CN115859554A - 基于大数据的民用天然气动态智能调配方法 - Google Patents
基于大数据的民用天然气动态智能调配方法 Download PDFInfo
- Publication number
- CN115859554A CN115859554A CN202211223187.2A CN202211223187A CN115859554A CN 115859554 A CN115859554 A CN 115859554A CN 202211223187 A CN202211223187 A CN 202211223187A CN 115859554 A CN115859554 A CN 115859554A
- Authority
- CN
- China
- Prior art keywords
- model
- natural gas
- building
- level
- civil
- 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.)
- Granted
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 529
- 239000003345 natural gas Substances 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000002156 mixing Methods 0.000 claims abstract description 24
- 239000007789 gas Substances 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 22
- 150000001875 compounds Chemical class 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000002737 fuel gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003287 bathing Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据的民用天然气动态智能调配方法,包括:在天然气管线布设流量传感计和压力计,将流量和压力通过无线网络传递到燃气动态智能调配终端,存储形成流量大数据流量和压力;建立基于压力波动的民用天然气启调模型;建立灰组合预测模型COMGM(1,1)模型;根据灰组合预测模型COMGM(1,1)模型,建立民用天然气调配流量预测模型;根据基于压力波动的民用级天然气启调模型和民用天然气调配流量预测模型,建立民用天然气调配模型;根据所述民用天然气调配模型,对天然气进行动态智能调配。本发明实现了民用天然气的动态调配。
Description
技术领域
本发明属于石油与天然气工程技术领域,具体涉及一种基于大数据的民用天然气动态智能调配方法。
背景技术
作为化石燃料中最清洁的能源,天然气具有高热效率和能源效率优势,被认为是最有发展前途、最有效率的能源,其被广泛的应用于城市做饭、洗澡和取暖中。随着人们对生活品质要求越来越高,对天然气的需求量也越来越大,经常会出现用气荒的问题,但是我国天然气的实际产能来看,天然气的实际供应量是充足的。经分析造成这种现象的原因是,天然气调配不合理,调配不合理造成了很多区域燃气用量不足的情况,而其余区域燃气量过剩的情况,为此需要对民用天然气实行动态智能调配。
目前在天然气供配方面,主要存在以下两个问题:(1)目前燃气管网铺设后,往往全部打开阀门不管用户用不用都供气,这部分用户占据了一定的管道容量,这就造成这样一个现象:部分区域供气不足,而部分区域供气过剩。(2)用气量不可动态调配问题,如某一用户出国多年,在其期间气量分配仍占用一定的比例,浪费了煤气管道的运力。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于大数据的民用天然气动态智能调配方法。
本发明提供一种基于大数据的民用天然气动态智能调配方法,所述方法包括以下步骤:
在天然气管线布设流量传感计和压力计,将流量和压力通过无线网络传递到燃气动态智能调配终端,存储形成流量大数据流量和压力;
建立基于压力波动的民用天然气启调模型;其中,所述民用天然气启调模型包括:民用天然气用户级启调模型、民用天然气楼宇级启调模型、民用天然气小区级启调模型和民用天然气区级启调模型;
建立灰组合预测模型COMGM(1,1)模型;
根据灰组合预测模型COMGM(1,1)模型,建立民用天然气调配流量预测模型;其中,所述民用天然气调配流量预测模型包括:民用天然气用户级调配流量预测模型、民用天然气楼宇级调配流量预测模型、民用天然气小区级调配流量预测模型、民用天然气区级调配流量预测模型;
根据所述民用级天然气启调模型和所述民用天然气调配流量预测模型,建立民用天然气调配模型;其中,所述民用天然气调配模型包括:民用天然气调配模型由民用天然气用户级调配模型、民用天然气楼宇级调配模型、民用天然气小区级调配模型和民用天然气区级调配模型;
根据所述民用天然气调配模型,对天然气进行动态智能调配。
可选地,所述民用天然气用户级启调模型的建模,包括以下步骤:
以第region区第vilage小区第building号楼第user号用户第time时刻的气压值为PUregion×vilage×building×user×time及其最近若干天气压数据做为建模数据进行预测,该用户(time+1)时刻的气压预测值可表示为:
式中,αh为第region区第vilage小区第building号楼第user号用户压力灰发展系数,μh为第region区第vilage小区第building号楼第user号用户天然气管道压力灰作用量,式中αh和μh的表达式如下:
式中,Bh为第region区第vilage小区第building号楼第user号用户压力矩阵,Yh为第region区第vilage小区第building号楼第user号用户压力原始矩阵,Bh和Yh表达式如下:
建立基于压力波动的民用天然气用户级启调模型如下:
式中,λuser为基于压力波动的民用天然气用户级启调模型灰辨别系数;θuser为民用天然气用户级启调模型用户压力阈值。
可选地,所述民用天然气楼宇级启调模型的建模,包括以下步骤:
以第region区第vilage小区第building号楼第time时刻的气压值为PBregion×vilage×building×time及其最近若干天气压数据做为建模数据进行预测,该楼(time+1)时刻的气压预测值可表示为:
式中,αhb为第region区第vilage小区第building号楼天然气管道压力灰发展系数,μhb为第region区第vilage小区第building号楼天然气管道压力灰作用量,式中αhb和μhb的表达式如下:
式中,Bhb为第region区第vilage小区第building号楼压力矩阵,Yhb为第region区第vilage小区第building号楼压力原始矩阵,Bhb和Yhb表达式如下:
建立基于压力波动的民用天然气楼宇级启调模型如下:
式中,λbuliding为基于压力波动的民用天然气楼宇级启调模型灰辨别系数;θbuliding为民用天然气楼宇级启调模型用户压力阈值。
可选地,所述民用天然气小区级启调模型的建模,包括以下步骤:
式中,αhv为第region区第vilage小区天然气管道压力灰发展系数,μhv为第region区第vilage小区天然气管道压力灰作用量,式中αhv和μhv的表达式如下:
式中,Bhv为第region区第vilage小区压力矩阵,Yhv为第region区第vilage小区压力原始矩阵,Bhv和Yhv表达式如下:
建立基于压力波动的民用天然气小区级启调模型如下:
式中,λVilage为基于压力波动的民用天然气小区级启调模型灰辨别系数;θVilage为民用天然气小区级启调模型用户压力阈值。
可选地,所述民用天然气区级启调模型的建模,包括以下步骤:
式中,αhve为第region区天然气管道压力灰发展系数,μhve为第region区天然气管道压力灰作用量,式中αhve和μhve的表达式如下:
式中,Bhve为第region区压力矩阵,Yhve为第region区压力原始矩阵,Bhve和Yhve表达式如下:
建立基于压力波动的民用天然气区级启调模型如下:
式中,λregion为基于压力波动的民用天然气区级启调模型灰辨别系数;θregion为民用天然气区级启调模型用户压力阈值。
可选地,所述建立灰组合预测模型COMGM(1,1)模型,包括:
将GM(1,1)模型、DGM(1,1)模型和NDGM(1,1)模型采用预测权系数的方法融合到一起,建立灰组合预测模型COMGM(1,1)模型:
式中,ζGM为COMGM(1,1)模型中GM(1,1)模型的权值系数,ζDGM为COMGM(1,1)模型中DGM(1,1)模型的权值系数,ζNDGM为COMGM(1,1)模型中NDGM(1,1)模型的权值系数,ht为待预测值,为通过GM(1,1)模型获得的灰预测值,/>为通过DGM(1,1)模型获得的灰预测值,/>为通过DGM(1,1)模型获得的灰预测值,/>为通过COMGM(1,1)模型获得的灰预测值;
ζGM、ζDGM和ζNDGM求解方法如下:
由ht构成的序列称为H0(t),由构成的序列H1(t),由/>构成的序列H2(t),由/>构成的序列H3(t),ζGM表征序列H0(t)和序列H1(t)的相关性,ζDGM表征序列H0(t)和序列H2(t)的相关性,ζNDGM表征序列H0(t)和序列H3(t)的相关性,故ζGM、ζDGM和ζNDGM的表达式可以表述为:
式中,χ为COMGM(1,1)模型权构成值分辨系数;i为预测序列序号,t为序列值的序号。
可选地,所述根据灰组合预测模型COMGM(1,1)模型,建立民用天然气调配流量预测模型,包括:
以第region区第vilage小区第building号楼第user号用户第time时刻流量φregion×vilage×building×user×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气用户级调配流量预测模型如下:
式中,为φregion×vilage×building×user×time通过COMGM(1,1)模型获得的预测值;/>为民用天然气用户级调配流量预测模型中GM(1,1)模型的权值系数,为民用天然气用户级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气用户级调配流量预测模型中NDGM(1,1)模型的权值系数;/>
以第region区第vilage小区第building号楼第time时刻流量φBregion×vilage×building×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气楼宇级调配流量预测模型如下:
式中,为φBregion×vilage×building×time通过COMGM(1,1)模型获得的预测值,/>为民用天然气楼宇级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气楼宇级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气楼宇级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第vilage小区第time时刻流量φVregion×vilage×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气小区级调配流量预测模型如下:
式中,为φVregion×vilage×time通过COMGM(1,1)模型获得的预测值;为民用天然气小区级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气小区级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气小区级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第time时刻流量φRregion×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气区级调配流量预测模型如下:
式中,为φRregion×time通过COMGM(1,1)模型获得的预测值;/>为民用天然气区级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气区级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气区级调配流量预测模型中NDGM(1,1)模型的权值系数。
可选地,所述民用天然气用户级调配模型如下:
所述民用天然气楼宇级调配模型如下:
所述民用天然气小区级调配模型如下:
所述民用天然气区级调配模型如下:
本发明的一种基于大数据的民用天然气动态智能调配方法,克服现有天然气供应存在的“用户没气,闲气无处供应的问题”。实现了民用天然气的动态调配。
附图说明
图1为本发明实施流程图;
图2为本发明压力传感器与流量传感器排布示意图;
图3为不同时段某市天然气供应量、用户实际天然气供应量和用户天然气需求量;
图4为采用本发明后用户供气符合预期数量与没有采用本用户供气符合预期数量对比。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
如图1所示,一种基于大数据的民用天然气动态智能调配方法,所述方法包括以下步骤:
步骤1、在天然气管线布设流量传感计和压力计,将流量和压力通过无线网络传递到燃气动态智能调配终端,存储形成流量大数据流量φregion×vilage×building×user×time和压力Pregion×vilage×building×user×time。region为区编号变量,其范围从0到Tregi;vilage为小区编号变量,其范围从0到Tvila;building为楼号变量,其范围为0到Tbuli;user为楼内用户编号变量,其范围为0到Tuser;time为发送数据时间变量,从1到Ttime。
步骤2、建立基于压力波动的民用天然气启调模型;其中,所述民用天然气启调模型包括:民用天然气用户级启调模型、民用天然气楼宇级启调模型、民用天然气小区级启调模型和民用天然气区级启调模型。
天然气管道压力反映天然气的供应是否充足,压力越大表明天然气供应越充足。天然气的调配最顶层的调配是调配区,接着是小区,接着楼,接着是单元,最后是用户。如果用户的供气量不足,其压力传感器的值会低于阈值,需启动天然气调配。
示例性的,所述民用天然气用户级启调模型的建模,包括以下步骤:
以第region区第vilage小区第building号楼第user号用户第time时刻的气压值为PUregion×vilage×building×user×time及其最近若干天(如10天~15天等)气压数据做为建模数据进行预测,该用户(time+1)时刻的气压预测值可表示为:
式中,αh为第region区第vilage小区第building号楼第user号用户压力灰发展系数,μh为第region区第vilage小区第building号楼第user号用户天然气管道压力灰作用量,式中αh和μh的表达式如下:
式中,Bh为第region区第vilage小区第building号楼第user号用户压力矩阵,Yh为第region区第vilage小区第building号楼第user号用户压力原始矩阵,Bh和Yh表达式如下:
建立基于压力波动的民用天然气用户级启调模型如下:
式中,λuser为基于压力波动的民用天然气用户级启调模型灰辨别系数,此处可取值为2.8;θuser为民用天然气用户级启调模型用户压力阈值,其值可采用天然气正常供应时标定用户天然气管道气压获得。
示例性的,所述民用天然气楼宇级启调模型的建模,包括以下步骤:
以第region区第vilage小区第building号楼第time时刻的气压值为PBregion×vilage×building×time及其最近若干天(如10天~15天等)气压数据做为建模数据进行预测,该楼(time+1)时刻的气压预测值可表示为:
式中,αhb为第region区第vilage小区第building号楼天然气管道压力灰发展系数,μhb为第region区第vilage小区第building号楼天然气管道压力灰作用量,式中αhb和μhb的表达式如下:
式中,Bhb为第region区第vilage小区第building号楼压力矩阵,Yhb为第region区第vilage小区第building号楼压力原始矩阵,Bhb和Yhb表达式如下:
建立基于压力波动的民用天然气楼宇级启调模型如下:
式中,λbuliding为基于压力波动的民用天然气楼宇级启调模型灰辨别系数,此处可取值为2.8;θbuliding为民用天然气楼宇级启调模型用户压力阈值,其值可采用天然气正常供应时标定楼宇天然气管道气压获得。
示例性的,所述民用天然气小区级启调模型的建模,包括以下步骤:
以第region区第vilage小区第time时刻的气压值为PVregion×vilage×time及其最近若干天(如10天~15天等)气压数据做为建模数据进行预测,该小区(time+1)时刻的气压预测值可表示为:/>
式中,αhv为第region区第vilage小区天然气管道压力灰发展系数,μhv为第region区第vilage小区天然气管道压力灰作用量,式中αhv和μhv的表达式如下:
式中,Bhv为第region区第vilage小区压力矩阵,Yhv为第region区第vilage小区压力原始矩阵,Bhv和Yhv表达式如下:
建立基于压力波动的民用天然气小区级启调模型如下:
式中,λVilage为基于压力波动的民用天然气小区级启调模型灰辨别系数,此处可取值为2.8;θVilage为民用天然气小区级启调模型用户压力阈值,其值可采用天然气正常供应时标定小区天然气管道气压获得。
示例性的,所述民用天然气区级启调模型的建模,包括以下步骤:
式中,αhve为第region区天然气管道压力灰发展系数,μhve为第region区天然气管道压力灰作用量,式中αhve和μhve的表达式如下:
式中,Bhve为第region区压力矩阵,Yhve为第region区压力原始矩阵,Bhve和Yhve表达式如下:
建立基于压力波动的民用天然气区级启调模型如下:
式中,λregion为基于压力波动的民用天然气区级启调模型灰辨别系数,此处可取值为2.8;θregion为民用天然气区级启调模型用户压力阈值,其值可采用天然气正常供应时标定区级天然气管道气压获得。
步骤3、建立灰组合预测模型COMGM(1,1)模型。
具体地,在本步骤中,民用天然气流量在低流量时具有弱指数规律,高流量时具有非齐次规律,并且在中流量时不明显,也就是相同流量采用GM(1,1)模型、DGM(1,1)模型还是NDGM(1,1)模型所获预测值差别很大。因此,单一的GM(1,1)模型、DGM(1,1)模型和NDGM(1,1)模型都无法适应民用天然气流量的数据形式,因此本发明将GM(1,1)模型、DGM(1,1)模型和NDGM(1,1)模型采用预测权系数的方法融合到一起,建立灰组合预测模型COMGM(1,1)模型,具体如下:
将GM(1,1)模型、DGM(1,1)模型和NDGM(1,1)模型采用预测权系数的方法融合到一起,建立灰组合预测模型COMGM(1,1)模型:
式中,ζGM为COMGM(1,1)模型中GM(1,1)模型的权值系数,ζDGM为COMGM(1,1)模型中DGM(1,1)模型的权值系数,ζNDGM为COMGM(1,1)模型中NDGM(1,1)模型的权值系数,ht为待预测值,为通过GM(1,1)模型获得的灰预测值,/>为通过DGM(1,1)模型获得的灰预测值,/>为通过DGM(1,1)模型获得的灰预测值,/>为通过COMGM(1,1)模型获得的灰预测值;
ζGM、ζDGM和ζNDGM求解方法如下:
由ht构成的序列称为H0(t),由构成的序列H1(t),由/>构成的序列H2(t),由/>构成的序列H3(t),ζGM表征序列H0(t)和序列H1(t)的相关性,ζDGM表征序列H0(t)和序列H2(t)的相关性,ζNDGM表征序列H0(t)和序列H3(t)的相关性,故ζGM、ζDGM和ζNDGM的表达式可以表述为:
式中,χ为COMGM(1,1)模型权构成值分辨系数,本实施例可取为0.2;i为预测序列序号,t为序列值的序号。
步骤4、根据灰组合预测模型COMGM(1,1)模型,建立民用天然气调配流量预测模型;其中,所述民用天然气调配流量预测模型包括:民用天然气用户级调配流量预测模型、民用天然气楼宇级调配流量预测模型、民用天然气小区级调配流量预测模型、民用天然气区级调配流量预测模型。
以第region区第vilage小区第building号楼第user号用户第time时刻流量φregion×vilage×building×user×time及其最近若干天(如10天~15天等)的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气用户级调配流量预测模型如下:
式中,为φregion×vilage×building×user×time通过COMGM(1,1)模型获得的预测值;/>为民用天然气用户级调配流量预测模型中GM(1,1)模型的权值系数,为民用天然气用户级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气用户级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第vilage小区第building号楼第time时刻流量φBregion×vilage×building×time及其最近若干天(如10天~15天等)的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气楼宇级调配流量预测模型如下:
式中,为φBregion×vilage×building×time通过COMGM(1,1)模型获得的预测值,/>为民用天然气楼宇级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气楼宇级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气楼宇级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第vilage小区第time时刻流量φVregion×vilage×time及其最近若干天(如10天~15天等)的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气小区级调配流量预测模型如下:
式中,为φVregion×vilage×time通过COMGM(1,1)模型获得的预测值;为民用天然气小区级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气小区级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气小区级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第time时刻流量φRregion×time及其最近若干天(如10天~15天等)的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气区级调配流量预测模型如下:
式中,为φRregion×time通过COMGM(1,1)模型获得的预测值;/>为民用天然气区级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气区级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气区级调配流量预测模型中NDGM(1,1)模型的权值系数。
步骤5、根据所述民用级天然气启调模型和所述民用天然气调配流量预测模型,建立民用天然气调配模型;其中,所述民用天然气调配模型包括:民用天然气调配模型由民用天然气用户级调配模型、民用天然气楼宇级调配模型、民用天然气小区级调配模型和民用天然气区级调配模型。
所述民用天然气用户级调配模型如下:
该模型表明,当天然气压力满足民用天然气用户级启调模型后,其天然气量由COMGM(1,1)模型给出。
所述民用天然气楼宇级调配模型如下:
该模型表明,当天然气压力满足民用天然气楼宇级启调模型后,其天然气量由COMGM(1,1)模型给出。
