【技术实现步骤摘要】
基于集成模态分解的用气需求预测方法及其系统
本专利技术属于天然气需求预测方法领域，特别涉及一种基于集成模态分解的用气需求预测方法及其系统。
技术介绍
2017年初“气荒”事件发生引发社会广泛关注，2020年“新冠”病毒冲击局部地区天然气市场，实现天然气消费量精准预测关乎到国家民生大计。受宏观经济及能源调控影响，天然气市场处于快速变化态势，不均匀性愈加明显，实现天然气需求预测对优化调度、储气调峰具有着重要意义。天然气需求预测是通过分析某一地区或用户天然气历史日负荷(消费量)的变化规律，建立预测模型来预测未来天然气需求的方法。非供暖季时期无供暖需求，因此天然气日负荷多以时序为主要变量进行需求预测。近年来天然气消费结构快速变化，采用多年的大数据集有欠拟合风险。经实验发现，采用同样为非供暖季时期、与预测时间相近、数据变化规律相近的小数据集作为训练集可提升预测精度。经典的机器学习算法如BP神经网络、RBF神经网络、小波神经网络等存在需要大量数据进行训练的问题。天然气日负荷受天气、节假日、人口流动等多因素影响随机性明显。...
【技术保护点】
1.一种基于集成模态分解的用气需求预测方法，其特征在于，所述预测方法包括以下步骤：/n将训练集和验证集中的天然气日负荷按时序特征组成原始序列，其中，所述时序特征包括日期、节假日；对所述原始序列进行集成模态分解，分解后得到训练集分量和验证集分量；/n用所述训练集分量和验证集分量训练若干个支持向量机回归模型SVR，训练后的模型记为{SVR
【技术特征摘要】
1.一种基于集成模态分解的用气需求预测方法，其特征在于，所述预测方法包括以下步骤：
将训练集和验证集中的天然气日负荷按时序特征组成原始序列，其中，所述时序特征包括日期、节假日；对所述原始序列进行集成模态分解，分解后得到训练集分量和验证集分量；
用所述训练集分量和验证集分量训练若干个支持向量机回归模型SVR，训练后的模型记为{SVR1,SVR2…SVRn,SVRr}；
用所述原始序列训练所述支持向量机回归模型，训练后的模型记为SVRs；
用所述{SVR1,SVR2…SVRn,SVRr}及SVRs模型训练所述支持向量机回归模型，记为SVRm；
将测试集代入{SVR1，SVR2…SVRn}和SVRs模型中，将所述{SVR1，SVR2…SVRn}模型所得结果代入SVRm后得出预测结果。
2.根据权利要求1所述的一种基于集成模态分解的用气需求预测方法，其特征在于，
对所述支持向量机回归模型进行训练前需要对使用的数据进行处理，所述处理包括以下步骤：
收集数据并对数据进行预处理，所述预处理包括对数据进行清洗、变换和集成；
将预处理后的数据进行天然气负荷变化规律分析，并根据分析结果确定数据集的选择范围，其中，所述数据集包括训练集、验证集和测试集；
将所述数据集进行归一化处理。
3.根据权利要求2所述的一种基于集成模态分解的用气需求预测方法，其特征在于，
所述处理还包括构建支持向量机回归模型，所述支持向量机回归模型的构建过程中，采用粒子群算法对所述支持向量机回归模型中参数进行寻优。
4.根据权利要求1所述的一种基于集成模态分解的用气需求预测方法，其特征在于，
得到所述预测结果后，对预测结果进行反归一化处理，得到预测值；所述反归一化处理与数据集采用的归一化处理规则一致。
5.根据权利要求1所述的一种基于集成模态分解的用气需求预测方法，其特征在于，
所述训练集分量和验证集分量是由所述原始序列进行集成模态分解得到的内涵模态分量和残差分量按日期重新分组得到的。
6.根据权利要求1所述的一种基于集成模态分解的用气需求预测方法，其特征在于，
所述原始序列训练支持向量机回归模型时采用所述训练集训练，以时序特征为输入变量，以归一化后的天然气日负荷为输出变量。
7.根据权利要求1所述的一种基于集成模态分解的用气需求预测方法，其特征在于，
所述训练集分量和验证集分量训练所述支持向量机回归模型时，以所述训练集分量和验证集分量的时序特征变量作为输入变量，模态分解后的训练集分量和验证集分量为输出变量。
8.一种基于集...
【专利技术属性】
技术研发人员：付川，郝迎鹏，陈进殿，赵忠德，
申请(专利权)人：中国石油天然气股份有限公司，
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。