基于智能网格分类和模糊神经网络的天然气负荷预测方法.pdf

《基于智能网格分类和模糊神经网络的天然气负荷预测方法.pdf》由会员分享，可在线阅读，更多相关《基于智能网格分类和模糊神经网络的天然气负荷预测方法.pdf（10页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104123591 A (43)申请公布日 2014.10.29 CN 104123591 A (21)申请号 201410334523.X (22)申请日 2014.07.14 G06Q 10/04(2012.01) G06Q 50/06(2012.01) (71)申请人 上海师范大学 地址 200234 上海市徐汇区桂林路 100 号 (72)发明人 徐晓钟 李龙康 孔德凤 张相芬 马燕 (74)专利代理机构 上海申新律师事务所 31272 代理人 周云 (54) 发明名称 基于智能网格分类和模糊神经网络的天然气 负荷预测方法 (57) 摘要 本发明基于智能网格分。

2、类和模糊神经网络的 天然气负荷预测方法， 涉及短期负荷预测技术领 域。 本发明包括利用Matlab进行相关性分析确认 输入变量， 利用经过预处理之后的历史数据建成 横纵坐标分别为日期和平均温度的智能网格， 并 通过智能网格选取与待预测日相似的历史数据对 预测模型进行训练以及预测， 利用小波的去噪处 理和结合燃气负荷预测过程因其复杂性以及受较 多外界因素的影响， 利用具有较高自适应性的模 糊神经网络对燃气负荷进行训练和预测， 在训练 过程中加入了通过误差对模型参数进行修正的过 程， 从而有利于提高最终的预测精度。 本发明的方 法可以对天然气调度提供有力参考依据， 符合市 场发展需求的物质技术基础。

3、。 (51)Int.Cl. 权利要求书 2 页 说明书 3 页 附图 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书3页 附图4页 (10)申请公布号 CN 104123591 A CN 104123591 A 1/2 页 2 1. 一种基于智能网格分类和模糊神经网络的天然气负荷预测方法， 包含智能网格和模 糊神经网络， 其特征在于， 包括步骤 ： 第一 ： 确定输入变量 ； 第二 ： 预处理 ； 第三 ： 建立智能 网格 ； 第四 ： 参数输入智能网格并输出历史数据 ； 第五 ： 小波去噪 ； 第六 ： 模糊神经网络的 训练以及预测。 2. 如权利。

4、要求 1 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法， 其 特征在于， 所述步骤第一 ： 确定预测系统的输入变量， 通过 Matlab 对各个变量与燃气负荷 量进行相关性分析， 最后确定选择与燃气负荷量相关系数大于 0.8 的变量作为预测系统的 输入变量。 3. 如权利要求 1 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法， 其 特征在于， 所述步骤第二 ： 历史数据预处理， 主要包括去除一些因为记录失误而产生的一些 坏数据、 以及一些反常数据如由于一些不可抗力因素或者局部地区活动造成的反常数据， 采用最近一周相同日期类型的平均值代替。 4. 如权利要求 1 所述的基。

5、于智能网格分类和模糊神经网络的天然气负荷预测方法， 其 特征在于， 所述步骤第三 ： 建立智能网格， 以历史数据的日期和平均温度构成智能网格的横 纵坐标。 5. 如权利要求 1 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法， 其 特征在于， 所述步骤第四 ： 参数输入智能网格并输出历史数据， 将待预测日所属的月份和平 均温度输入智能网格， 智能网格自动提取出相似的历史数据并且将数据量控制在 30 到 100 天。 6. 如权利要求 1 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法， 其 特征在于， 所述步骤第五 ： 小波去噪， 对选出来的历史数据进行小波去噪处理。 7.。

6、 如权利要求 1 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方法， 其 特征在于， 所述步骤第六 ： 模糊神经网络进行训练和预测， 还包括 ： 第六.1根据训练样本维数确定模糊神经网络输入/输出节点数、 模糊隶属度函数个数 构建模糊神经网络 ； 第六 .2 模糊神经网络进行训练， 在训练过程中不断利用前一次训练的误差对系统的 参数进行修正， 直到达到最大迭代次数 ； 第六 .3 利用训练后的模糊神经网络对待预测日的燃气负荷进行预测。 8. 如权利要求 1 或 5 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方 法， 其特征在于， 所述步骤第四 ： 参数输入智能网格并输出历史数。

