基于组合方法的短期燃气负荷预测的研究.doc

基于组合方法的短期燃气负荷预测的研究研究生：陈庆明指导老师：徐晓钟 ：仃 测系统进行分析研究。燃气负荷预测是复杂的非线性问题，使用单一的预测方法很难满足负荷预测的真实性与准确性，查阅文献比较各种方法的优缺点，结合实际数据进行分析后，总结得出对燃气负荷进行短期预测时人工神经网络预测法是最适合的方法。本文详细地介绍了人工神经网络的基本原理、算法和预测步骤，使用上海的城市燃气负荷数据训练人工神经网络，采用不同的模型，按照需要进行预测，实验结果表明神经网络对短期燃气负荷预测的可行性和准确性。随着改进遗传算法和小波分析理论对神经网络的优化理论的提出，结合实验的结果对比分析表明这两种组合方法都可以较好的改善人工神经网络的不足，提高预测的精度。本文主要采用小波神经网络组合方法对燃气负荷进行预 瑆 ， 瑃 瓵 琀 简单相关分析 第四章传统研究方法回归预测模型 第章绪论选题背景及来源人类文明的发展过程中伴随着能源的使用，但随着日益枯竭的化石燃料以及人与自然和谐可持续发展理念的提出，人类希望找到一种替代化石燃料解决能源枯竭问题并减少对自然环境的危害。研究表明，天然气是一种优质的清洁燃料和能源原料，使用时不会对自然环境造成重大伤害。因此天然气的使用进入快速发展期，成为能源领域发展的新趋势并且使用量每年以以上的速度增随着燃气使用中“照付不议”协议的进一步实施，无论是使用燃气的个人还是燃气公司，从燃气使用率和经济效益方面都迫切希望能够得到无限接近于真实值的预测值。无论是长期的或者是短期的燃气预测都要求准确且保证安全性和可靠性，切实提高燃气使用效率，保障经济效益，节约能源。因此，提高燃气预测水平，对加强燃气使用的控制，保证燃气的正常使用，推进燃气智能化使用以及确保燃气经济效益最大化有十分重要的意义。燃气负荷预测分为短期与中长期，中长期负荷预测是对燃气在未来的长期使用中制定科学的规划，而短期负荷预测则是建立在长期规划的基础上，对预测规划方案进行优化，使天然气的使用计划更加具体化，本文倾向于研究燃气负荷的短期预测，重点在于帮助单个用户或者燃气公司制定短期燃气的使用计划。 通常情况下，一般会通过对客观历史事实和现状的了解和探索，然后进行科学的调查和分析。根据过去和现在信息去推测未来的发展，根据已知的信息，去推测未知事物将来的发展方向和趋势，从而揭示客观事物未来发展趋势和规律，这就是预测问题的实质。科学的预测方法和预测手段称为预测技术，它通常是对事物内在联系和发展变化规律进行系统的研究，综合进行推断，并据此推断未来发展产生的结果。预测在时间区域上分为长期、中期和短期，一般情况下长期预测时间跨度以年为计量单位，中期一般是数月至数年的时间，而短期预测可以是数周、周天或者数小时内的预测。预测的作用一般体现在为采取某种手段从而可以提高预见性管理的准确率，从而避免出现片面性决策或决策失误的情况。准确可靠的历史负荷数据，可靠性与可行性并存的预测模型。 第章绪论一一元回归分析的线性模型： 第章绪论非线性回归模型：若存在非线性目标函数，通过数学变换线性回归的方法即最小二乘法估计出参数日和玫絭禸甜，再用逆变换 第章绪论为：列。模型可通过延迟算子錌为，。简化化成妒，动口， 其中矽。，缈：， 第章绪论由预测结果组成的数据库刮壅应的检测规则另剥全鋈堡笪模糊预测 第章绪论相关工作人员的经验，使负荷预测的精度更高。小波分析。缈，。小波分析其具有时间和频率的局部特性以及多分辨分析的特性，所以可以处理燃气负荷预测时序之类的非平稳信号的问题。利用小波分析进行燃气负荷预测的具体内容将在后文中进行详细介绍。 第章绪论家地区的政治文化经济的影响，不是一个平稳过程，而短期的负荷变化可以看 不够成熟对模型的输入变量的选择及处理没有统一的标准：没有有效的方法来解决训练过程中出现的学习不足或者过拟合的问题；输入参数的确定也没有标准可以依照，其收敛的时间较长并且易陷入局部最小，而且训练的程比较长，网络的模型结构比如输入参数的选取及隐含层的数目等要在实践中摸索得到。通过前节的各单一模型在实际问题中的局限性，了解在处理非线性问题时的困难，而且研究可知不同的预测模型从不同的角度对原始数据进行模拟预测，都有各自的优缺点，且它们之间有关联。因此，我们可以从组合的角度将若干种不同的预测模型结合起来对负荷问题进行分析，从不同的方面反馈得到需要的结果，使预测的精度得以提高。