一种基于长短期记忆神经网络的燃气短期负荷预测方法技术

本发明专利技术专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA

【技术实现步骤摘要】
一种基于长短期记忆神经网络的燃气短期负荷预测方法


[0001]本专利技术属于燃气预测
，具体涉及一种燃气短期负荷预测的方法。

技术介绍

[0002]随着低碳概念的提出，碳排放问题更加引人关注和重视，天然气的消耗比例也在不断增加，但目前我国城市燃气管网仍存在供气不平衡的难题，城市燃气负荷预测技术相比于发达国家来说，还有明显的差距，随着近年来“煤改气”政策的实施及城市管网大规模建设，全国各地均出现燃气供应紧张问题。因此，实现城市燃气短期负荷预测对解决天然气供给具有重要意义。从最新的燃气负荷预测文章来看，将已有预测模型同参数优化算法、数据预处理算法等合理结合，是目前最为流行的燃气负荷预测方法，能够有效提高负荷预测的精确度。LSTM网络是RNN网络的特殊形式，它能解决RNN网络梯度消失的问题。ZheYang开发了一种框架，提供了高效模型求解器，并识别了不确定负荷需求预测对地面观测系统的影响，充分展示和讨论了预测不确定性传播以及时间相关性对地面观测的影响。Canjun Li研究的重点是开发和分析一个实时更新的分布式能源系统的操作策略，提出并讨论了利用支持向量回归对分布式能源系统进行滚动负荷预测的方法[7]。Manish Uppal提出一种利用热指数偏置的短期负荷预测策略，该策略将天气的多个参数与社会经济增长、事件、日历变量等因素收敛。Weibiao Qiao开发了小波变换、SAE和LSTM组合模型，结果表明，SAE
‑
LSTM组合模型在预测精度上优于其他人工智能模型，而小波变换在预测精度上优于其他预处理算法(如EMD)Usman提出了一种将平稳小波变换和基于灰狼优化的最小二乘支持向量机(GWO
‑
LSSVM)相结合的改进混合预测方法，实现了光伏电力和负荷需求的日前预测。Musa将支持向量回归SVR模型与HHO算法、PSO算法相结合，形成两种混合SVR算法，即SVR
‑
HHO模型与SVR
‑
PSO模型，其中SVR
‑
HHO模型具有最高的拟合优度和最低的预测误差。Xinqin Xu提出的预测模型不仅提供了准确的小时负荷预测，还提供了定义良好的概率带和在任何概率级别上的负载日长轨迹。燃气负荷预测研究发展近70年，大多是以某一地区为研究对象，在其预测过程中，相关影响因素考虑较少，对于燃气短期负荷预测，更没有完全适用的模型，进而导致负荷变化趋势难以预测，相对误差较大，其适用性难以达到普遍应用。因此，开发适用性更强的短期负荷预测模型迫在眉睫。