所述民用天然气小区级调配模型如下:
模型表明,当天然气压力满足民用天然气小区级启调模型后,其天然气量由COMGM(1,1)模型给出。
所述民用天然气区级调配模型如下:
模型表明,当天然气压力满足民用天然气区级启调模型后,其天然气量由COMGM(1,1)模型给出。
步骤6、根据所述民用天然气调配模型,对天然气进行动态智能调配。
本实施例的一种基于大数据的民用天然气动态智能调配方法,克服现有天然气供应存在的“用户没气,闲气无处供应的问题”和无法动态调配的问题,为民用天然气客户提供更好的用气体验,为天然气供应单位提供决策依据。
下文将对本实施例的效果进行举例说明:
按照图1实施流程实施本发明,在用户燃气管线、楼宇燃气管线、小区燃气管线和区燃气管线上布设无线压力传感器和无线流量传感器(如图2所示),在天然气供应量充足的情况下不断时段采用本发明和没采用本发明的实际天然气供应量和用户天然气供应量对比(如图3),采用本发明后和没有采用本发明用户符合预期的对比(如图4所示)。对比图3和图4可知,在天然气供应量总体充足的条件下,采用本发明后用户实际天然气供应量和用户天然气需求量全天候吻合,而没有采用本发明用户实际天然气供应量和用户天然气需求量在早6时到7时只能有70%的满足率,在17时到18时只有72%的满足。由图4可知,采用本发明用户使用天然气100%符合预期,而没有采用本发明的用户最高只有60%的符合预期率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (8)
1.一种基于大数据的民用天然气动态智能调配方法,其特征在于,所述方法包括以下步骤:
在天然气管线布设流量传感计和压力计,将流量和压力通过无线网络传递到燃气动态智能调配终端,存储形成流量大数据流量和压力;
建立基于压力波动的民用天然气启调模型;其中,所述民用天然气启调模型包括:民用天然气用户级启调模型、民用天然气楼宇级启调模型、民用天然气小区级启调模型和民用天然气区级启调模型;
建立灰组合预测模型COMGM(1,1)模型;
根据灰组合预测模型COMGM(1,1)模型,建立民用天然气调配流量预测模型;其中,所述民用天然气调配流量预测模型包括:民用天然气用户级调配流量预测模型、民用天然气楼宇级调配流量预测模型、民用天然气小区级调配流量预测模型、民用天然气区级调配流量预测模型;
根据所述民用级天然气启调模型和所述民用天然气调配流量预测模型,建立民用天然气调配模型;其中,所述民用天然气调配模型包括:民用天然气用户级调配模型、民用天然气楼宇级调配模型、民用天然气小区级调配模型和民用天然气区级调配模型;
根据所述民用天然气调配模型,对天然气进行动态智能调配。
2.根据权利要求1所述的方法,其特征在于,所述民用天然气用户级启调模型的建模,包括以下步骤:
以第region区第vilage小区第building号楼第user号用户第time时刻的气压值为PUregion×vilage×building×user×time及其最近若干天气压数据做为建模数据进行预测,该用户(time+1)时刻的气压预测值可表示为:
式中,αh为第region区第vilage小区第building号楼第user号用户压力灰发展系数,μh为第region区第vilage小区第building号楼第user号用户天然气管道压力灰作用量,式中αh和μh的表达式如下:
式中,Bh为第region区第vilage小区第building号楼第user号用户压力矩阵,Yh为第region区第vilage小区第building号楼第user号用户压力原始矩阵,Bh和Yh表达式如下:
建立基于压力波动的民用天然气用户级启调模型如下:
式中,λuser为基于压力波动的民用天然气用户级启调模型灰辨别系数;θuser为民用天然气用户级启调模型用户压力阈值。
3.根据权利要求1所述的方法,其特征在于,所述民用天然气楼宇级启调模型的建模,包括以下步骤:
以第region区第vilage小区第building号楼第time时刻的气压值为PBregion×vilage×building×time及其最近若干天气压数据做为建模数据进行预测,该楼(time+1)时刻的气压预测值可表示为:
式中,αhb为第region区第vilage小区第building号楼天然气管道压力灰发展系数,μhb为第region区第vilage小区第building号楼天然气管道压力灰作用量,式中αhb和μhb的表达式如下:
式中,Bhb为第region区第vilage小区第building号楼压力矩阵,Yhb为第region区第vilage小区第building号楼压力原始矩阵,Bhb和Yhb表达式如下:
建立基于压力波动的民用天然气楼宇级启调模型如下:
式中,λbuliding为基于压力波动的民用天然气楼宇级启调模型灰辨别系数;θbuliding为民用天然气楼宇级启调模型用户压力阈值。
4.根据权利要求1所述的方法,其特征在于,所述民用天然气小区级启调模型的建模,包括以下步骤:
式中,αhv为第region区第vilage小区天然气管道压力灰发展系数,μhv为第region区第vilage小区天然气管道压力灰作用量,式中αhv和μhv的表达式如下:
式中,Bhv为第region区第vilage小区压力矩阵,Yhv为第region区第vilage小区压力原始矩阵,Bhv和Yhv表达式如下:
建立基于压力波动的民用天然气小区级启调模型如下:
式中,λVilage为基于压力波动的民用天然气小区级启调模型灰辨别系数;θVilage为民用天然气小区级启调模型用户压力阈值。
5.根据权利要求1所述的方法,其特征在于,所述民用天然气区级启调模型的建模,包括以下步骤:
式中,αhve为第region区天然气管道压力灰发展系数,μhve为第region区天然气管道压力灰作用量,式中αhve和μhve的表达式如下:
式中,Bhve为第region区压力矩阵,Yhve为第region区压力原始矩阵,Bhve和Yhve表达式如下:
建立基于压力波动的民用天然气区级启调模型如下:
式中,λregion为基于压力波动的民用天然气区级启调模型灰辨别系数;θregion为民用天然气区级启调模型用户压力阈值。
6.根据权利要求1所述的方法,其特征在于,所述建立灰组合预测模型COMGM(1,1)模型,包括:
将GM(1,1)模型、DGM(1,1)模型和NDGM(1,1)模型采用预测权系数的方法融合到一起,建立灰组合预测模型COMGM(1,1)模型:
式中,ζGM为COMGM(1,1)模型中GM(1,1)模型的权值系数,ζDGM为COMGM(1,1)模型中DGM(1,1)模型的权值系数,ζNDGM为COMGM(1,1)模型中NDGM(1,1)模型的权值系数,ht为待预测值,为通过GM(1,1)模型获得的灰预测值,/>为通过DGM(1,1)模型获得的灰预测值,/>为通过DGM(1,1)模型获得的灰预测值,/>为通过COMGM(1,1)模型获得的灰预测值;
ζGM、ζDGM和ζNDGM求解方法如下:
由ht构成的序列称为H0(t),由构成的序列H1(t),由/>构成的序列H2(t),由/>构成的序列H3(t),ζGM表征序列H0(t)和序列H1(t)的相关性,ζDGM表征序列H0(t)和序列H2(t)的相关性,ζNDGM表征序列H0(t)和序列H3(t)的相关性,故ζGM、ζDGM和ζNDGM的表达式可以表述为:/>
式中,χ为COMGM(1,1)模型权构成值分辨系数;i为预测序列序号,t为序列值的序号。
7.根据权利要求6所述的方法,其特征在于,所述根据灰组合预测模型COMGM(1,1)模型,建立民用天然气调配流量预测模型,包括:
以第region区第vilage小区第building号楼第user号用户第time时刻流量φregion×vilage×building×user×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气用户级调配流量预测模型如下:
式中,为φregion×vilage×building×user×time通过COMGM(1,1)模型获得的预测值;/>为民用天然气用户调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气用户调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气用户调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第vilage小区第building号楼第time时刻流量φBregion×vilage×building×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气楼宇级调配流量预测模型如下:
式中,为φBregion×vilage×building×time通过COMGM(1,1)模型获得的预测值,/>为民用天然气楼宇级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气楼宇级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气楼宇级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第vilage小区第time时刻流量φVregion×vilage×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气小区级调配流量预测模型如下:
式中,为φVregion×vilage×time通过COMGM(1,1)模型获得的预测值;/>为民用天然气小区级调配流量预测模型中GM(1,1)模型的权值系数,/>为民用天然气小区级调配流量预测模型中DGM(1,1)模型的权值系数,/>为民用天然气小区级调配流量预测模型中NDGM(1,1)模型的权值系数;
以第region区第time时刻流量φRregion×time及其最近若干天的数据作为建模数据,采用COMGM(1,1)模型建立民用天然气区级调配流量预测模型如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211223187.2A CN115859554B (zh) | 2022-10-08 | 2022-10-08 | 基于大数据的民用天然气动态智能调配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211223187.2A CN115859554B (zh) | 2022-10-08 | 2022-10-08 | 基于大数据的民用天然气动态智能调配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859554A true CN115859554A (zh) | 2023-03-28 |
CN115859554B CN115859554B (zh) | 2024-04-26 |
Family
ID=85661343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211223187.2A Active CN115859554B (zh) | 2022-10-08 | 2022-10-08 | 基于大数据的民用天然气动态智能调配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859554B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011162592A1 (en) * | 2010-06-25 | 2011-12-29 | Petroliam Nasional Berhad (Petronas) | A method and system for validating energy measurement in a high pressure gas distribution network |
KR20130101784A (ko) * | 2012-03-06 | 2013-09-16 | 케이웨더(주) | 기상 정보에 기반한 도시가스 수요 예측 장치 |
