CN115829123A - 基于灰色模型与神经网络的天然气需求预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于灰色模型与神经网络的天然气需求预测方法及装置，所述方法包括：采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。本发明可以利用灰色模型对各类相关因素和信息进行深层挖掘，再利用深层挖掘的信息对组合模型进行模型训练以及需求预测，通过各类深层挖掘信息的映射和关联进行模型训练，能提高模型预测的准确率，减少预测的误差。

Description

基于灰色模型与神经网络的天然气需求预测方法及装置

技术领域

本发明涉及能源预测技术领域的技术领域，尤其涉及一种基于灰色模型与神经网络的天然气需求预测方法及装置。

背景技术

随着天然气的技术逐渐发展与成熟，天然气已经渐渐成为世界第三大能源，其年消费量也逐年上升。为了让能让天然气普及应用，需要解决一些列的应用难题，包括：城市气源更换、城市燃气管网规划、储气设施的建设等。针对这些问题，关于天然气需求预测的研究工作就显得尤为重要。

目前常用的天然气需求预测的方法：人工智能法，具体是先确定天然气需求的历史数据，以及用户设定的其它能影响负荷的外在因素(如温度，天气，日期类型等宏观影响因素)，基于历史数据与外在因素进行模型训练(包括：BP神经网络、遗传算法、支持向量机等)得到预测模型，最后利用预测模型见需求预测。

但目前常用的预测方法有如下技术问题：天然气的短期需求容易受到各种不同的主观因素或客观因素影响，且各个因素也相互影响，仅仅以历史数据与部分用户设定的宏观影响因素进行模型训练，不符合天然气的短期应用过需求，导致模型的预测结果与实际结果相比误差较大，准确率较低。

发明内容

本发明提出一种基于灰色模型与神经网络的天然气需求预测方法及装置，所述方法可以利用灰色模型对各类相关因素和信息进行深层挖掘，再利用深层挖掘的信息对组合模型进行模型训练以及需求预测，通过各类深层挖掘信息的映射和关联进行模型训练，能提高模型预测的准确率，减少预测的误差。

本发明实施例的第一方面提供了一种基于灰色模型与神经网络的天然气需求预测方法，所述方法包括：

采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；

利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；

获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。

在第一方面的一种可能的实现方式中，所述利用WOA算法对所述灰色模型进行优化，得到优化模型，包括：

将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果；

利用WOA优化算法计算所述模型求解结果的最优值，得到求解最优值；

采用所述求解最优值对所述灰色模型进行迭代更新，得到优化模型。

在第一方面的一种可能的实现方式中，所述模型求解结果，如下式所示：

上式中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

在第一方面的一种可能的实现方式中，所述利用所述特征数据集构建灰色模型，包括：

累加所述特征数据集生成1-AGO累加序列；

采用所述1-AGO累加序列构建生成灰色模型。

在第一方面的一种可能的实现方式中，所述灰色模型为GM(1,N|τ,γ)，如下式所示：

上式中，a称为系统发展系数，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

其中，灰色模型为GM(1,N|τ,γ)的近似时间响应式为：

上式中，k≥2，τ为延迟时间，γ为时间变化灰输入的次数且γ≥0。

在第一方面的一种可能的实现方式中，所述预设的组合神经网络是由CNN和BiLSTM组合的CNN-BiLSTM神经网络模型；

所述获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，包括：

获取所述优化模型对所述特征数据集进行初始预测后输出的初始预测数据，并将所述初始预测数据进行归一化处理，得到归一化数据集；

利用所述归一化数据集与所述特征数据集对所述CNN-BiLSTM神经网络模型进行模型训练，得到预测模型。

在第一方面的一种可能的实现方式中，所述调用所述预测模型进行短期需求预测，包括：

获取所述预测模型输出的中间预测值，将所述中间预测值与所述特征数据集输入至所述预测模型中得到初始预测值；

对所述初始预测值进行反归一处理得到目标预测结果。

在第一方面的一种可能的实现方式中，在所述采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型的步骤后，所述方法还包括：

