基于TCN-BIGRU的燃气负荷预测方法和装置制造方法及图纸

本发明专利技术的实施例提供了一种基于TCN

【技术实现步骤摘要】
基于TCN
‑
BIGRU的燃气负荷预测方法和装置


[0001]本专利技术一般涉及燃气负荷预测领域，并且更具体地，涉及一种基于 TCN
‑
BIGRU的燃气负荷预测方法和装置。

技术介绍

[0002]随着能源结构和环保政策的演变，中国的天然气需求正在快速增长。然 而，我国天然气资源分布极不平衡，供需严重不匹配。尤其是在冬季等用气 高峰期，天然气短缺几乎是不可避免的。因此，准确预测天然气消费量，对 制定天然气购销战略具有重要意义。
[0003]天然气负荷受天气(如温度、湿度、气压等)和社会活动(如经济发展、 人口增长、工业制造等)的影响，其中节假日和季节是最重要的因素。天然 气消耗具有波动大、随机性高、时间波动性大等特点，使得预测任务极为困 难。传统的时间序列分析方法已用于预测天然气消耗量，包括移动平均、自 回归、自回归移动积分平均、自回归移动平均、卡尔曼滤波和小波变换。这 些方法可以捕捉影响因素之间的线性关系，但在描述非线性特征方面较弱。
[0004]传统的人工智能方法也被广泛应用，如支持向量回归、人工神经网络、 贝叶斯网络、矩阵分解和高斯过程回归。这些方法能够提取特征之间的非线 性关系，并能处理小样本数据。然而，当处理大量数据时，它们受到维数灾 难的影响，并且具有更高的计算复杂度。为了解决这些问题，有人提出了基 于受限玻尔兹曼机器的深度信念网络、叠加去噪自动编码器和卷积神经网络， 其性能优于上述方法。然而，它们需要手动提取特征，并且很难提取过去时 间点和未来时间点之间的关系。递归神经网络(RNN)被提出用于处理时间 序列，但它很难记住长期信息。此外，当时间间隔较长时，会发生梯度消失 和爆炸。长短时记忆(LSTM)和选通循环单元(GRU)有效地解决了这一 问题。基于递归神经网络改进了选通递归单元，该网络使用遗忘门、输入门 和输出门来有效地探索时间序列并提高预测精度。然而，选通循环单元(GRU) 只能从单个方向提取特征。

