本发明专利技术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，涉及短期负荷预测技术领域。本发明专利技术包括利用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。本发明专利技术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。
【技术实现步骤摘要】
【专利摘要】本专利技术，涉及短期负荷预测
。本专利技术包括利用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。本专利技术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。【专利说明】
本专利技术涉及短期负荷预测
，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。
技术介绍
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。 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 夕卜，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足现实中 越来越庞大且复杂的数据预测需求。 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。
技术实现思路
本专利技术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。 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〇. 8的变量作 为预测系统的输入变量。 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。 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，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： 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。 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输入的日期所属的月份Μ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： _1] 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Dl，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.Γ最大值加0.Γ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.Γ最大值减0.Γ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，D3 操作类似）。 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： 利用小波变换对智能网格输出的历史数据进行去噪处理。 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。 对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，经过大量实验表明，迭代次数过多就会出现过训练情 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。 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。 【专利附图】【附图说明】 图1为本专利技术的流程 框图； 图2、图2-1、图2-2、图2-3为本专利技术的智能网格分类技术的操作流程框图及其模 块图； 图3为本专利技术的模糊神经网络的工作流程框图。 【具体实施方式】 以下结合附图和实施例对本专利技术作进一步的描述 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，经小波的去噪处本文档来自技高网...
【技术保护点】
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。
【技术特征摘要】
【专利技术属性】
技术研发人员：徐晓钟，李龙康，孔德凤，张相芬，马燕，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。