CN105025515A (zh) * | 2015-06-30 | 2015-11-04 | 电子科技大学 | 一种基于gm模型的无线传感器网络流量异常检测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN108337685A (zh) * | 2018-01-26 | 2018-07-27 | 重庆邮电大学 | 基于分簇dgm的无线传感器网络数据融合方法 |
CN109784590A (zh) * | 2019-03-20 | 2019-05-21 | 西安建筑科技大学 | 一种基于cagm(1,1)-bpnn的在役油气管道腐蚀预测方法 |
CN112100846A (zh) * | 2020-09-14 | 2020-12-18 | 东北石油大学 | 一种钢架构钢柱形变损坏在线智能预警方法 |
CN112096374A (zh) * | 2020-09-03 | 2020-12-18 | 东北石油大学 | 一种分流法测量持油率的动态测量误差补偿方法 |
WO2021077646A1 (zh) * | 2019-10-22 | 2021-04-29 | 中国科学院广州能源研究所 | 用于电功率预测模型的多精度指标综合评价方法及系统 |
CN112733307A (zh) * | 2021-01-12 | 2021-04-30 | 北京市燃气集团有限责任公司 | 一种供暖季城市天然气负荷预测方法及装置 |
CN112949053A (zh) * | 2021-02-20 | 2021-06-11 | 东北石油大学 | 一种注水油井注水量动态预测方法 |
CN112985503A (zh) * | 2021-02-20 | 2021-06-18 | 东北石油大学 | 一种油水两相流持率和流速在线测量装置及测量方法 |
CN113222230A (zh) * | 2021-04-29 | 2021-08-06 | 中国石油大学(北京) | 事故工况下天然气管网的流量分配方法及装置 |
CN114861462A (zh) * | 2022-05-31 | 2022-08-05 | 国家石油天然气管网集团有限公司 | 一种天然气管道滑坡累积变形曲线分析和滑坡预测方法 |
-
2022
- 2022-10-08 CN CN202211223187.2A patent/CN115859554B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011162592A1 (en) * | 2010-06-25 | 2011-12-29 | Petroliam Nasional Berhad (Petronas) | A method and system for validating energy measurement in a high pressure gas distribution network |
KR20130101784A (ko) * | 2012-03-06 | 2013-09-16 | 케이웨더(주) | 기상 정보에 기반한 도시가스 수요 예측 장치 |
CN105025515A (zh) * | 2015-06-30 | 2015-11-04 | 电子科技大学 | 一种基于gm模型的无线传感器网络流量异常检测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN108337685A (zh) * | 2018-01-26 | 2018-07-27 | 重庆邮电大学 | 基于分簇dgm的无线传感器网络数据融合方法 |
CN109784590A (zh) * | 2019-03-20 | 2019-05-21 | 西安建筑科技大学 | 一种基于cagm(1,1)-bpnn的在役油气管道腐蚀预测方法 |
WO2021077646A1 (zh) * | 2019-10-22 | 2021-04-29 | 中国科学院广州能源研究所 | 用于电功率预测模型的多精度指标综合评价方法及系统 |
CN112096374A (zh) * | 2020-09-03 | 2020-12-18 | 东北石油大学 | 一种分流法测量持油率的动态测量误差补偿方法 |
CN112100846A (zh) * | 2020-09-14 | 2020-12-18 | 东北石油大学 | 一种钢架构钢柱形变损坏在线智能预警方法 |
CN112733307A (zh) * | 2021-01-12 | 2021-04-30 | 北京市燃气集团有限责任公司 | 一种供暖季城市天然气负荷预测方法及装置 |
CN112949053A (zh) * | 2021-02-20 | 2021-06-11 | 东北石油大学 | 一种注水油井注水量动态预测方法 |
CN112985503A (zh) * | 2021-02-20 | 2021-06-18 | 东北石油大学 | 一种油水两相流持率和流速在线测量装置及测量方法 |
CN113222230A (zh) * | 2021-04-29 | 2021-08-06 | 中国石油大学(北京) | 事故工况下天然气管网的流量分配方法及装置 |
CN114861462A (zh) * | 2022-05-31 | 2022-08-05 | 国家石油天然气管网集团有限公司 | 一种天然气管道滑坡累积变形曲线分析和滑坡预测方法 |
Non-Patent Citations (4)
Title |
---|
FU CHANGFENG, ET AL.: "Numerical Simulation of the Effect of Injected CO2 Temperature and Pressure on CO2-Enhanced Coalbed Methane", APPLIED SCIENCES, vol. 10, no. 4, 19 February 2020 (2020-02-19), pages 1 - 23 * |
LIANFU HAN, ET AL.: "Oil Phase Velocity Mesurement of Oil-Water Two-Phase Flow with Low Velocity and High Water Cut Using the Improved ORB and RANSAC Algorithm", MEASUREMENT SCIENCE REVIEW, 1 April 2020 (2020-04-01), pages 93 - 103 * |