技术实现思路

[0005]根据本专利技术的实施例，提供了一种基于TCN
‑
BIGRU的燃气负荷预测方 案。本方案能够通过TCN
‑
BIGRU模型准确预测燃气负荷，从而提高燃气公 司的运营效率，并且降低采购成本。
[0006]在本专利技术的第一方面，提供了一种基于TCN
‑
BIGRU的燃气负荷预测方 法。该方法包括：
[0007]获取历史特征数据；
[0008]对所述历史特征数据进行筛选，并对筛选到的历史特征数据进行预处理， 将预处理后的历史特征数据作为训练数据；
[0009]构建TCN
‑
BIGRU模型，将所述训练数据输入所述TCN
‑
BIGRU模型， 对所述TCN
‑
BIGRU模型进行训练，将训练后的TCN
‑
BIGRU模型作为燃气 负荷预测模型，对次日的燃气负
荷进行预测。
[0010]进一步地，所述历史特征数据包括时间序列数据和非时间序列数据；其 中，时间序列数据为历史数据中的日负荷总量数据；非时间序列数据为历史 数据当天对应的节假日数据和天气数据。
[0011]进一步地，所述对所述历史特征数据进行筛选，包括：
[0012]筛选出皮尔森相关系数大于阈值的历史特征数据；
[0013]其中，所述皮尔森相关系数为：
[0014][0015]其中，p
X,Y
为皮尔森相关系数；X为历史数据当天的天气数据；Y为历史数 据中的日负荷总量；E(.)表示期望。
[0016]进一步地，所述对筛选到的历史特征数据进行预处理，包括：
[0017]对于历史数据中的日负荷总量数据，将数据进行归一化处理；
[0018]对于历史数据当天对应的节假日数据，进行独热编码；
[0019]对于天气数据中的最高温度数据和最低温度数据进行正态标准化。
[0020]进一步地，所述TCN
‑
BIGRU模型，包括依次设置的输入层、一维卷积 层、因果膨胀卷积层、BIGRU层和输出层；
[0021]所述输入层，用于通过设置滑动窗口，对时间序列数据进行过滤，将过滤 后的时间序列数据输出到所述一维卷积层；
[0022]所述一维卷积层，用于提取过滤后的时间序列数据的局部趋势特征，输 出到所述因果膨胀卷积层；
[0023]所述因果膨胀卷积层，用于提取特征中的隐藏信息和长期时间关系，输 出到所述BIGRU层；
[0024]所述BIGRU层，使用前向和反向的两个GRU网络结构对所述因果膨胀卷积 层的输出向量进行学习，得到双向的时序特征，并与非时序特征合并，输入 到所述输出层；
[0025]所述输出层，选用全连接层，用于根据时序特征与非时序特征的合并结 果，输出次日的燃气负荷预测值。
[0026]进一步地，定义所述TCN
‑
BIGRU模型的损失函数为绝对误差的平均值； 所述绝对误差的平均值为：
[0027][0028]其中，MAE为绝对误差的平均值；m为预测次日燃气量的天数和；y
i
为第i 天实际燃气量；为第i天预测燃气量。
[0029]进一步地，所述时间序列数据为：
[0030]x1＝[x
t
‑
T+1
,x
t
‑
T+2
,...,x
t
]T
[0031]其中，x1为时间序列数据；t为任意时刻；T为滑动窗口；
[0032]x2＝[Q
max
(s),Q
min
(s),I(s),i(s)][0033]其中，x2为非时间序列数据；Q
max
(s)为预测当日的最高温度；Q
min
(s)为 预测当日的最低温度；I(s)为工作日指示函数，若预测当日为工作日，则I(s)为 1；i(s)为非工作日指示函数，若预测当日为非工作日，则i(s)为0。
[0034]在本专利技术的第二方面，提供了一种基于TCN
‑
BIGRU的燃气负荷预测装 置。该装置包括：
[0035]获取模块，用于获取历史特征数据；
[0036]预处理模块，用于对所述历史特征数据进行筛选，并对筛选到的历史特 征数据进行预处理，将预处理后的历史特征数据作为训练数据；
[0037]模型训练模块，用于构建TCN
‑
BIGRU模型，将所述训练数据输入所述 TCN
‑
BIGRU模型，对所述TCN
‑
BIGRU模型进行训练，将训练后的 TCN
‑
BIGRU模型作为燃气负荷预测模型，对次日的燃气负荷进行预测。
[0038]在本专利技术的第三方面，提供了一种电子设备。该电子设备至少一个处理 器；以及与所述至少一个处理器通信连接的存储器；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TCN
‑
BIGRU的燃气负荷预测方法，其特征在于，包括：获取历史特征数据；对所述历史特征数据进行筛选，并对筛选到的历史特征数据进行预处理，将预处理后的历史特征数据作为训练数据；构建TCN
‑
BIGRU模型，将所述训练数据输入所述TCN
‑
BIGRU模型，对所述TCN
‑
BIGRU模型进行训练，将训练后的TCN
‑
BIGRU模型作为燃气负荷预测模型，对次日的燃气负荷进行预测。2.根据权利要求1所述的方法，其特征在于，所述历史特征数据包括时间序列数据和非时间序列数据；其中，时间序列数据为历史数据中的日负荷总量数据；非时间序列数据为历史数据当天对应的节假日数据和天气数据。3.根据权利要求2所述的方法，其特征在于，所述对所述历史特征数据进行筛选，包括：筛选出皮尔森相关系数大于阈值的历史特征数据；其中，所述皮尔森相关系数为：其中，p
X,Y
为皮尔森相关系数；X为历史数据当天的天气数据；Y为历史数据中的日负荷总量；E(.)表示期望。4.根据权利要求2所述的方法，其特征在于，所述对筛选到的历史特征数据进行预处理，包括：对于历史数据中的日负荷总量数据，将数据进行归一化处理；对于历史数据当天对应的节假日数据，进行独热编码；对于天气数据中的最高温度数据和最低温度数据进行正态标准化。5.根据权利要求1所述的方法，其特征在于，所述TCN
‑
BIGRU模型，包括依次设置的输入层、一维卷积层、因果膨胀卷积层、BIGRU层和输出层；所述输入层，用于通过设置滑动窗口，对时间序列数据进行过滤，将过滤后的时间序列数据输出到所述一维卷积层；所述一维卷积层，用于提取过滤后的时间序列数据的局部趋势特征，输出到所述因果膨胀卷积层；所述因果膨胀卷积层，用于提取特征中的隐藏信息和长期时间关系，输出到所述BIGRU层；所述BIGRU层，使用前向和反向的两个GRU网络结构对所述因果膨胀卷积层的输出向量进行学习，得到双向的时序特征，并与非时序特征合并，输入到所述输出层；所述输出层，选用全连接层，用于根据时序特征与非时序特征的合并结果，输出次日的燃气负荷预测值。6.根据权利要求5所述的方法，其特征在于，定义所述TCN<...

【专利技术属性】
技术研发人员：袁烨，承灿赟，金骏阳，朱大令，张永，李泽明，童剑峰，
申请(专利权)人：无锡华润燃气有限公司，
类型：发明
国别省市：