技术实现思路

[0003]针对上述问题，本专利技术目的在于提供一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，实现对城市燃气负荷量预测分析，同时为其他类型燃气负荷预测提供一种新思路和方法。
[0004]为达到以上技术目的，本专利技术提供以下技术方案。
[0005]本专利技术通过运用主成分相关分析算法对影响因素进行降维处理后，将其与局部均值分解与小波阈值去噪算法相结合，运用PCCA
‑
LMD
‑
WTD
‑
LSTM组合预测模型进行预测。
[0006]一种基于长短期记忆神经网络的燃气短期负荷预测方法，依次包括以下步骤：1)首先，通过LMD算法处理得到的负荷数据，将信号分解为若干个乘积函数
[0007](PF)之和，这些PF分量的瞬时频率具有一定的物理意义。将所有PF分量的瞬时幅值和瞬时频率进行组合，就可以得到原始信号的完整时频分布。对于任意的非平稳信号X(t)，LMD的计算过程如下：
[0008](1)为了得到信号的连续局部极值到加权平均的距离，需要计算两个连续局部极值n
i
，n
i+1
的平均值m
i
，如式1示：
[0009]m
i
＝(n
i
+n
i+1
)/2
ꢀꢀꢀ
(1)
[0010]另外，给出了两个连续极值的包络估计值a
i
的计算方法，如式2所示：
[0011][0012](2)为了获得一个纯粹的频率调制信号，可以得到一个正的瞬时频率。首先，采用移动平均法平滑包络估计得到局部平均值函数m
11(t)
；然后，将m
11(t)
与原始信号x(t)分离得到残差信号h
11
(t)，如式3所示：
[0013]h
11
(t)＝x(t)
‑
m
11
(t)
ꢀꢀꢀ
(3)
[0014]另外，采用移动平均法平滑包络估计得到包络函数a
11
(t)。
[0015](3)对h
11
(t)借调得到调频信号s
11
(t)，如式4所示：
[0016][0017]判断s
11
(t)是否满足|s
11
(t)|≤1；若不满足，则将s
11
(t)作为一个新的原始信号重复上述步骤，迭代n次，直到s
1q
(t)是纯调频信号结束，具体计算方法如
[0018]式5、式6所示：
[0019][0020]其中，
[0021][0022]当获得包络函数满足a
1q
(t)＝1的信号时，迭代结束。
[0023](4)对应的包络线a1(t)如式7所示，第一个分量PF1(t)通过式8计算得到：
[0024]a1(t)＝a
11
(t)
×
a
12
(t)
×
a
13
(t)
…×
a
1q
(t)
ꢀꢀꢀ
(7)
[0025]PF1(t)＝s
1q
(t)
×
a1(t)
ꢀꢀꢀ
(8)
[0026](5)新的原始信号μ1(t)可以通过将PF1(t)从x(t)分开来获得，如式9所
[0027]示：
[0028]μ1(t)＝x(t)
‑
PF1(t)
ꢀꢀꢀ
(9)
[0029]将μ1(t)作为新的原始信号重复上述步骤，得到相应的PF2(t)和μ2(t)。按照此步骤，迭代n次，直到得到的μ
k
(t)是一个单调函数，结束循环，μ
k
(t)是残差R。
[0030](6)所有PFs和残差之和等于原始信号X(t)，如式10所示：
[0031][0032]该方法可以根据不同的特点将负载分解为多个分量，简化了原始负载的复杂性。信号经过LMD方法处理后，可以得到一组频率由高到低的PFs，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期记忆神经网络的燃气短期负荷预测方法，计算过程如下：对于任意的非平稳信号X(t)，局部均值分解(LMD)的计算过程如下：(1)为了得到信号的连续局部极值到加权平均的距离，需要计算两个连续局部极值n
i
，n
i+1
的平均值m
i
，如式1示：m
i
＝(n
i
+n
i+1
)/2
ꢀꢀꢀꢀꢀꢀꢀ
(1)另外，给出了两个连续极值的包络估计值a
i
的计算方法，如式2所示：(2)为了获得一个纯粹的频率调制信号，可以得到一个正的瞬时频率，首先，采用移动平均法平滑包络估计得到局部平均值函数m
11(t)
；然后，将m
11(t)
与原始信号x(t)分离得到残差信号h
11(t)
，如式3所示：h
11
(t)＝x(t)
‑
m
11
(t)
ꢀꢀꢀꢀꢀꢀꢀ
(3)另外，采用移动平均法平滑包络估计得到包络函数a
11(t)
；(3)对h
11(t)
借调得到调频信号s
11
(t)，如式4所示：判断s
11
(t)是否满足|s
11
(t)|≤1；若不满足，则将s
11
(t)作为一个新的原始信号重复上述步骤，迭代n次，直到s
1q
(t)是纯调频信号结束，具体计算方法如式5、式6所示：其中，当获得包络函数满足a
1q
(t)＝1的信号时，迭代结束；(4)对应的包络线a1(t)如式7所示，第一个分量PF1(t)通过式8计算得到：a1(t)＝a
11
(t)
×
a
12
(t)
×
a
13
(t)
…×
a
1q
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)PF1(t)＝s
1q
(t)
×
a1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)(5)新的原始信号μ1(t)可以通过将PF1(t)从x(t)分开来获得，如式9所示：μ1(t)＝x(t)
‑
PF1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)将μ1(t)作为新的原始信号重复上述步骤，得到相应的PF2(t)和μ2(t)；按照此步骤，迭代n次，直到得到的μ
k
(t)是一个单调函数，结束循环，μ
k
(t)是残差R；(6)所有PFs和残差之和等于原始信号X(t)，如式10所示：
通过LMD算法处理得到的负荷数据，将信号分解为若干个乘积函数(PF)之和，将所有PF分量的瞬时幅值和瞬时频率进行组合，就可以得到原始信号的完整时频分布。2.利用小波阈值去噪(WTD)处理PF1‑
PF
(j)
，原理如式11至式14所示：s
n
＝f
n
+σ
×
e
n
,n＝0,1,
…
,N
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)(11)(11)WTD算法的功能是删除负载数据中由政治、重大事件或设备故障引起的异常值；本文采用折中的硬－软阈值，而不是软阈值或硬阈值，后者会使处理后的信号分别失去某些特征和缺乏平滑度，折中系数a的值介于0和1之间，为了在特定情况下获得高精度，需要通过测试选择适当的a值，在本文中，测试后合适的a为0.5。3.通过主成分相关分析(PCCA)处理影响因素，该算法...

【专利技术属性】
技术研发人员：刘恩斌，徐梓耀，寇博，唐浩，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：