基于不同小波分解阶数和层数的天然气需求预测方法技术

本发明专利技术属于天然气负荷预测的方法技术领域，具体涉及基于不同小波分解阶数和层数的天然气需求预测方法。本发明专利技术提供的方法是分别采用Daubechies、Symflets、Coiflets小波基函数对天然气需求时间序列进行分解，分解出若干个高频分量和低频分量，通过基本神经网络的强拟合优势，采用RBF神经网络对分解出来的高频分量进行预测，应用Elman神经网络对分解出来的低频分量进行预测，同时，对不同小波基函数和分解阶数对天然气需求预测精度进行分析，最后确定最佳的不同小波分解阶数和层数。本发明专利技术对天然气需求有较高的预测精度，是一种高效的天然气需求预测方法。

【技术实现步骤摘要】
基于不同小波分解阶数和层数的天然气需求预测方法
本专利技术属于天然气负荷预测的方法
，具体涉及基于不同小波分解阶数和层数的天然气需求预测方法。
技术介绍
在天然气供应系统，天然气负荷数据对于项目规划、工程设计、管道运行和优化调度至关重要，需要准确的需求预测以保证管网系统平衡，进而在最低成本下保证安全稳当的天然气供应。我国对天然气需求的预测多依赖于运行维护人员的经验，通过相似日的负荷水平来预测需求值，这种预测方式无法考虑到气候变化、突发情况等因素。因此，需要选择一种预测方式，减少对经验的依赖性，增加预测精度目标。需求预测的关键是预测方法。当前，天然气需求方法有经典统计方法，包括时间序列法、趋势外推法、回归模型预测技术等；另一种为人工智能法，诸如BP神经网络、遗传算法、支持向量机等；还有一种为组合预测技术，例如遗传算法与支持向量机(SVM)的组合技术、遗传算法与神经网络的集成技术等等。在这些方法中，经典统计方法大多基于线性数据预测，预测精度不高，不适用于非线性、复杂的天然气负荷预测；支持向量机能实现较为精确的预测，但仍存在可选核函数少、参数较多、计算量大、训练效率低等不足；组合技术与单一模型相比，具有更好的预测结果，如何集成与优化各种智能算法以提高预测精度是天然气需求预测的主要方向。
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基于不同小波分解阶数和层数的天然气需求预测方法，该方法能够提高天然气需求时间序列预测的预测精度。本专利技术的技术方案是：基于不同小波分解阶数和层数的天然气需求预测方法，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，在Daubechies、Symflets、Coiflets小波基函数分解层数不变的情况下，采用Daubechies、Symflets、Coiflets小波基函数不同阶数对采集的天然气时负荷时间序列数据进行分解，，构建基于不同小波分解阶数和层数的天然气需求预测模型；(2)在Daubechies、Symflets、Coiflets小波基函数分解阶数不变的情况下，采用Daubechies、Symflets、Coiflets小波基函数不同层数对采集的天然气时负荷时间序列数据进行分解；(3)对Daubechies、Symflets、Coiflets小波基函数分解出来的最高层高频分量，采用RBF神经网络模型进行预测，对Daubechies、Symflets、Coiflets小波基函数分解出来的若干个低频分量，应用Elman神经网络模型进行预测，最后进行重构，对比Daubechies、Symflets、Coiflets小波基函数不同阶数对天然气需求的预测精度，同时对比Daubechies、Symflets、Coiflets小波基函数不同层数对天然气需求的预测精度。