验,确保当前模型预测的残差序列中没有可用信息。本发明在天然气日负荷预测中充分挖掘了时间序列本身的特点,最终提高了方法的普适性和预测精度。
附图说明
图1是本发明用于天然气日负荷的时序预测方法的流程图;
图2是自相关函数图;
图3是时间窗口示意图;
图4是LSTM的结构图;
图5是Bi-LSTM的结构图;
图6是天然气日负荷预测的结果图;
图7是天然气日负荷预测的结果残差图;
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。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来讲,在不付出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,并获得其他的实施方式。以下实例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供的一种用于天然气日负荷的时序预测方法,数据采用浙江省某市城市用户11年至19年共计3287天天然气日负荷数据,本控制方法流程图如图1所示,该方法的具体实现包括以下步骤:
(1)获取历史天然气日负荷数据,分析历史天然气日负荷数据的时间序列依赖关系;
历史天然气日负荷数据的时间序列依赖关系由自相关系数(ACF)确定,自相关系数可以用来度量时间序列中每隔k个时间单位(yt和yt-k)的观测值之间的相关:
其中,ρk表示时间序列自身每隔k个时间单位(yt和yt-k)的观测值之间的相关性;Cov(X,Y) 表示随机变量X和Y的协方差;σ表示变量的标准差。
在ρk的计算公式中,利用样本统计量ξk表示。ρk是总体的统计特性,实际中,仍然只能通过有限的样本数据来计算样本的统计特性。
(2)根据依赖关系确定滑动时间窗口长度,提取时间窗口内的时序特征;自相关图如图2 所示:对一阶差分后的序列绘制ACF图,可以看到自相关系数在7的倍数有时,明显大于其他滞后期数,所以选取7为时间窗口的大小。数据样本的构建参考图3所示,采用时间窗口为7 构建数据数据集。
时间窗口的大小n由包含自相关的5%显著限的滞后期数确定。滑动窗口的时序特征包含: yt-n+1,...,yt窗口内的时序值和窗口内的最大值、最小值、峰峰值、能量、平均值、绝对平均值、均方根、方差、标准差、峰值因子、偏度因子、间隙因子、波形因子、脉冲因子、裕度因子及日期的独热编码表示,共记26维,如表1所示。
表1针对波形提取的时序特征
(3)构建负荷预测模型,模型的输入为提取的时序特征,输出为下一个的负荷数据预测值,利用启发式搜索结合Adam优化算法,确定负荷预测模型中的参数;启发式搜索利用模拟退火算法:模拟物理界物体降温的过程来进行优化,模拟退火算法包含内外两重循环。其中,外循环由温度控制,而温度受初始温度、终止温度和温度衰减规律决定,温度对Metropolis准则具有影响;内循环由设定的次数确定,主要是控制每个温度下新解的产生次数,与缓慢降温过程相对应。
上式中,f表示目标函数,为能量函数;xj是邻域中随机选择的解,xi是上一步的解,Ti表示当前温度,其中求解的值xj代表负荷预测模型的超参数取值,由Metropolis法则可以看出:温度较高时,接受较差解的概率比较大,而温度较低时,接受较差解的概率比较小。
算法的原理为:前期搜索过程增大搜索空间,避免陷入局部最优;后期搜索过程减小搜索空间,使近似最优解更逼近全局最优解,即大范围的粗略搜索与局部的精细搜索的组合。通过遍历概率空间得到优化问题的解,可以证明,其依概率收敛到全局最优解。利用SA对模型的训练输入批量,训练轮次,隐藏层层数,和节点个数进行搜索,结果如表2所示。
所述步骤(3)中,模型采用Bi-LSTM,结构如图4和图5所示:
ig=sigm(itWix+Ot-1Wim+bi)
fg=sigm(itWfx+Ot-1Wfm+bf)
Og=sigm(itWox+Ot-1WOm+bo)
u=tanh(itWux+Ot-1Wum+bu)
xt=fg·xt-1+ig·u
Ot=Og·tanh(u)
其中:ig,fg,Og分别表示LSTM设计的输入门,遗忘门和输出门,门控单元的激活函数是sigmoid函数,输出0-1之间的值,决定细胞状态保留和遗忘的程度 it表示模型的输入,Yt表示预测的负荷值,u为细胞的候选状态,激活函数采用双曲正切函数,输出-1到+1之间的值说明细胞状态在某些维度需要加强,而在某些维度需要减弱,用于改善传统RNN结构的梯度消散和梯地爆炸问题。细胞输出是由前向和后向网络的输出综合。xt代表更新的信号,Ot是单元的输出,Yt是模型综合了正向和反向后模型的最终输出,Wix、Wfx、WOx、Wux分别表示输入门,遗忘门和输出门以及细胞的候选状态的输入权值,Wim、Wfm、WOm、Wum分别表示输入门,遗忘门和输出门以及细胞的候选状态的输出权值,bi、bf、bo、bu分别表示输入门,遗忘门和输出门以及细胞的候选状态的偏置向量。
(4)利用负荷预测模型进行预测,与真实值比较得到预测误差,分析样本内预测误差,进行白噪声检验,若误差为白噪声,返回上一步重新确定模型参数值,否则下一步;具体为:对样本内误差进行Ljung_Box检验,构造的检验统计量是:
原假设H0:原本的数据都是独立的,即总体的相关系数为0,能观察到的某些相关仅仅产生于随机抽样的误差。
其中,T是样本容量,m是自由度,是i阶滞后的自相关系数,在原假设成立的条件下, Q(m)服从自由度为m的卡方分布。给定显著性水平α,则拒绝域是接受原假设意味着原序列是白噪声序列,否则认为序列还存在相关性。
所述LSTM预测模型的训练过程中,以MSE为损失函数,Adam优化算法训练LSTM模型。
负荷预测模型的训练包括:构建前向LSTM网络:把将标准化处理后的各类时序特征作为 LSTM模型输入向量,利用随机初始化权重矩阵和系数;构建全连接层:将双向LSTM网络送入全连接层,输出信号为当前时刻的预测值;迭代训练分类器模型:使用Adam不断更新参数,以确定LSTM预测模型。