随着燃气使用中“照付不议”的协议的进一步的实施以及燃气使用的逐渐广泛，燃气负荷预测的重要性逐渐提升。从上文提及的诸多方法中可以看出在过去的几十年中有许多的专家学者在对燃气负荷预测的研究中做出重大的贡献，预测方法不断改进，但却没有一种一劳永逸的方法，因此在处理实际的问题时应该根据具体的问题提出最为妥善的处理方法。本文的出发点是对燃气短期的负荷提出一种预测方法，通过仿真实验以及与常用方法的比较证明其实用性和可靠性。 第一章绪论、燃气负荷中受日期因素的影响，即工作日与周末的燃气负荷无论是峰、真实可靠的历史负荷数据是进行燃气负荷预测的前提，在进行预测时以其作为依据和基础。如果历史负荷数据中存在不真实、缺失或损坏的坏数据，会导致很难甚至无法从历史负荷和相关因素中提取负荷变化的规律。因此负荷数据的准确与否直接影响着模型的效果。所以，要找出反常态势数据，判断数据中出现的反常态势的数据是“真坏数据”还是“假坏数据”， 第章绪论、为证明小波神经网络组合模型在燃气负荷短期预测中的准确性和可靠性，本文使用了时间序列法、支持向量机预测法、神经网络预测法、小波分析预测法等对照实验进行说明，仿真实验的结果表明，小波神经网络比其他算法具有一定的优越性，能克服其它算法的缺陷。根据测试数据对模型的测试结果，表明小波神经网络的组合模型能取得较高的预测准确率。本论文的章节编排如下：第三章燃气负荷特征分析，从影响燃气负荷变化的角度分析影响负荷的因素，以相关性分析理论为基础，分析影响负荷变化因素的相关性，从而确定影响负荷变化的主要因素和次要因素，在实验时为降低燃气负荷预测的复杂度，少考虑甚至不考虑对负荷变化预测准确率影响最小的次要因素作为输入参数，从而提高短期预测时的效率。第四章和第五章是本文的重点和核心，第四章中对过去处理短期负荷预测传统算法进行阐述，说明其优缺点，并进行仿真实验，并根据日期类型的不同，依据具体的实验数据进行对应的实验，分别得出仿真实验的预测结果，分析其准确率与实验运行时效。第五章提出小波神经网络组合算法，分别使用历史数据和数据的残差序列进行仿真实验，实验结果与第四章中的实验结果进行 第章绪论 扑闼堑木嗬耄俏狣。珼珼瑇。是所有的距离按大小顺序的排列。，碓诟眉现械牡谄吒鲋礱查找出燃气负荷时序数列中的离群点，然后通过算法对离群数据进行处理，识坏数据的修正 线具有最好的拟合度，此时被选取作为全年燃气日负荷曲线。本论文是以上海市某地区燃气负荷预测问题为来源，研究上海燃气短期负荷预测问题，选用该地区历史燃气负荷数据作为实验数据，燃气负荷历史数据中离群数据主要来自于人工记录中的误差和错误、设备并不完善带来的传输计量中的错误以及在特殊节假日中燃气负荷出现的较大的偏离和突变。因此在对离散数据进行修正中要结合季节刻度来分析。一盖生旦坠幽 前一点、后一点的数据值；指离群数据所对应的特征曲线的数据值；郑分别是所对应的特征曲线的数据值。对于某一数据段可能连续出现多个离群数据点的问题，就必须要对该数据段内的所有值进行修正缜遆。在点偷鉖：间出现多个离群数据据！：时间段内所在序列前一点、后一点的数据值；。指离群数据应的特征曲线的数据值。 年四季某月负荷曲线离群数据的挖掘：在对四季中某月的数据采用蛔罱诰嗬敕诰蚶肴菏荩，一般认为在数据中存在高达左右的离群数据，因此将柚梦猰。在年碌氖葜懈輐一最近邻距离法挖掘出的离群程度最大的前三个点分别是铡月日和牛月离群程度最大的三个点分别是日、占月眨月离群程度最大的三个点分别离群数据的分析和再挖掘：根据前文中的介绍，由于燃气消耗的测量设备的精度限制、人工记录中不可避免的错误，节假日导致燃气负荷出现的偏离和突变等，都会产生离群数据。因此在对燃气数据中离群数据进行修正前要判定数据是否为真实的离群数据。因为存在假离群数据的可能，例如天气、温度的巨变以及节假日变化，会是燃气负荷值有巨变的可能，然而这种数据是正常的，且这样的数据背后的信息比正常数据的信息更具研究价值，因此要对比燃气负荷值的时间变量进行分析。对于测量设备以及人工造成的离群数据要根据前文中的方法进行修正。根 图数据归一化处理 ，犯汉墒菪蛄校琗。、。分别指训练样本集归一化处理时将各个输入量归一至之间：。互：本章小结 负荷的周期性为工作日、周末、重大节假日的负荷预测曲线。 图籰工作日负荷曲线任意选取历史负荷数据中的每年同一个月的数据序列，分析负荷曲线，研 图虾厍年月份负荷曲线简单相关分析 猙相关分析方法。