具体的，所述的步骤(1)中采用Daubechies、Symflets、Coiflets小波基函数不同阶数对采集的天然气时负荷时间序列数据进行分解具体过程为：①在Daubechies小波基函数分解层数为5层时，采用Daubechies小波基函数的阶数为1阶、2阶、4阶时分别对天然气时负荷时间序列数据进行分解；②在Symflets小波基函数分解层数为5层时，采用Symflets小波基函数阶数为2阶、3阶、7阶分别对天然气时负荷时间序列数据进行分解；③在Coiflets小波基函数分解层数5层时，采用Coiflets小波基函数的阶数为1阶、3阶、5阶分别对天然气时负荷时间序列数据进行分解。具体的，所述步骤(2)中采用Daubechies、Symflets、Coiflets小波基函数不同层数对采集的天然气时负荷时间序列数据进行分解的具体过程为：①在Daubechies小波基函数分解阶数为4阶的情况下，采用Daubechies小波基函数的层数为3层、5层、8层对天然气时负荷时间序列数据进行分解，分解出最高层高频分量；②在Symflets小波基函数分解阶数为7阶的情况下，采用Symflets小波基函数的层数为3层、5层、8层对天然气时负荷时间序列数据进行分解，分解出最高层高频分量；③在Coiflets小波基函数分解阶数为5阶的情况下，采用Coiflets小波基函数的层数为3层、5层、7层对天然气时负荷时间序列数据进行分解，分解出最高层高频分量。具体的，所述的步骤(3)的具体过程为：①Daubechies小波基函数分解层数为5层时，对比Daubechies小波基函数分解阶数为1阶、2阶、4阶的预测精度；②Symflets小波基函数分解层数为5层时，对比Symflets小波基函数分解阶数为2阶、3阶、7阶的预测精度；③Coiflets小波基函数分解层数为5层时，对比Coiflets小波基函数分解阶数为1阶、3阶、5阶的预测精度；④Daubechies小波基函数分解阶数为4阶时，对比Daubechies小波基函数分解层数为3层、5层、8层的预测精度；⑤Symflets小波基函数分解阶数为7阶时，对比Symflets小波基函数分解层数为3层、5层、8层的预测精度；⑥Coiflets小波基函数分解阶数为5阶时，对比Coiflets小波基函数分解层数为3层、5层、7层的预测精度；⑦采用误差评价指标MAPE(平均绝对百分误差)和RSME(均方根误差)对不同Daubechies、Symflets、Coiflets小波基函数阶数和层数的预测精度进行对比，具体公式为：式中：N为误差对比的总数量；lactual为实际采集的天然气负荷；lforecast为预测的天然气负荷。具体的，所述的RBF神经网络模型分别对用Daubechies、Symflets、Coiflets小波基函数分解出来的最高层高频分量进行预测，RBF神经网络由输入层，隐层和输出层组成，其完成如下非线性映射：式中：wi为输出层与隐层之间的权重，ci为基函数的数据中心，n为神经元数，X∈Rn是输入矢量是一个R+→R的非线性函数，一般取高斯型函数如下：式中：σi是基函数的数据中心和宽度；RBF神经网络在预测过程中，需要确定的主要参数为基函数的中心ci和宽度σi及输出层与隐层之间的权重wi，按如下步骤求解：①求解中心ci和宽度σi参数采用K-means聚类方法，训练样本是输入量进行聚类，找出聚类中心，即所需要求解的中心ci和宽度σi；②求解网络的权值在确定了中心ci和宽度σi后，RBF神经网络预测模型从输入到输出就变为了一个线性方程组：采用最小二乘法对上述方程进行网络的权值wi的求解。具体的，所述的Elman型神经网络模型分为四层，分别是输入、隐含(中间)、承接及输出层，输入层单元仅仅起到信号的传输作用，输入层的单元起到线性加权的作用，隐含层的单元传递函数用线性或者是非线性的函数，承接层又称为状态层或者是上下文层，其是用来记忆隐含层单元前一时刻输出值，同时，返回给Elman神经网络的输入，Elman型神经网络非线性的状态空间的表达式表示为：y(k)＝g(ω3x(k))x(k)＝f(ω1xc(k)+ω2(u(k-1)))xc(k)＝x(k-1)式中：y为m维的输出结点的向量；x为n维的中间层结点的单元向量；u为r维的输入向量；xc为n维的反馈状态向量；ω3为中间层到输本文档来自技高网...