优化后实际模型的超参数取值,如表2所示;
表2.超参数取值表
初始学习率 | 1e-3 |
训练输入批量 | 32 |
训练轮次 | 140 |
LSTM隐藏层层数 | 2 |
LSTM隐藏层节点个数 | 16,32 |
全连接隐藏层层数 | 3 |
全连接隐藏层节点个数 | 32,16,1 |
(5)利用得到的负荷预测模型,预测下一个天然气日负荷。
利用模型对280条日数据进行模型拟合,结果如图6所示,预测残差如图7所示,检验统计量能通过白噪声检验,该模型可以用于天然气日负荷预测。
本发明首先分析了天然气日负荷数据的自相关关系,据此选取时间窗口的大小,可解释性更好,对于网络模型选取双向循环神经网络,能有效挖掘数据的时序关系,且通过SA对网络的超参数进行搜索,克服了由人工经验进行选择通用性差,不确定性高的缺点,对于模型的可用性进行样本内预测的白噪声检验,确保当前模型预测的残差序列中没有可用信息。本发明在天然气日负荷预测中充分挖掘了时间序列本身的特点,最终提高了方法的普适性和预测精度。
最后应说明,以上所述仅为本发明的较佳实施举例,并不用于限制本发明,凡在本发明精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于天然气日负荷时序预测方法,其特征在于,该方法包括以下步骤:
(1)获取历史天然气日负荷数据,分析历史天然气日负荷数据的时间序列依赖关系;
(2)根据依赖关系确定滑动时间窗口长度,提取时间窗口内的时序特征;
(3)构建负荷预测模型,模型的输入为提取的时序特征,输出为下一个的负荷数据预测值,利用启发式搜索结合Adam优化算法,确定负荷预测模型中的参数;
(4)利用负荷预测模型进行预测,与真实值比较得到预测误差,分析样本内预测误差,进行白噪声检验,若误差为白噪声,返回上一步重新确定模型参数值,否则下一步;
(5)利用得到的负荷预测模型,预测下一个天然气日负荷。
3.根据权利要求1所述的一种用于天然气日负荷时序预测方法,其特征在于,所述步骤(2)中,时间窗口的大小n由自相关函数的5%显著性范围的滞后期数确定。滑动窗口的时序特征包含:yt-n+1,...,yt窗口内的时序值和窗口内最大值、最小值、峰峰值、能量、平均值、绝对平均值、均方根、方差、标准差、峰值因子、偏度因子、间隙因子、波形因子、脉冲因子、裕度因子及日期的独热编码表示以及代表四季的独热编码。
4.根据权利要求1所述的一种用于天然气日负荷时序预测方法,其特征在于,所述步骤(3)中,启发式搜索利用用模拟退火算法(SA):模拟退火算法包含内外两重循环。其中,外循环由温度控制,而温度受初始温度、终止温度和温度衰减规律决定,温度对Metropolis准则具有影响;内循环由设定的次数确定,主要是控制每个温度下新解的产生次数,与缓慢降温过程相对应。Metropolis准则如下:
当f(xj)≤f(xi)时,xi=xj
上式中,f表示目标函数,为能量函数;xj是邻域中随机选择的解,xi是上一步的解,Ti表示当前温度,其中求解的值xj代表负荷预测模型的超参数取值。
5.根据权利要求1所述的一种用于天然气日负荷时序预测方法,其特征在于,所述步骤(3)中:负荷预测模型采用Bi-LSTM:
ig=sigm(itWix+Ot-1Wim+bi)
fg=sigm(itWfx+Ot-1Wfm+bf)
Og=sigm(itWOx+Ot-1WOm+bO)
u=tanh(itWux+Ot-1Wum+bu)
xt=fg·xt-1+ig·u
Ot=Og·tanh(u)
其中:ig,fg,Og分别表示LSTM设计的输入门,遗忘门和输出门,门控单元的激活函数是sigmoid函数,输出0-1之间的值,决定细胞状态保留和遗忘的程度,it表示模型的输入,Yt表示预测的负荷值,u为细胞的候选状态,激活函数采用双曲正切函数,输出-1到+1之间的值;细胞输出是由前向和后向网络的输出综合。xt代表更新的信号,Ot是单元的输出,Yt是模型综合了正向和反向后模型的最终输出,Wix、Wfx、WOx、Wux分别表示输入门,遗忘门和输出门以及细胞的候选状态的输入权值,Wim、Wfm、WOm、Wum分别表示输入门,遗忘门和输出门以及细胞的候选状态的输出权值,bi、bf、bO、bu分别表示输入门,遗忘门和输出门以及细胞的候选状态的偏置向量。
7.根据权利要求5所述的一种用于天然气日负荷时序预测方法,其特征在于,所述LSTM预测模型的训练过程中,以MSE为损失函数,Adam优化算法训练LSTM模型。
8.根据权利要求5所述的一种用于天然气日负荷时序预测方法,其特征在于,负荷预测模型的训练包括:构建前向LSTM网络:把将标准化处理后的各类时序特征作为LSTM模型输入向量,利用随机初始化权重矩阵和系数;构建全连接层:将双向LSTM网络送入全连接层,输出信号为当前时刻的预测值;迭代训练分类器模型:使用Adam不断更新参数,以确定LSTM预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439898.7A CN114819340A (zh) | 2022-04-24 | 2022-04-24 | 一种用于天然气日负荷的时序预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439898.7A CN114819340A (zh) | 2022-04-24 | 2022-04-24 | 一种用于天然气日负荷的时序预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819340A true CN114819340A (zh) | 2022-07-29 |
Family