7、据， 还包括 ： 第四 .1 输入待预测日所属月份 M 和平均温度 T ； 第四 .2 智能网格根据月份 M 得到数据集 D ； 第四 .3 智能网格将数据集分为 D1， D2， D3 ； 第四 .4 若 T 在 D1 范围内， 计算 D1 数据量 Size(D1)， 若 Size(D1) 在 30 天到 100 天之 间则输出 D1， 若小于 30 天则将 D1 中平均温度最小值减 0.1， 最大值加 0.1， 若大于 100 天则将 D1 中平均温度最小值加 0.1， 最大值减 0.1， 若 T 不在 D1 范围内则执行下一步 ； 第四 .5 若 T 在 D2 范围内， 计算 D2 数据量。

8、 Size(D2)， 若 Size(D2) 在 30 天到 100 天之 间则输出 D2， 若小于 30 天则将 D2 中平均温度最小值减 0.1， 最大值加 0.1， 若大于 100 天则将 D2 中平均温度最小值加 0.1， 最大值减 0.1， 若 T 不在 D2 范围内则执行下一步 ； 权 利 要 求 书 CN 104123591 A 2 2/2 页 3 第四 .6 计算 D3 数据量 Size(D3)， 若 Size(D3) 在 30 天到 100 天之间则输出 D3， 若小 于 30 天则将 D3 中平均温度最小值减 0.1， 最大值加 0.1， 若大于 100 天则将 D3 中平均。

9、 温度最小值加 0.1， 最大值减 0.1。 9. 如权利要求 1 或 7 所述的基于智能网格分类和模糊神经网络的天然气负荷预测方 法， 其特征在于， 所述步骤最大迭代次数为 100。 10. 如权利要求 1 或 5 或 8 所述的基于智能网格分类和模糊神经网络的天然气负荷预 测方法， 其特征在于， 所述步骤第四 ： 参数输入智能网格并输出历史数据， 第四 .2 智能网格 根据月份M得到数据集D， 将历史数据中所有与月份M属于同一个季度的数据提取出来组成 数据集 D。 11. 如权利要求 1 或 5 或 8 所述的基于智能网格分类和模糊神经网络的天然气负荷预 测方法， 其特征在于， 所述步骤第。

10、四 ： 参数输入智能网格并输出历史数据， 第四 .3 智能网格 将数据集分为 D1， D2， D3, 首先将数据集 D 中的平均温度按照区间公式 ： 2*(Tmax-Tmin)/3+Tmin,Tmax (Tmax-Tmin)/3+Tmin,2*(Tmax-Tmin)/3+Tmin Tmin,(Tmax-Tmin)/3+Tmin 分成三份， 与此同时数据集D就分成了相对高温数据集D1， 相对中温数据集D2， 相对低 温数据集 D3。 权 利 要 求 书 CN 104123591 A 3 1/3 页 4 基于智能网格分类和模糊神经网络的天然气负荷预测方法 技术领域 0001 本发明涉及短期负荷预测。

11、技术领域， 具体指一种基于智能网格分类和模糊神经网 络的天然气短期负荷预测方法。 背景技术 0002 现在， 天然气已经成为世界第三大能源， 我国目前也紧跟世界形势， 积极号召建设 环境友好型、 资源节约型社会， 在此期间天然气的规划需求将会比 2005 年翻一番。天然气 年消费量也将从现在的 400 多亿立方米上升到 1000 亿立方米， 到 2020 年， 将达到约 2000 亿立方米。所以天然气的发展必将带动城市天然气的快速发展。紧随其后就面临着一系列 的诸如 ： 城市气源更换、 城市燃气管网规划、 储气设施的建设等问题。 针对这些问题， 燃气负 荷预测方法的研究工作就显得尤为重要了。 。

12、0003 负荷预测方法的研究已经经历了很长一段时间， 到目前为止仍然有层出不穷的新 方法新理论出现。目前比较成熟的预测方法主要分为两类 ： 传统经典数学方法和人工智能 方法。传统经典数学方法的主要思想就是基于负荷曲线形状和函数形式的研究， 并结合概 率论、 数理统计等数学知识来对负荷进行预测， 主要包括 ： 回归分析法、 灰度模型预测法和 分解模型法等 ； 人工智能方法的主要思想是通过考虑除了负荷曲线形状和函数形式等因素 外， 还会考虑影响负荷的众多其他外在因素， 如温度， 天气， 日期类型等。主要包括 ： 人工神 经网络、 专家系统、 小波分析、 支持向量机等。但是这些方法已经渐渐的不能够满。