周子卜;李莉;张淑英;: "基于灰色理论的天然气需求预测", 天然气勘探与开发, no. 01, 25 March 2006 (2006-03-25) * |
王兵;刘书文;罗山;方炯;孙丽;: "灰色模型预测天然气消费量", 天然气与石油, no. 05, 25 October 2008 (2008-10-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN115859554B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Watson et al. | Decarbonising domestic heating: What is the peak GB demand? | |
Les. D. Shorrock et al. | Domestic Energy Fact File 2003 | |
Hong et al. | The impact of energy efficient refurbishment on the space heating fuel consumption in English dwellings | |
Shorrock et al. | Domestic energy fact file 2003 | |
Ahern et al. | State of the Irish housing stock—Modelling the heat losses of Ireland's existing detached rural housing stock & estimating the benefit of thermal retrofit measures on this stock | |
CA2783717C (en) | Synergistic energy ecosystem | |
US20070068162A1 (en) | Control system and control method for cogeneration system | |
Karpinska et al. | Will energy transition in Poland increase the extent and depth of energy poverty? | |
Kotzur et al. | Bottom-up energy supply optimization of a national building stock | |
CN103093017A (zh) | 分布式能源系统设计方法 | |
CN109473972A (zh) | 基于多功率曲线协整的源荷储优化控制方法 | |
Mastrucci et al. | A GIS-based approach to estimate energy savings and indoor thermal comfort for urban housing stock retrofitting | |
CN109815629B (zh) | 一种面向综合能源系统的中长期综合需求响应建模方法 | |
CN110912200A (zh) | 一种梯级水电站优化调度系统、方法及安全电网系统 | |
CN110474335B (zh) | 一种基于评价准则的综合能源系统运行方法 | |
CN115859554A (zh) | 基于大数据的民用天然气动态智能调配方法 | |
Zhang et al. | An Assessment of the Impacts of Heat Electrification on the Electric Grid in the UK | |
Witkowska et al. | Analysis of the heat pump market in Europe with a special regard to France, Spain, Poland and Lithuania | |
Terry et al. | How do heat demand and energy consumption change when households transition from gas boilers to heat pumps in the UK | |
Aunedi et al. | System-driven design and integration of low-carbon domestic heating technologies | |
CN113885367A (zh) | 一种楼宇能效管理控制系统及方法 | |
Kelly et al. | Developing and testing a generic micro-combined heat and power model for simulations of dwellings and highly distributed power systems | |
Li et al. | Decision on optimal building energy efficiency standard in China—the case for Tianjin | |
He et al. | Dynamic modelling of a large scale retrofit programme for the housing stock in the North East of England | |
Zandeckis et al. | Possibilities for utilization of solar thermal energy in multi-family buildings in Latvia |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |