基于季节趋势分解和混合神经网络的负荷预测方法及系统技术方案

本发明专利技术提供一种基于季节趋势分解和混合神经网络的负荷预测方法及系统，涉及燃气负荷预测技术领域，该方法包括：获取目标地区的当前燃气特征数据；当前燃气特征数据包括时间序列特征数据和非时间序列特征数据；将时间序列特征数据输入至预测模型中的时间序列分解模型，对时间序列特征数据进行季节趋势分解，根据分解结果，获取时间序列特征数据的季节分量、趋势分量和残差分量；将残差分量输入至预测模型中混合神经网络的特征提取单元，获取残差特征向量；将残差特征向量、季节分量、趋势分量以及非时间序列特征数据输入至混合神经网络的预测单元，获取目标地区的当前燃气负荷预测值，本发明专利技术实现精准地进行燃气负荷预测。本发明专利技术实现精准地进行燃气负荷预测。本发明专利技术实现精准地进行燃气负荷预测。

【技术实现步骤摘要】
基于季节趋势分解和混合神经网络的负荷预测方法及系统


[0001]本专利技术涉及燃气负荷预测
，尤其涉及一种基于季节趋势分解和混合神经网络的负荷预测方法及系统。

技术介绍

[0002]自低碳能源改革以来，天然气逐渐受到全世界的关注，其消耗量也在迅速增加，但短期内不可能立即增加天然气需求。一旦需求预测出现偏差，就很难及时进行匹配，从而导致供需严重失衡。因此，精准的燃气负荷预测结果可以辅助提高城市天然气供应系统的运行效率，并指导调度计划的制定。此外，它还可以表征城市燃气的使用水平，以供城市天然气供应系统根据城市燃气的使用水平设置合理的天然气储量，并制定建设天然气储存设施的计划。
[0003]现有技术中，有相关学者，提出多种天然气负荷预测方法，主要包括基于模型的传统参数预测方法，如最小二乘算法拟合回归模型、灰色系统、随机滤波和自回归滑动平等均已用于燃气负荷预测。但是这些基于模型的传统参数预测方法，仅能针对捕捉稳定的时间序列数据的线性关系。
[0004]而在实际场景中，燃气负荷序列数据具有复杂多变性，大多为不稳定的非线性时间序列数据。若采用上述基于模型的传统参数预测方法，则无法精准地对燃气负荷进行预测。

