CN116341740A - 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 - Google Patents
一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 Download PDFInfo
- Publication number
- CN116341740A CN116341740A CN202310310056.6A CN202310310056A CN116341740A CN 116341740 A CN116341740 A CN 116341740A CN 202310310056 A CN202310310056 A CN 202310310056A CN 116341740 A CN116341740 A CN 116341740A
- Authority
- CN
- China
- Prior art keywords
- time
- load
- gas
- data
- moment
- 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 52
- 239000002737 fuel gas Substances 0.000 title claims abstract description 47
- 239000007789 gas Substances 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000013450 outlier detection Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computer Networks & Wireless Communication (AREA)
- Fluid Mechanics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
Abstract
一种基于比例拆分的城市燃气逐时负荷多步预测方法,包括:步骤S1:获取和整理某片区域各供应点的历史逐时燃气负荷数据;步骤S2:将各时刻各供应点燃气负荷相加得到各时刻该片区域总燃气负荷;步骤S3:记录各时刻各供应点负荷占总负荷的比例;步骤S4:数据预处理:异常值检测剔除和缺失值补充;步骤S5:构造总燃气负荷特征;步骤S6:训练该片区域总燃气逐时负荷单步预测模型;步骤S7:递推法预测得到未来某段时间内的总燃气逐时负荷数据;步骤S8:按比例拆分得到未来某段时间内各燃气供应点的燃气逐时负荷数据。本发明基于负荷数据对未来时刻的燃气管网仿真作计算与状态监测,对于指导燃气工作人员的工作具有重要意义。
Description
技术领域
本发明涉及城市燃气输配领域,具体涉及一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统。
背景技术
燃气的供给与人们的生活息息相关,保障城市燃气供应的稳定性和可靠性是重要的民生问题。燃气管网的负荷预测对于燃气管网的规划和优化运营都是至关重要的。具体地,在城市燃气输配系统中,燃气的负荷预测可为燃气调峰、资源的配置、储气设施的管理等提供重要依据。
燃气负荷预测方法的发展是迅速的,国内外学者对此展开了很多研究并提出了很多预测方法,从早期的传统数理模型(例如时间序列模型和回归预测模型等),到人工智能预测方法(例如人工神经网络和长短期记忆网络等),以及多种智能算法的优化结合。尽管如此,如何在低成本高效率的情况下,实现燃气负荷的在线预测,并基于燃气负荷数据进行未来燃气管网的仿真计算和压力监测,依旧是燃气工作人员的共同愿景。
城市燃气系统管网通常是环状的,由多个燃气供应点共同负责同一片区域的燃气供应。现有的燃气预测方法大多基于调度目的,对某片区域的燃气日负荷总量进行预测,而忽略单个燃气供应点的负荷。但基于实时仿真的目的,未来一段时间内逐时的单个燃气供应点的负荷对于实现整个燃气管网的压力监测也是至关重要的,通过该实时负荷数据可仿真计算出未来时刻的燃气管网状态,为燃气调度人员的工作提供重要信息。
因此,开发一种针对于环状管网的燃气负荷预测方法,对单个燃气供应点的未来一段时间内的逐时负荷进行预测,并基于该负荷数据对未来时刻的燃气管网仿真计算与状态监测,对于指导燃气工作人员的工作具有重要意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于比例拆分的城市燃气逐时负荷多步预测方法。
步骤S1:获取和整理某片区域各供应点的历史逐时燃气负荷数据包括时间t及对应时刻的负荷数据Qt,n,并将其按照时间顺序进行排序;其中:t是第t时刻;n是供应点编号;
步骤S2:将各时刻各供应点燃气负荷相加得到各时刻该片区域总燃气负荷Qt=Qt,1+Qt,2+…+Qt,n;其中:Qt,1为时刻t供应点1的燃气负荷,以此类推,Qt,n为时刻t供应点n的燃气负荷,该片区域共有n个燃气供应点,该片区域时刻t总燃气负荷为时刻t各点燃气负荷之和;
步骤S4:对采集得到的负荷数据进行数据预处理;