分别计算所述预测模型的均方根误差和平均百分数误差；

基于所述均方根误差和所述平均百分数误差确定所述预测模型的预测性能。

在第一方面的一种可能的实现方式中，所述均方根误差，如下式所示：

所述平均百分数误差，如下式所示：

上式中，R_MSE为均方根误差，M_APE为平均百分数误差，y_i为第i个样本的真实值，y_fi为第i个样本的预测值，N为样本个数。

本发明实施例的第二方面提供了一种基于灰色模型与神经网络的天然气需求预测装置，所述装置包括：

采集模块，用于采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；

构建与优化模块，用于利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；

训练与预测模块，用于获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。

相比于现有技术，本发明实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法及装置，其有益效果在于：本发明可以利用预测所需的特征数据构建灰色模型，将灰色模型与CNN-BiLSTM模型串联应用并进行预测，从而能充分考虑了多变量少信息不确定系统的延迟性与时间变化，并协调了多个因子对行为变量的影响关系。而且组合模型具有更强更好的迭代学习率，能够开展更深层次的建模分析，对能源预测中多敏感因子耦合的数据完成特征提取，建立起高维的映射关系，进而能提取连续序列间的潜在特征，以克服长序列信息缺失依赖的问题，使得预测的结果能更加贴合天然气的实际应用场景和需求，减少预测的误差，提高预测的准确率。

附图说明

图1是本发明一实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法的流程示意图；

图2是本发明一实施例提供的利用WOA算法进行优化的操作流程图；

图3是本发明一实施例提供的CNN-BiLSTM神经网络的结构示意图；

图4是本发明一实施例提供的CNN-BiLSTM神经网络的卷积多池化操作流程图；

图5是本发明一实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法的操作流程图；

图6是本发明一实施例提供的一种基于灰色模型与神经网络的天然气需求预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着天然气的技术逐渐发展与成熟，天然气已经渐渐成为世界第三大能源，其年消费量也逐年上升。为了让能让天然气普及应用，需要解决一些列的应用难题，包括：城市气源更换、城市燃气管网规划、储气设施的建设等。针对这些问题，关于天然气需求预测的研究工作就显得尤为重要。

目前常用的天然气需求预测的方法：人工智能法，具体是先确定天然气需求的历史数据，以及用户设定的其它能影响负荷的外在因素(如温度，天气，日期类型等宏观影响因素)，基于历史数据与外在因素进行模型训练(包括：BP神经网络、遗传算法、支持向量机等)得到预测模型，最后利用预测模型见需求预测。

但目前常用的预测方法有如下技术问题：天然气的短期需求容易受到各种不同的主观因素或客观因素影响，且各个因素也相互影响，仅仅以历史数据与部分用户设定的宏观影响因素进行模型训练，不符合天然气的短期应用过需求，导致模型的预测结果与实际结果相比误差较大，准确率较低。

为了解决上述问题，下面将通过以下具体的实施例对本申请实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法进行详细介绍和说明。

参照图1，示出了本发明一实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法的流程示意图。

其中，作为示例的，所述基于灰色模型与神经网络的天然气需求预测方法，可以包括：

S11、采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据。

在一实施例中，特征数据集包括天然气消费或应用的各种特征数据，例如可以包括时间特征数据和相关因素特征数据。

其中，时间特征数据是用户消费天然气相关特征数据，相关因素特征数据是影响天然气产能或传输的各类因素特征数据。

具体地，时间特征数据可以包括：天然气能源需求特征月度数据序列、天然气需求消费数据、滞后性天然气能源需求数据等。

相关因素特征数据可以包括：天然气能源建设投入、天然气产能及进口数据、气象数据、太阳能数据、多种能源消费数据、能源政策相关数据等，并利用上述数据建立含日期因素、气候因素、经济因素、政策因素在内的相关因素多维特征集。

S12、利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型。

利用灰色预测模型能够根据部分已知信息，充分提取并挖掘系统内部存在的相关规律，找出具有实际价值的信息，通过构建模型获取部分未知信息。而利用WOA算法对灰色模型进行优化，能提升灰色模型挖掘信息的能力，使其能从特征数据集中查找各个数据之间的关联，进而能提高预测的准确率。

在一可选的实施例中，步骤S12可以包括以下子步骤：

S121、累加所述特征数据集生成1-AGO累加序列。

在一实施例中，

是特征数据集，

包括时间特征数据

和相关因素特征数据

具体如下式所示：

其中，(j＝2,…，M)，公式(2)。

将特征数据集

累加生成1-AGO序列

具体如下式所示：

基于上述收集的M-1种影响天然气能源供应及需求的因素，各n组月度数据，以

输入时，以

输出。

S122、采用所述1-AGO累加序列构建生成灰色模型。

在一实施例中，所述灰色模型为GM(1,N|τ,γ)，如下式所示：

上式中，a称为系统发展系数，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列。

其中，灰色模型为GM(1,N|τ,γ)的近似时间响应式为：

上式中，k≥2，τ为延迟时间，γ为时间变化灰输入的次数且γ≥0。

在一实际应用中，若记：

P＝[a,b₂,…,b_n]；

则有定理1：

当n＝N+1时，则P＝B^-1Y,|B|≠0；

当n>N+1时，则P＝(B^TB)^-1B^TY；

当n<N+1时，则P＝B^T(BB^T)^-1Y；

由GM(1,N|τ,γ)可推导出：

S123、将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果。

在一实施例中，所述模型求解结果，如下式所示：

上式中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

S124、利用WOA优化算法计算所述模型求解结果的最优值，得到求解最优值。

S125、采用所述求解最优值对所述灰色模型进行迭代更新，得到优化模型。

利用WOA优化算法求解γ，τ的最优值。将目标函数初始化为一组随机解，随后在迭代过程中根据个体极值与全局极值更新，得到优化模型。

在一实施例中，目标函数可以是WOA优化算法的目标函数，具体也可以根据用户的应用需要进行调整。

参照图2，示出了本发明一实施例提供的利用WOA算法进行优化的操作流程图。

具体地，上述利用WOA算法进行迭代优化的过程如下：

假设鲸鱼种群规模为N，搜索空间为d维，第i只鲸鱼在第d维空间中的位置可表示为

i＝1、2、...，N。鲸鱼位置更新公式为：

D＝|C·X^*(t)-X_i(t)|，公式(8)；

X_i(t+1)＝X^*(t)-A·D，公式(9)；

其中D为鲸鱼个体位置与种群全局最优位置的距离，X_i(t)为第i只鲸鱼个体在第t次迭代时的位置，X^*(t)为第t次迭代时鲸鱼种群的全局最优位置。

A为收敛因子，C为摆动因子，其中a在迭代过程中从2线性下降至0；

a＝2-2t/t_max，公式(10)；

rand为0到1之间的随机值A和C的计算公式如下所示：

A＝2a·rand₁-a，公式(11)；

C＝2rand₂，公式(12)；

在WOA算法中鲸鱼更新位置机制分别为收缩包围机制和螺旋更新位置，在优化过程中选择收缩包围机制和螺旋位置更新概率相同，均为0.5，收缩包围机制和螺旋更新位置分别如下：

X(t+1)＝X_rand(t)-A·|C·X_rand(t)-X(t)|，公式(11)；

其中D＝|X_p(t)-X(t)|表示第i只鳄鱼与猎物之间的距离，b为用于限定对数螺旋形状的常数，l为-1与1之间的随机数。

对于每只鲸鱼，首先根据定理一求解模型参数，然后带入以残差方值最小为目标的优化模型中计算适应值然后根据适应值来确定当前粒子最优位置及全局最优位置，根据式(11)和(12)调整各个粒子的速度及位置。其结束条件为迭代次数达到设定值或者群体迄今为止搜索到的最优位置满足预设最小适应值。

S13、获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。

在一实施例中，可以运用优化模型对天然气需求进行预测得到初始预测数据，然后将初始预测数据与其他能源特征因素相关数据输入到预设的组合神经网络进行学习，得到预测模型，最后调用预测模型进行天然气需求的最终预测。

在其中一种的实施例中，所述预设的组合神经网络是由CNN和BiLSTM组合的CNN-BiLSTM神经网络模型。

参照图3，示出了本发明一实施例提供的CNN-BiLSTM神经网络的结构示意图。

选用CNN-BiLSTM双向网络模型在多维输入特征参数下可以充分考虑负荷特征的时序特性，提高对过往历史参数的利用率，少样本的情况下在短期的能源预测中具有更高的精准度。而且BiLSTM通过双向网络使得过去和未来的隐藏层状态都可以进行递归反馈，因此能够进一步挖掘当前负荷数据同过去及未来时刻负荷数据的内在联系，进一步提升模型预测精度和特征数据利用率。

其中，作为示例的，步骤S13可以包括以下子步骤：

S131、获取所述优化模型对所述特征数据集进行初始预测后输出的初始预测数据，并将所述初始预测数据进行归一化处理，得到归一化数据集。

在一实施例中，利用WOA算法优化参数后得到模型为优化模型GM(1,N|τ,γ)，可以利用优化模型对初步预测的特征数据序列

进行初始预测，得到初始预测数据，然后将该初始预测数据的样本数据进行归一化处理，得到归一化数据集，其中，归一化处理如下式所示：

S132、利用所述归一化数据集与所述特征数据集对所述CNN-BiLSTM神经网络模型进行模型训练，得到预测模型。

在一实施例中，将GM(1,N|τ,γ)模型得到初步预测值的和原始影响天然气能源需求因素及系统特征数值序列分别输入到CNN-BiLSTM进行学习，构建一种基于CNN-BiLSTM的能源短期预测模型，得到预测模型。

