【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 ...
【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:
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。