步骤S5:构造总燃气负荷特征;其中:所述总燃气负荷特征包括:温度,周几,小时,是否为节假日,日最高温度,日最低温度,前一小时负荷数据Qt-1,过去两周内该时刻的负荷数据Qt-24j及其上一时刻的负荷数据Qt-24j-1(j=1,2,…,14);
步骤S6:基于历史数据训练该片区域总燃气逐时负荷单步预测模型;
步骤S7:采用递推的方式预测得到未来t+k(k≥1)这段时间内的总燃气逐时负荷数据(Qt+1,Qt+2,…,Qt+k);其中:k是预测未来负荷的时间长度;
步骤S8:根据历史数据中对应时刻负荷数据的比例拆分预测得到的负荷数据,以得到未来t+k这段时间内对应时刻各燃气供应点的燃气逐时负荷数据。
进一步的,在步骤S1-S3中,获取和整理某片区域各供应点的历史逐时燃气负荷数据后相加获得总燃气负荷,再计算并记录各供应点负荷占总负荷的比例。
进一步的,所述数据预处理,具体为:对燃气负荷异常数据的进行检测和剔除,对空缺值进行填补。
进一步的,采用箱线图检测异常数据并将其删除,采用线性插值法进行燃气负荷空缺值的填补。
进一步的,对负荷数据作聚类,基于数据偏离聚类中心的距离作异常数据的删除。
一种基于比例拆分的城市燃气逐时负荷多步预测系统,所述系统用于实现所述的基于比例拆分的城市燃气逐时负荷多步预测方法。
一种云计算服务器,所述云计算服务器用于运行程序,其中,所述程序运行时执行所述的基于比例拆分的城市燃气逐时负荷多步预测方法。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述的基于比例拆分的城市燃气逐时负荷多步预测方法。
一种电子设备,包括处理器、存储器和通信总线;
所述通信总线用于将所述处理器和存储器连接;
所述处理器用于执行所述存储器中存储的计算机程序,以实现所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序用于使所述计算机所述的方法。
与现有技术相比,本发明的优点和积极效果是:
(1)在预测整片区域总燃气负荷基础上,按照历史比例将其拆分到各燃气供应点以获取各燃气供应点的燃气负荷,可满足燃气管网实时仿真和压力监测的需求。
(2)进行比例拆分时充分考虑了工作日和周末的区别,在周一或周六时,采用上一周的同时刻比例进行拆分;在其他时段,则采用前一天的同时刻比例进行拆分,符合用户使用燃气特点。
(3)采用LightGBM模型构建总燃气逐时负荷单步预测模型,训练和计算速度快,具有高效率的特点,在用户负荷特征发生变化时,可快速根据最新实时负荷数据进行预测模型的训练和更新,保证模型的准确度。
(4)采用递推法,对未来某段时间内的燃气管网各供应点的负荷数据进行预测,基于该时间段内的逐时负荷数据可完成未来该时间段内燃气管网的整体监控,具有广阔的应用前景。
(5)该负荷预测模型考虑的特征不多,实现起来较为简单便捷,比例拆分方法理解起来较为容易,较易在实际工程项目中推广。
附图说明
图1为一种基于比例拆分的城市燃气逐时负荷多步预测方法流程图。
图2为实施例总燃气逐时负荷单步预测模型在测试集上预测值和实际值的对比。
图3为实施例在测试集上某时刻预测未来24小时燃气负荷的MAPE为4.3%的预测结果与实际结果的对比。
具体实施方式
下面将参照附图对本发明进行更详细的描述,其中表示了本发明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明而仍然实现本发明的有益效果。因此,下列描述应当被理解为对于本领域技术人员的广泛知道,而并不作为对本发明的限制。
为了清楚,不描述实际实施例的全部特征。在下列描述中,不详细描述公知的功能和结构,因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中,必须作出大量实施细节以实现开发者的特定目标。
为使本发明的目的、特征更明显易懂,下面结合附图对本发明的具体实施方式作进一步的说明。本申请提供了一种基于比例拆分的城市燃气逐时负荷多步预测方法,包括以下步骤,如图1所示:
步骤S1:获取和整理某片区域各供应点的历史逐时燃气负荷数据包括时间t及对应时刻的负荷数据Qt,n,并将其按照时间顺序进行排序;其中:t是指第t时刻;n是供应点编号;
步骤S2:将各时刻各供应点燃气负荷相加得到各时刻该片区域总燃气负荷Qt=Qt,1+Qt,2+…+Qt,n;其中:Qt,1为时刻t供应点1的燃气负荷,以此类推,Qt,n为时刻t供应点n的燃气负荷,该片区域共有n个燃气供应点,该片区域时刻t总燃气负荷为时刻t各点燃气负荷之和;
实施例为某市某区的燃气逐时负荷多步预测任务,具体需要预测未来24小时的燃气负荷数据,该片区域共有两个燃气供应点,分别表示为A,B。按步骤S1-S3收集和整理到的2021年1月1日共24个时刻的燃气数据,如表1所示。
表1某市某区2021年1月1日按步骤S1整理的燃气负荷数据
步骤S4:数据预处理,具体为:对燃气负荷异常数据的进行检测和剔除,对空缺值进行填补。