参照图4，示出了本发明一实施例提供的CNN-BiLSTM神经网络的卷积多池化操作流程图。

在训练时，可以先将数据输入到CNN卷积层进行数据特征提取。然后输入到池化层与Flatten层，对数据分别进行过滤和扁平化，考虑到卷积神经网络模型对数据的需求较大，而池化层可能丢失许多潜在信息，因此可以使用多池化操作代替单池化结构，从而可以提取更多不同的主题特征以及防止单池化造成的潜在有效信息的丢失，达到优化模型的目的。

而最大池化层通过将输入划分为矩形池化区域并计算每个区域的最大值来执行采样。筛选处理后的数据进入BiLSTM网络进行模型构建和训练，训练和预测结果再经过Dense层对数据特征进行增强后输出。

S133、获取所述预测模型输出的中间预测值，将所述中间预测值与所述特征数据集输入至所述预测模型中得到初始预测值。

S134、对所述初始预测值进行反归一处理得到目标预测结果。

在一具体操作方式中，在训练完成后，可以将上述多维的特征数据集以及优化模型输出的初始预测数据输入至预测模型中，由预测模型输出天然气月度需求预测结果，并将预测结果进行反归一化处理，最后得到目标预测结果。

具体地，目标预测结果的计算如下式所示：

s'＝min_s+a(max_s-min_s)

上式中，s'表示原量纲下的目标预测结果，a为预测模型预测输出的结果。

在一实施例中，在使用预测模型过程中，需要对预测模型进行评估，以确定其预测准确率。其中，作为示例的，所述方法还可以包括：

S14、分别计算所述预测模型的均方根误差和平均百分数误差。

在一实施例中，所述均方根误差，如下式所示：

所述平均百分数误差，如下式所示：

上式中，R_MSE为均方根误差，M_APE为平均百分数误差，y_i为第i个样本的真实值，y_fi为第i个样本的预测值，N为样本个数。

S15、基于所述均方根误差和所述平均百分数误差确定所述预测模型的预测性能。

在一可选的应用例子中，若均方根误差大于1，且平均百分数误差小于1，则确定预测模型的预测性能符合要求，反之，则确定预测模型的预测性能不符合要求。

参照图5，示出了本发明一实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法的操作流程图。

在一具体的操作方式中，可以采集关于天然气需求的特征数据集(包括大量特征样本数据)。采用特征数据集的序列生成灰色模型并调用灰色模型进行初始预测，得到初始预测结果，以及采用特征数据集构建数据矩阵。对初始预测结果与数据矩阵进行归一化处理，再利用归一化处理的数据对CNN-BiLSTM组合模型进行模型训练，最后利用训练好的预测模型对特征数据集进行预测，得到目标预测结果。

在本实施例中，本发明实施例提供了一种基于灰色模型与神经网络的天然气需求预测方法，其有益效果在于：本发明可以利用预测所需的特征数据构建灰色模型，将灰色模型与CNN-BiLSTM模型串联应用并进行预测，从而能充分考虑了多变量少信息不确定系统的延迟性与时间变化，并协调了多个因子对行为变量的影响关系。而且组合模型具有更强更好的迭代学习率，能够开展更深层次的建模分析，对能源预测中多敏感因子耦合的数据完成特征提取，建立起高维的映射关系，进而能提取连续序列间的潜在特征，以克服长序列信息缺失依赖的问题，使得预测的结果能更加贴合天然气的实际应用场景和需求，减少预测的误差，提高预测的准确率。

本发明实施例还提供了一种基于灰色模型与神经网络的天然气需求预测装置，参见图6，示出了本发明一实施例提供的一种基于灰色模型与神经网络的天然气需求预测装置的结构示意图。

其中，作为示例的，所述基于灰色模型与神经网络的天然气需求预测装置可以包括：

采集模块601，用于采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；

构建与优化模块602，用于利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；

训练与预测模块603，用于获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。

可选地，所述构建与优化模块，还用于：

将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果；

利用WOA优化算法计算所述模型求解结果的最优值，得到求解最优值；

采用所述求解最优值对所述灰色模型进行迭代更新，得到优化模型。

可选地，所述模型求解结果，如下式所示：

上式中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

可选地，所述构建与优化模块，还用于：

累加所述特征数据集生成1-AGO累加序列；

采用所述1-AGO累加序列构建生成灰色模型。

可选地，所述灰色模型为GM(1,N|τ,γ)，如下式所示：

上式中，a称为系统发展系数，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

其中，灰色模型为GM(1,N|τ,γ)的近似时间响应式为：

上式中，k≥2，τ为延迟时间，γ为时间变化灰输入的次数且γ≥0。

可选地，所述预设的组合神经网络是由CNN和BiLSTM组合的CNN-BiLSTM神经网络模型；

所述训练与预测模块，还用于：

获取所述优化模型对所述特征数据集进行初始预测后输出的初始预测数据，并将所述初始预测数据进行归一化处理，得到归一化数据集；

利用所述归一化数据集与所述特征数据集对所述CNN-BiLSTM神经网络模型进行模型训练，得到预测模型。

可选地，所述训练与预测模块，还用于：

获取所述预测模型输出的中间预测值，将所述中间预测值与所述特征数据集输入至所述预测模型中得到初始预测值；

对所述初始预测值进行反归一处理得到目标预测结果。

可选地，所述装置还包括：

计算模块，用于分别计算所述预测模型的均方根误差和平均百分数误差；

确定模块，用于基于所述均方根误差和所述平均百分数误差确定所述预测模型的预测性能。

可选地，所述均方根误差，如下式所示：

所述平均百分数误差，如下式所示：

上式中，R_MSE为均方根误差，M_APE为平均百分数误差，y_i为第i个样本的真实值，y_fi为第i个样本的预测值，N为样本个数。

所属技术领域的技术人员可以清楚地了解到，为方便的描述和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

进一步的，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的基于灰色模型与神经网络的天然气需求预测方法。

进一步的，本申请实施例还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计算机可执行程序，所述计算机可执行程序用于使计算机执行如上述实施例所述的基于灰色模型与神经网络的天然气需求预测方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述方法包括：

采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；

利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；

获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。

2.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述利用WOA算法对所述灰色模型进行优化，得到优化模型，包括：

将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果；

利用WOA优化算法计算所述模型求解结果的最优值，得到求解最优值；

采用所述求解最优值对所述灰色模型进行迭代更新，得到优化模型。

3.根据权利要求2所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述模型求解结果，如下式所示：

上式中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

4.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述利用所述特征数据集构建灰色模型，包括：

累加所述特征数据集生成1-AGO累加序列；

采用所述1-AGO累加序列构建生成灰色模型。

5.根据权利要求4所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述灰色模型为GM(1,N|τ,γ)，如下式所示：

上式中，a称为系统发展系数，b_i称为驱动系数，

称为驱动项，

是1-AGO累加序列，

是特征数据集，

为

的紧邻均值生成序列，

包括时间特征数据

和相关因素特征数据

其中，灰色模型为GM(1,N|τ,γ)的近似时间响应式为：

上式中，k≥2，τ为延迟时间，γ为时间变化灰输入的次数且γ≥0。

6.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述预设的组合神经网络是由CNN和BiLSTM组合的CNN-BiLSTM神经网络模型；

所述获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，包括：

获取所述优化模型对所述特征数据集进行初始预测后输出的初始预测数据，并将所述初始预测数据进行归一化处理，得到归一化数据集；

利用所述归一化数据集与所述特征数据集对所述CNN-BiLSTM神经网络模型进行模型训练，得到预测模型。

7.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述调用所述预测模型进行短期需求预测，包括：

获取所述预测模型输出的中间预测值，将所述中间预测值与所述特征数据集输入至所述预测模型中得到初始预测值；

对所述初始预测值进行反归一处理得到目标预测结果。

8.根据权利要求1-7任意一项所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，在所述采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型的步骤后，所述方法还包括：

分别计算所述预测模型的均方根误差和平均百分数误差；

基于所述均方根误差和所述平均百分数误差确定所述预测模型的预测性能。

9.根据权利要求8所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述均方根误差，如下式所示：

所述平均百分数误差，如下式所示：

上式中，R_MSE为均方根误差，M_APE为平均百分数误差，y_i为第i个样本的真实值，y_fi为第i个样本的预测值，N为样本个数。

10.一种基于灰色模型与神经网络的天然气需求预测装置，其特征在于，所述装置包括：

采集模块，用于采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；

构建与优化模块，用于利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；

训练与预测模块，用于获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。

Images