唬，一 疭；：；：；：；：；：；：；：；：；：一 偏相关分析的计算方法在研究偏相关分析中要弄清楚控制变量的概念，所谓控制变量在物理学中的概念是指那些除了自变量以外的所有影响实验结果的变量，这些变量不是实验所要研究的变量，例如在研究影响燃气负荷问题时，若想研究最高温度对负荷的影响时要将最低温度、平均温度以及天气和日期类型等其他因素当成是控制因素对待，只有将自变量罡呶露以外一切因变量变化的变量控制好， 、厂分别指控制变量眡与与患皔琙琁与旱钠喙叵礪荷的相关程度。相关系数一篒篒： 影响因素最高温度最高温度墩向损度最局温度最高温度最低温度最低温度最低温度最低温度最低温度最低温度平均温度平均温度平均温度平均温度平均温度平均温度日期类型日期类型日期类型日期类型显著水平畂畂畂畂畂畂畂日期类型天气类型天气类型天气类型天气类型 第三章燃气负荷数据的特征分析天燃气负荷与第斓娜计汉傻南喙叵凳锏较灾喙系数为介温度与日期的影响负荷影响较大的气象因素有日期类型、温度、天气、风速和湿度等，在日期类型分析中，本文依据文献将日期分为工作日、周末和重大节假日三类，因此在进行实际的预测时需要针对不同日期类型，将历史负荷数据进行分类同时在不同的实验中使用相应的数据。在节中由图可知在燃气负荷变化中具有周周期性同时在一周内工作日的燃气负荷消耗比周末的燃气负荷消耗明显 因此在进行预测时要特殊处理。温度的每波动变使负荷产生的波动。通过前节的相关系数的结果表明平均温度与燃气负荷存在着日负荷随温度降低而升高、随温度升高而降低的负相关的关系。从相关系数的值可得在不同季节温度与负荷的相关系数存在差异，而且在温度的敏感程度上冬季日负荷比夏季日负荷要高。图中给出了年一年的时间里燃气日负荷与平均温度之问的关系，在不同的季节中荷的敏感度不同，即在不同季节中燃气日负荷与日平均气温的相关系数不同。图负荷与平均温度的关系 本章小结本章中主要分析燃气负荷中的周期性规律，通过使用相关分析和偏相关分析的方法对影响燃气负荷的因素进行剖析，结果表明影响负荷变化最大的因素是日期类型和温度，并且在进行研究中将日期类型分为工作日、周末和重大节假日三类，在对燃气进行日负荷预测时，根据不同类型日期，采用不同的方法。而对温度的分析确定在最高温度、最低温度和平均温度中影响燃气负荷变化最大的是平均温度，而且不同的季节负荷与平均温度问的相关系数不同即在不同的季节温度与负荷间的敏感程度不同。通过对影响负荷变化的因素进行相关分析与偏相关分析，可以确定在进行仿真实验时在不影响预测精度的情况下，提高预测的速率的要求下使用影响负荷变化较大的若干个因素，为后文的仿真实验的进行做好基础。 第四章传统研究方法 ： 在式、日负荷数列，中第盏娜崭汉墒荩黄渲衜，唬，平均温度和日期类型等影响燃气负荷变化大的影响因素。特征相似度通过下式 回归预测模型。瑇，琤。，与瑇，是无关的未求解可得，瑇。其中占，艺迹相互独立。少。 分别对乃。，取偏导数，并令它们为零，得式：，。窆箈， 第四章传统研究方法一一险 较好的预测结果。种有效的算法。序列最小优化算法能避免需要巨大的存储空间来存储核矩阵，掣 第四章传统研究方法褂肧进行燃气预测的基本步骤：即神经网络是一种按照误差逆传播的，多层的前馈型网络。是目前应用最广泛的神经网络模型之一。包括输入层、隐含层和输出成。使用即神经网络的关键在于确定其结构。在解决问题时希望尽可能多的选取影响其变化的影响，同时兼具考虑问题的复杂度，在不影响实验效率的情况下，根据前文的析结果，在本文中网络的输入定为觯吹趇天的最高温度、最低温度、平均温网络，通过表说明不同的隐含层神经元个数对实验结果的影响。 的步骤。在反向传播过程中，通过网络将误差信号沿原来的传输路线进行逆向小波分析沙础罚 分解褂肈；燃气日负荷历史数据具备完整数据的从年月日至年月对燃气负荷历史数据及负荷曲线的研究发现，燃气负荷历史数据具有明显 据，是模型预测数据。弧换幔幔瑇，一会换换 中家庭用气量大于工业的用气值。最后将测试数据带入式中进行测试。 躵二芴芟躨缈堡童：警恨肤扶藍真实值预测值真实值预测值小波分析实验过程 第四章传统研觥。图是根据燃气负荷历史数据中重大节假目的燃气负荷数据得到的负荷年一年重大节假日负荷曲线 小波具有良好的时频局部特性和变焦特性，是在傅里叶分析基础上取得的突破性发展；神经网络具有自学习、自适应性、强鲁棒性和推广能力；通过前节中使用单个的模型进行燃气负荷预测的结果显示，两种模型都具备了处理短期燃气负荷预测问题的能力，但是预测的精度不是很高而且处理时有各自的优缺点。因此，最近研究的方向转变