步骤S5:构造总燃气负荷特征;其中:所述总燃气负荷特征包括:温度,周几,小时,是否为节假日,日最高温度,日最低温度,前一小时负荷数据Qt-1,过去两周内该时刻的负荷数据Qt-24j及其上一时刻的负荷数据Qt-24j-1;其中:t是当前时刻;t-1是前一小时;这里我们可以通过访问历史数据库获取历史时刻的负荷特征;
步骤S6:训练该片区域总燃气逐时负荷单步预测模型。以步骤S3所述的特征作为输入特征,采用LightGBM模型,训练得到总燃气逐时负荷单步预测模型。
在实施例中,将步骤S3补充得到的特征作为输入特征,训练得到总燃气逐时负荷单步LightGBM预测模型。实施例中,训练数据为2021.1.1-2021.12.31一整年的燃气负荷数据,测试数据为2022.1.1-2022.1.31的燃气负荷数据。训练得到的总燃气逐时负荷单步LightGBM预测模型在测试集上的平均绝对百分比误差(MAPE)为2.90%,模型预测值与实际值的对比如图2所示。
这里总燃气逐时负荷单步LightGBM预测模型的输入为负荷特征;训练样本采用为历史数据中的负荷数据作为模型输出值,负荷特征数据作为输入值。例如实施例训练样本为基于2021.1.1-2021.12.31一整年的燃气负荷数据在此基础上补充的负荷特征(包括:温度,周几,小时,是否为节假日,日最高温度,日最低温度,前一小时负荷数据Qt-1,过去两周内该时刻的负荷数据Qt-24j及其上一时刻的负荷数据Qt-24j-1(j=1,2,…,14)。
步骤S7:递推法预测得到未来t+k(k≥1)这段时间内的总燃气逐时负荷数据(Qt+1,Qt+2,…,Qt+k)。具体地,首先,采用步骤S4训练得到的LightGBM总燃气逐时负荷单步预测模型预测得到Qt+1,再将Qt+1作为输入特征采用LightGBM总燃气逐时负荷单步预测模型预测得到Qt+2,以此类推,直至预测得到Qt+k,预测完毕。
在实施例中,采用递推法预测得到未来t+24这段时间内的总燃气逐时负荷数据(Qt+1,Qt+2,…,Qt+24)。具体地,首先,采用步骤S4训练得到的LightGBM总燃气逐时负荷单步预测模型预测得到Qt+1,再将Qt+1作为输入特征采用LightGBM总燃气逐时负荷单步预测模型预测得到Qt+2,以此类推,直至预测得到Qt+24,预测完毕。实施例中,测试数据为2022.1.1-2022.1.31的燃气负荷数据,训练得到的总燃气逐时负荷单步LightGBM预测模型通过递推法预测未来24小时的燃气负荷数据,在测试集上测试结果的平均绝对百分比误差(MAPE)为4.39%。如图3所示为测试集上某个时刻MAPE为4.3%的预测结果与实际结果的对比。可以看到,通过预测模型,可以预测得到Qt+1采用的输入为t+1时刻的特征数据,(包括:温度,周几,小时,是否为节假日,日最高温度,日最低温度,前一小时负荷数据Qt,过去两周内该时刻的负荷数据Qt+1-24j及其上一时刻的负荷数据Qt+1-24j-1(j=1,2,…,14)等数据)。
步骤S8:按比例拆分得到未来t+k这段时间内各燃气供应点的燃气逐时负荷数据。其中:k是预测未来负荷的时间长度;例如:预测未来12个小时的负荷数据,则设置k=12,预测未来24个小时的负荷数据,则k=24;
具体地,若当天为周一或者周六,采用前一周对应时刻的比例获得对应时刻各燃气供应点的燃气逐时负荷数据,可表述为:
Qt+i,n=Qt+i×Rt+i-24*7,n(i=1,2,…,k)
若当天不为周一或者周六,采用前一天对应时刻的比例获得对应时刻各燃气供应点的燃气逐时负荷数据,可表述为:
Qt+i,n=Qt+i×Rt+i-24,n(i=1,2,…,k)
在实施例中,采用箱线图检测异常数据并将其删除,采用线性插值法进行燃气负荷空缺值的填补。
可替换的:对负荷数据作聚类,基于数据偏离聚类中心的距离作异常数据的删除。
在实施例中,按比例拆分得到未来t+24这段时间内各燃气供应点的燃气逐时负荷数据。具体地,若当天为周一或者周六,采用前一周对应时刻的比例获得对应时刻各燃气供应点的燃气逐时负荷数据,可表述为:
Qt+i,n=Qt+i×Rt+i-24*7,n(i=1,2,…,24)
若当天不为周一或者周六,采用前一天对应时刻的比例获得对应时刻各燃气供应点的燃气逐时负荷数据,可表述为:
Qt+i,n=Qt+i×Rt+i-24,n(i=1,2,…,24)
经拆分后,A区和B区在测试集上测试结果的平均绝对百分比误差(MAPE)分别为5.42%和4.74%。
在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、“在一些示例性实施例”或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述地比较简单,相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于比例拆分的城市燃气逐时负荷多步预测方法,其特征在于,包括以下步骤:
步骤S1:获取和整理某片区域各供应点的历史逐时燃气负荷数据包括时间t及对应时刻的负荷数据Qt,n,并将其按照时间顺序进行排序;其中:t是第t时刻;n是供应点编号;
