The invention belongs to a method of natural gas load forecasting, and specifically relates to a short-term natural gas load forecasting model based on wavelet theory and neural network. Based on the actual collected data of urban natural gas gate station, the short-term natural gas load time series is decomposed by using wavelet theory, especially Deaubechies wavelet. The decomposition layers are five layers and the decomposition order is five. The high-frequency components are predicted by GRNN neural network, and the low-frequency components are pre-processed by Elman neural network. Finally, the prediction results are reconstructed layer by layer, and the final prediction results are obtained. The results are compared with those predicted by GRNN and Elman neural networks alone. The validity and advancement of the short-term natural gas load forecasting model based on wavelet theory and neural network are verified. The comparative analysis results show that the present invention is a high precision and effective short-term natural gas load forecasting model.
【技术实现步骤摘要】
基于小波理论和神经网络的短期天然气负荷预测模型
本专利技术属于天然气负荷预测的方法,具体涉及基于小波理论和神经网络的短期天然气负荷预测模型。
技术介绍
随着中国工业化和城市化进程的加速推进,各行各业对天然气的需求与日俱增,由于天然气产能严重不足和消费量快速增长,已对部分城市造成“气荒”,具体表现为:高峰时段,需求量过大,管网内气压相对较低,导致许多用户不能正常用气;低谷时段,需求量较少,燃气管网内部气压过高,威胁设备安全,使得管网运行效率低下。因此,短期天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义。然而,天然气负荷除具有以周、日的周期变化特点外,还受到天气、季节、节假日等诸多因素影响,导致天然气负荷波动十分频繁,呈高度非线性、时变性、分散性和随机性等特点,准确预测难度大。传统的天然气负荷预测方法包括线性回归分析法、时间序列法和灰色系统理论,但这些方法大多是基于线性数据预测的模型,因此不适合复杂的天然气负荷预测。
技术实现思路
本专利技术的目的在于针对现有技术中存在的问题提供一种基于小波理论和神经网络的短期天然气负荷预测模型,该专利技术将Daubechies小波理论和GRNN神经网络、Elman神经网络进行结合,与单独应用GRNN神经网络和Elman神经网络进行预测相比,该预测模型能够提高短期天然气负荷时间序列预测的预测精度。本专利技术的技术方案是:基于小波理论和神经网络的短期天然气负荷预测模型,包括如下方法步骤:(1)采集某市某天然气站的时负荷时间序列数据,采用Daubechies小波函数对实际采集的短期天然气时负 ...
【技术保护点】
1.基于小波理论和神经网络的短期天然气负荷预测模型,其特征在于,包括如下方法步骤:(1)采集某市某天然气站的时负荷时间序列数据,采用Daubechies小波函数对实际采集的短期天然气时负荷时间序列进行分解,分解出高频分量和低频分量,构建基于小波理论和神经网络的短期天然气负荷预测模型;(2)应用GRNN神经网络对经Daubechies小波函数分解出来的高频分量进行预测,运用Elman神经网络对分解出来的低频分量进行预测;(3)对GRNN神经网络的预测结果和Elman神经网络的预测结果进行重构,并将重构结果与单独应用GRNN神经网络和Elman神经网络的预测结果进行对比,以确定构建的预测模型的预测精度和有效性。
【技术特征摘要】
1.基于小波理论和神经网络的短期天然气负荷预测模型,其特征在于,包括如下方法步骤:(1)采集某市某天然气站的时负荷时间序列数据,采用Daubechies小波函数对实际采集的短期天然气时负荷时间序列进行分解,分解出高频分量和低频分量,构建基于小波理论和神经网络的短期天然气负荷预测模型;(2)应用GRNN神经网络对经Daubechies小波函数分解出来的高频分量进行预测,运用Elman神经网络对分解出来的低频分量进行预测;(3)对GRNN神经网络的预测结果和Elman神经网络的预测结果进行重构,并将重构结果与单独应用GRNN神经网络和Elman神经网络的预测结果进行对比,以确定构建的预测模型的预测精度和有效性。2.根据权利要求1所述的基于小波理论和神经网络的短期天然气负荷预测模型,其特征在于,所述的步骤(1)的具体过程为:采用Daubechies小波函数对天然气时负荷时间序列进行分解,分解阶数为5阶,分解层数为5层,分解出来5个高频分量,分别为第一层高频分量、第二层高频分量、第三层高频分量、第四层高频分量和第五层高频分量;分解出来5个低频分量,分别为第一层低频分量、第二层低频分量、第三层低频分量、第四层低频分量和第五层低频分量。3.根据权利要求2所述的基于小波理论和神经网络的短期...
【专利技术属性】
技术研发人员:乔伟彪,刘德绪,唐兴华,银永明,仝淑月,龚金海,尚德彬,王利畏,陈李斌,邵子璇,
申请(专利权)人:中石化石油工程技术服务有限公司,中石化中原石油工程设计有限公司,
类型:发明
国别省市:北京,11
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。