13、足现实中 越来越庞大且复杂的数据预测需求。 0004 就目前来看， 在负荷预测领域电力负荷预测是国内外研究最多， 成果最显著的方 向， 目前已经有比较成熟的系统和预测方法应用到了市场预测中。但是天然气和电力本身 的物理特性、 存储方式以及运输方式等方面存在很大的差异， 物理特性方面天然气的物理 特性主要包括液态和气态所以周围温度等外界条件对天然气负荷预测的影响要远远大于 对电力负荷预测的影响 ； 存储方式方面天然气需要通过管道进行储存， 并且如果储存过多 会造成管道压力过大而产生危险， 过少又会造成压力不够不能满足正常用气需求， 而电力 根本不用储存 ； 运输方式方面天然气是通过管道运输所以不。

14、能像电力那样通过电线运输可 以实时到达目的地。以上这些天然气的特点都为燃气负荷预测增加了难度， 所以即使电力 负荷预测已经有了很多较为成熟的预测方法， 但是对于天然气负荷预测是不适用的， 仍需 要寻找适合天然气本身特点的负荷预测方法。 发明内容 0005 本发明的目的在于克服现有技术存在的缺失和不足， 寻找适合天然气本身特点的 负荷预测方法， 提出一种基于智能网格分类和模糊神经网络的天然气负荷预测方法。 0006 第一、 通过 Matlab 对历史数据中记录的各个变量 ( 日期、 天气温度等 ) 与燃气负 荷量进行相关性分析， 最后在这些变量中选择与燃气负荷量的相关系数大于 0.8 的变量作 。

15、为预测系统的输入变量。 说 明 书 CN 104123591 A 4 2/3 页 5 0007 第二、 对所有的历史数据进行预处理， 去除一些因为记录失误而产生的坏数据， 以 及一些反常数据如由于一些不可抗力因素或者局部地区活动造成的反常数据， 不包括因为 正常节假日而造成的伪反常数据， 将这些坏数据和反常数据用最近一周相同日期类型的平 均值代替。 0008 第三、 结合历史记录 ( 包括日期， 天气， 最高温度， 最低温度， 平均温度， 燃气负荷 的历史数据 ) 数据量大且燃气负荷受外界影响比较大的特点提出了通过智能网格分类技 术从大量的历史数据中找出与待预测日的数据特征具有较大相似性的数据。

16、， 然后利用这些 数据对预测模型进行训练和预测， 并且考虑到数据量过少或过大都会对预测模型的预测精 度产生影响， 经过大量实验证明对于燃气数据来说， 训练数据量在 30 到 100 天之间时预测 结果较为理想， 所以对智能网格分类技术添加了智能控制输出数据量的功能 ； 考虑到一个 季度里的外界条件以及燃气负荷的相关性较大， 所以可以根据月份按季度将所有的历史数 据进行划分。具体实现步骤如下 ： 0009 利用经过预处理之后的历史数据建成横纵坐标分别为日期和平均温度的智能网 格。 0010 对某一天的燃气量进行预测时将这一天的日期和平均温度 T 输入智能网格， 智能 网格会首先将历史数据中所有与。

17、输入的日期所属的月份 M 同一季度的数据提取出来组成 数据集 D( 数据集 D 包括日期、 天气、 最高温度、 最低温度、 平均温度、 燃气负荷等属性 ) ； 考 虑到平均温度与燃气负荷的相关性最大， 将 D 中的平均温度按照下面三个区间公式 : 0011 2*(Tmax-Tmin)/3+Tmin,Tmax 0012 (Tmax-Tmin)/3+Tmin,2*(Tmax-Tmin)/3+Tmin 0013 Tmin,(Tmax-Tmin)/3+Tmin 0014 分成三部分， 其中 Tmax和 Tmin分别是数据集 D 中平均温度的最大值和最小值， 与此 同时数据集 D 就分成了相对高温数据集。

18、 D1， 相对中温数据集 D2 和相对低温数据集 D3 三部 分， 然后根据系统输入的平均温度 T 判断属于 D1， D2， D3 中的哪一个 ( 假设属于 D1)， 统计 D1 数据量 Size(D1)， 如果 Size(D1) 小于 30 天则智能网格会自动将该区域的平均温度最小 值减 0.1最大值加 0.1以增加 D1 的数据量 ； 如果 Size(D1) 大于 100 天则智能网格会自 动将该区域的平均温度最小值加 0.1最大值减 0.1以减少 D1 的数据量 ； 最终将和待预 测数据具有高度相关性的历史数据量 Size(D1) 控制在 30 到 100 天之间 ( 如果属于 D2， 。