步骤S2:将各时刻各供应点燃气负荷相加得到各时刻该片区域总燃气负荷Qt=Qt,1+Qt,2+…+Qt,n;其中:Qt,1为时刻t供应点1的燃气负荷,以此类推,Qt,n为时刻t供应点n的燃气负荷,该片区域共有n个燃气供应点,该片区域时刻t总燃气负荷为时刻t各点燃气负荷之和;
步骤S4:对采集得到的负荷数据进行数据预处理;
步骤S5:构造总燃气负荷特征;其中:所述总燃气负荷特征包括:温度,周几,小时,是否为节假日,日最高温度,日最低温度,前一小时负荷数据Qt-1,过去两周内该时刻的负荷数据Qt-24j及其上一时刻的负荷数据Qt-24j-1(j=1,2,…,14);
步骤S6:基于历史数据训练该片区域总燃气逐时负荷单步预测模型;
步骤S7:采用递推的方式预测得到未来t+k(k≥1)这段时间内的总燃气逐时负荷数据(Qt+1,Qt+2,…,Qt+k);其中:k是预测未来负荷的时间长度;
步骤S8:根据历史数据中对应时刻负荷数据的比例拆分预测得到的负荷数据,以得到未来t+k这段时间内对应时刻各燃气供应点的燃气逐时负荷数据。
2.根据权利要求1所述的一种基于比例拆分的城市燃气逐时负荷多步预测方法,其特征在于:在步骤S1-S3中,获取和整理某片区域各供应点的历史逐时燃气负荷数据后相加获得总燃气负荷,再计算并记录各供应点负荷占总负荷的比例。
3.根据权利要求1所述的一种基于比例拆分的城市燃气逐时负荷多步预测方法,其特征在于:所述数据预处理,具体为:对燃气负荷异常数据的进行检测和剔除,对空缺值进行填补。
4.根据权利要求3所述的一种基于比例拆分的城市燃气逐时负荷多步预测方法,其特征在于:采用箱线图检测异常数据并将其删除,采用线性插值法进行燃气负荷空缺值的填补。
5.根据权利要求1所述的一种基于比例拆分的城市燃气逐时负荷多步预测方法,其特征在于:对负荷数据作聚类,基于数据偏离聚类中心的距离作异常数据的删除。
6.一种基于比例拆分的城市燃气逐时负荷多步预测系统,其特征在于,所述系统用于实现上述权利要求1-5中任一项所述的方法。
7.一种云计算服务器,其特征在于,所述云计算服务器用于运行程序,其中,所述程序运行时执行权利要求1-5中任一项所述的基于比例拆分的城市燃气逐时负荷多步预测方法。
8.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-5中任一项所述的基于比例拆分的城市燃气逐时负荷多步预测方法。
9.一种电子设备,其特征在于,包括处理器、存储器和通信总线;
所述通信总线用于将所述处理器和存储器连接;
所述处理器用于执行所述存储器中存储的计算机程序,以实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序用于使所述计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310310056.6A CN116341740A (zh) | 2023-03-28 | 2023-03-28 | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310310056.6A CN116341740A (zh) | 2023-03-28 | 2023-03-28 | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341740A true CN116341740A (zh) | 2023-06-27 |
Family
ID=86892619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310310056.6A Pending CN116341740A (zh) | 2023-03-28 | 2023-03-28 | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341740A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737804A (zh) * | 2023-08-15 | 2023-09-12 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的燃气数据分级处理方法和系统 |
-
2023
- 2023-03-28 CN CN202310310056.6A patent/CN116341740A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116737804A (zh) * | 2023-08-15 | 2023-09-12 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的燃气数据分级处理方法和系统 |
CN116737804B (zh) * | 2023-08-15 | 2023-11-10 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的燃气数据分级处理方法和系统 |
US12009992B2 (en) | 2023-08-15 | 2024-06-11 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for hierarchical processing of gas data based on smart gas internet of things |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220317634A1 (en) | Web services platform with cloud-based feedback control | |
Zhang et al. | Parallel and reliable probabilistic load forecasting via quantile regression forest and quantile determination | |
JP6742894B2 (ja) | データ予測システムおよびデータ予測方法 | |
JP6292076B2 (ja) | 時系列予測アンサンブル | |
Pfeiffer et al. | Stability-oriented evaluation of rescheduling strategies, by using simulation | |
Missbauer | Order release planning with clearing functions: a queueing-theoretical analysis of the clearing function concept | |
Oztemel et al. | Bees Algorithm for multi-mode, resource-constrained project scheduling in molding industry | |
Liu et al. | Real-time complex event processing and analytics for smart grid | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Sanyal et al. | Calibrating building energy models using supercomputer trained machine learning agents | |
CN116341740A (zh) | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 | |
WO2024001045A1 (zh) | 碳配额盈缺预测方法、装置电子设备及存储介质 | |
Eickemeyer et al. | Validation of data fusion as a method for forecasting the regeneration workload for complex capital goods | |
CN113128787A (zh) | 话务量预测方法、系统、设备及介质 | |
CN117010541A (zh) | 时间序列预测方法、装置及存储介质 | |
CN111143070A (zh) | 一种资源调度方法和装置 | |
Bergui et al. | A survey on bandwidth-aware geo-distributed frameworks for big-data analytics | |
CN115358522A (zh) | 一种企业在线监测系统和方法 | |
Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
Overbeck et al. | Development and analysis of digital twins of production systems | |
CN113570106A (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
Bystrov et al. | The information technology of multi-model forecasting of the regional comprehensive security | |
Chua et al. | A surrogate model to predict production performance in digital twin-based smart manufacturing | |
Kristiani et al. | Air quality monitoring and analysis with dynamic training using deep learning | |
CN107464015B (zh) | 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 |
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 |