【技术保护点】
1.基于不同小波分解阶数和层数的天然气需求预测方法，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，在Daubechies、Symflets、Coiflets小波基函数分解层数不变的情况下，采用Daubechies、Symflets、Coiflets小波基函数不同阶数对采集的天然气时负荷时间序列数据进行分解，构建基于不同小波分解阶数和层数的天然气需求预测模型；(2)在Daubechies、Symflets、Coiflets小波基函数分解阶数不变的情况下，采用Daubechies、Symflets、Coiflets小波基函数不同层数对采集的天然气时负荷时间序列数据进行分解；(3)对Daubechies、Symflets、Coiflets小波基函数分解出来的最高层高频分量，采用RBF神经网络模型进行预测，对Daubechies、Symflets、Coiflets小波基函数分解出来的若干个低频分量，应用Elman神经网络进行预测，最后进行重构，对比Daubechies、Symflets、Coiflets小波基函数不同阶数对天然气需求的预测精度，同时对比Daubechies、Symflets、Coiflets小波基函数不同层数对天然气需求的预测精度。...

【技术特征摘要】
1.基于不同小波分解阶数和层数的天然气需求预测方法，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，在Daubechies、Symflets、Coiflets小波基函数分解层数不变的情况下，采用Daubechies、Symflets、Coiflets小波基函数不同阶数对采集的天然气时负荷时间序列数据进行分解，构建基于不同小波分解阶数和层数的天然气需求预测模型；(2)在Daubechies、Symflets、Coiflets小波基函数分解阶数不变的情况下，采用Daubechies、Symflets、Coiflets小波基函数不同层数对采集的天然气时负荷时间序列数据进行分解；(3)对Daubechies、Symflets、Coiflets小波基函数分解出来的最高层高频分量，采用RBF神经网络模型进行预测，对Daubechies、Symflets、Coiflets小波基函数分解出来的若干个低频分量，应用Elman神经网络进行预测，最后进行重构，对比Daubechies、Symflets、Coiflets小波基函数不同阶数对天然气需求的预测精度，同时对比Daubechies、Symflets、Coiflets小波基函数不同层数对天然气需求的预测精度。2.根据权利要求1所述基于不同小波分解阶数和层数的天然气需求预测方法，其特征在于，所述的步骤(1)中采用Daubechies、Symflets、Coiflets小波基函数不同阶数对采集的天然气时负荷时间序列数据进行分解具体过程为：①在Daubechies小波基函数分解层数为5层时，采用Daubechies小波基函数的阶数为1阶、2阶、4阶时分别对天然气时负荷时间序列数据进行分解；②在Symflets小波基函数分解层数为5层时，采用Symflets小波基函数阶数为2阶、3阶、7阶分别对天然气时负荷时间序列数据进行分解；③在Coiflets小波基函数分解层数5层时，采用Coiflets小波基函数的阶数为1阶、3阶、5阶分别对天然气时负荷时间序列数据进行分解。3.根据权利要求1所述基于不同小波分解阶数和层数的天然气需求预测方法，其特征在于，所述步骤(2)中采用Daubechies、Symflets、Coiflets小波基函数不同层数对采集的天然气时负荷时间序列数据进行分解的具体过程为：①在Daubechies小波基函数分解阶数为4阶的情况下，采用Daubechies小波基函数的层数为3层、5层、8层对天然气时负荷时间序列数据进行分解，分解出最高层高频分量；②在Symflets小波基函数分解阶数为7阶的情况下，采用Symflets小波基函数的层数为3层、5层、8层对天然气时负荷时间序列数据进行分解，分解出最高层高频分量；③在Coiflets小波基函数分解阶数为5阶的情况下，采用Coiflets小波基函数的层数为3层、5层、7层对天然气时负荷时间序列数据进行分解，分解出最高层高频分量。4.根据权利要求1所述基于不同小波分解阶数和层数的天然气需求预测方法，其特征在于，所述的步骤(3)的具体过程为：①Daubechies小波基函数分...

【专利技术属性】
技术研发人员：乔伟彪，唐兴华，刘德绪，银永明，仝淑月，尚德彬，龚金海，王利畏，倪建英，郑政彬，
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