19、D3 操作类似 )。 0015 第四、 结合燃气负荷预测过程的复杂性以及受较多外界因素的影响， 提出了先利 用小波去噪对选出的历史数据进行去噪处理然后再利用具有较高自适应性的模糊神经网 络对燃气负荷进行训练和预测， 并且在训练过程中加入了通过误差对模型参数进行修正的 过程， 从而有利于增强预测模型的强壮性， 进而有利于提高最终的预测精度， 具体操作如 下 ： 0016 利用小波变换对智能网格输出的历史数据进行去噪处理。 0017 进行系统建模， 根据训练样本维数确定模糊神经网络输入 / 输出节点数、 模糊隶 属度函数个数构建模糊神经网络 , 然后对模糊神经网络参数进行初始化。 0018 对模糊。

20、神经网络进行训练， 在训练过程中不断利用前一次训练的误差对系统的参 数进行修正， 直到达到最大迭代次数， 经过大量实验表明， 迭代次数过多就会出现过训练情 说 明 书 CN 104123591 A 5 3/3 页 6 况， 过少就会造成训练不充分从而影响模型的预测精确度， 最终确定迭代次数为 100 的时 候预测结果较为理想。 0019 对待预测日的燃气负荷进行预测， 将待预测日的输入变量值分别输入训练好的模 糊神经网络即可获得待预测日的燃气负荷预测值。 附图说明 0020 图 1 为本发明基于智能网格分类和模糊神经网络的天然气负荷预测方法的流程 框图 ； 0021 图 2、 图 2-1、 图。

21、 2-2、 图 2-3 为本发明的智能网格分类技术的操作流程框图及其模 块图 ； 0022 图 3 为本发明的模糊神经网络的工作流程框图。 具体实施方式 0023 以下结合附图和实施例对本发明作进一步的描述 0024 利用经过预处理之后的历史数据建成横纵坐标分别为日期和平均温度的智能网 格， 经小波的去噪处理和结合燃气负荷预测过程因其复杂性以及受较多外界因素的影响， 利用具有较高自适应性的模糊神经网络对燃气负荷进行训练和预测的本发明实施例如 下 ： 0025 通过 Matlab 对各个变量与燃气负荷量做相关性分析， 最后确定用每日的日期、 天 气、 最高温度、 最低温度、 平均温度、 前一天的。

22、燃气负荷值做为输入变量， 然后对所有的历史 数据进行预处理。 0026 对 2009 年 7 月 1 日的燃气负荷进行预测， 将这一天所属的月份 7 和平均温度 25.9输入智能网格， 首先智能网格会将所有历史数据中的第三季度的数据全部取出组成 数据集 D， 然后智能网格会自动将数据集 D 平均分成三部分 D1(16， 22.3 )， D2(22.4， 28.6 )， D3(28.7， 35 )， 因为输入智能网格的平均温度为 25.9所以属于数据集 D2， 因为 Size(D2) 75 天在 30 到 100 天之间， 所以 D2 就是要找的历史数据集。 0027 利用小波对 D2 进行去噪。

23、处理得到数据集 D2 , 将 D2 作为模糊神经网络的训练 数据对模糊神经网络进行训练， 训练结束后再把 2009 年 7 月 1 日的天气、 最高温度、 最低温 度、 平均温度、 周三以及前一天的燃气负荷值作为输入变量输入到训练好的模糊神经网络 中得到最终的预测结果。 0028 最终的预测误差为 0.0239， 符合市场所需要的最大 0.05 的预测误差要求。 0029 综上所述， 本发明利用经过预处理之后的历史数据建成横纵坐标分别为日期和平 均温度的智能网格， 利用小波的去噪处理和结合燃气负荷预测过程因其复杂性以及受较多 外界因素的影响， 利用具有较高自适应性的模糊神经网络对燃气负荷进行训。

24、练和预测， 在 训练过程中加入了通过误差对模型参数进行修正的过程， 从而有利于增强预测模型的强壮 性， 进而有利于提高最终的预测精度。 该方法是可以对天然气调度提供有力参考依据， 是符 合市场发展需求的物质技术基础。 说 明 书 CN 104123591 A 6 1/4 页 7 图 1 说 明 书 附 图 CN 104123591 A 7 2/4 页 8 图 2 说 明 书 附 图 CN 104123591 A 8 3/4 页 9 图 2-1 图 2-2 说 明 书 附 图 CN 104123591 A 9 4/4 页 10 图 2-3 图 3 说 明 书 附 图 CN 104123591 A 10 。