ID=82508010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210439898.7A Pending CN114819340A (zh) | 2022-04-24 | 2022-04-24 | 一种用于天然气日负荷的时序预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819340A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117334334A (zh) * | 2023-09-28 | 2024-01-02 | 海南大学 | 一种健康风险预测方法、装置、设备及介质 |
CN117494906A (zh) * | 2023-12-28 | 2024-02-02 | 浙江省白马湖实验室有限公司 | 一种基于多元时间序列的天然气日负荷预测方法 |
-
2022
- 2022-04-24 CN CN202210439898.7A patent/CN114819340A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117334334A (zh) * | 2023-09-28 | 2024-01-02 | 海南大学 | 一种健康风险预测方法、装置、设备及介质 |
CN117334334B (zh) * | 2023-09-28 | 2024-05-03 | 海南大学 | 一种健康风险预测方法、装置、设备及介质 |
CN117494906A (zh) * | 2023-12-28 | 2024-02-02 | 浙江省白马湖实验室有限公司 | 一种基于多元时间序列的天然气日负荷预测方法 |
CN117494906B (zh) * | 2023-12-28 | 2024-03-29 | 浙江省白马湖实验室有限公司 | 一种基于多元时间序列的天然气日负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819340A (zh) | 一种用于天然气日负荷的时序预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
Sehovac et al. | Forecasting building energy consumption with deep learning: A sequence to sequence approach | |
CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
CN114386324A (zh) | 一种基于转折性时段识别的超短期风电功率分段预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN112733444A (zh) | 基于CycleGAN神经网络的多步长时间序列预测方法 | |
CN113052469B (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
CN116050281A (zh) | 一种基坑变形监测方法及系统 | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
Kharlova et al. | Forecasting photovoltaic power production using a deep learning sequence to sequence model with attention | |
CN113627070A (zh) | 一种短期光伏功率预测方法 | |
CN116398418A (zh) | 核电循环水泵在线异常监测及辨识方法 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
Jin et al. | Adaptive forecasting of wind power based on selective ensemble of offline global and online local learning | |
Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
Ghasvarian Jahromi et al. | Wind power prediction based on wind speed forecast using hidden Markov model | |
Dong et al. | A novel data-driven approach for tropical cyclone tracks prediction based on Granger causality and GRU | |
CN112183814A (zh) | 一种短期风速预测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231228 Address after: No. 1751 Binsheng Road, Binjiang District, Hangzhou City, Zhejiang Province, 310000 Applicant after: Zhejiang Provincial Natural Gas Development Co.,Ltd. Applicant after: ZHEJIANG University Address before: 310012 room 205, No. 20, Youdian new village, Xihu District, Hangzhou City, Zhejiang Province Applicant before: ZHEJIANG ZHENENG NATURAL GAS OPERATION CO.,LTD. Applicant before: ZHEJIANG University |
|
TA01 | Transfer of patent application right |