技术实现思路

[0005]本专利技术提供一种基于季节趋势分解和混合神经网络的负荷预测方法及系统，用以解决现有技术中基于模型的传统参数预测方法，燃气负荷的预测精度低的缺陷，实现提高燃气负荷的预测精度。
[0006]本专利技术提供一种基于季节趋势分解和混合神经网络的负荷预测方法，包括：
[0007]获取目标地区的当前燃气特征数据；所述当前燃气特征数据包括时间序列特征数据和非时间序列特征数据；
[0008]将所述时间序列特征数据输入至预测模型中的时间序列分解模型，对所述时间序列特征数据进行季节趋势分解，根据分解结果，获取所述时间序列特征数据的季节分量、趋势分量和残差分量；
[0009]将所述残差分量输入至所述预测模型中混合神经网络的特征提取单元，获取残差特征向量；
[0010]将所述残差特征向量、所述季节分量、所述趋势分量以及所述非时间序列特征数据输入至所述混合神经网络的预测单元，获取所述目标地区的当前燃气负荷预测值；
[0011]其中，所述预测模型是基于样本地区的历史燃气特征数据，以及所述样本地区的历史燃气负荷实际值进行训练得到的。
[0012]根据本专利技术提供的一种基于季节趋势分解和混合神经网络的负荷预测方法，所述
混合神经网络的特征提取单元包括一维卷积层、门控循环单元层、自回归层和特征融合层；
[0013]所述将所述残差分量输入至所述预测模型中混合神经网络的特征提取单元，获取残差特征向量，包括：
[0014]将所述残差分量输入至所述一维卷积层，获取所述残差分量的第一特征向量；
[0015]将所述第一特征向量输入至所述门控循环单元层，获取所述残差分量的第二特征向量；
[0016]将所述残差分量输入至所述自回归层，获取所述残差分量的第三特征向量；
[0017]将所述第二特征向量和所述第三特征向量输入至所述特征融合层，获取所述残差特征向量。
[0018]根据本专利技术提供的一种基于季节趋势分解和混合神经网络的负荷预测方法，所述门控循环单元层包括第一门控循环单元子层和第二门控循环单元子层；所述第一门控循环单元子层是基于注意力机制和双向门控循环单元联合构建的；所述第二门控循环单元子层是基于扩张门控循环单元构建的；
[0019]所述将所述第一特征向量输入至所述门控循环单元层，获取所述残差分量的第二特征向量，包括：
[0020]将所述第一特征向量分别输入至所述第一门控循环单元子层和所述第二门控循环单元子层，根据所述第一门控循环单元子层的输出结果和所述第二门控循环单元子层的输出结果，获取所述第二特征向量。
[0021]根据本专利技术提供的一种基于季节趋势分解和混合神经网络的负荷预测方法，所述一维卷积层的激活函数和所述门控循环单元层的激活函数是基于随机修正线性单元函数构建的。
[0022]根据本专利技术提供的一种基于季节趋势分解和混合神经网络的负荷预测方法，所述将所述时间序列特征数据输入至预测模型中的时间序列分解模型，对所述时间序列特征数据进行季节趋势分解，根据分解结果，获取所述时间序列特征数据的季节分量、趋势分量和残差分量，包括：
[0023]将所述时间序列特征数据输入至所述时间序列分解模型，获取所述季节分量、所述时间序列特征数据的初始趋势分量和初始残差分量；
[0024]基于最小二乘法，对所述初始趋势分量进行拟合；
[0025]根据拟合结果，对所述初始趋势分量进行更新，得到所述趋势分量；
[0026]根据更新结果，对所述初始残差分量进行更新，得到所述残差分量。
[0027]根据本专利技术提供的一种基于季节趋势分解和混合神经网络的负荷预测方法，所述获取目标地区的当前燃气特征数据，包括：
[0028]获取所述目标地区的多组历史日负荷总量数据、当前气象数据和当前周期对应的节假日数据；
[0029]基于所述多组历史日负荷总量数据，构建所述时间序列特征数据；
[0030]基于皮尔逊相关系数，计算样本地区的历史燃气特征数据中的历史气象数据与历史燃气负荷实际值之间的相关系数；
[0031]在所述历史气象数据中，确定所述相关系数大于预设阈值的目标气象数据；
[0032]在所述当前气象数据中，筛选出所述目标气象数据对应的目标特征数据；
[0033]基于所述目标特征数据和所述节假日数据，获取所述非时间序列特征数据。
[0034]根据本专利技术提供的一种基于季节趋势分解和混合神经网络的负荷预测方法，在所述将所述时间序列特征数据输入至预测模型中的时间序列分解模型之前，所述方法还包括：
[0035]对所述当前燃气特征数据进行预处理；
[0036]所述预处理包括，对所述时间序列特征数据进行归一化处理，对所述目标特征数据进行标准化处理，以及对所述节假日数据进行独热编码处理。
[0037]本专利技术还提供一种基于季节趋势分解和混合神经网络的负荷预测系统，包括：
[0038]数据采集模块，用于获取目标地区的当前燃气特征数据；所述当前燃气特征数据包括时间序列特征数据和非时间序列特征数据；
[0039]趋势分解模块，用于将所述时间序列特征数据输入至预测模型中的时间序列分解模型，对所述时间序列特征数据进行季节趋势分解，根据分解结果，获取所述时间序列特征数据的季节分量、趋势分量和残差分量；
[0040]特征提取模块，用于将所述残差分量输入至所述预测模型中混合神经网络的特征提取单元，获取残差特征向量；
[0041]预测模块，用于将所述残差特征向量、所述季节分量、所述趋势分量以及所述非时间序列特征数据输入至所述混合神经网络的预测单元，获取所述目标地区的当前燃气负荷预测值；
[0042]其中，所述预测模型是基于样本地区的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于季节趋势分解和混合神经网络的负荷预测方法，其特征在于，包括：获取目标地区的当前燃气特征数据；所述当前燃气特征数据包括时间序列特征数据和非时间序列特征数据；将所述时间序列特征数据输入至预测模型中的时间序列分解模型，对所述时间序列特征数据进行季节趋势分解，根据分解结果，获取所述时间序列特征数据的季节分量、趋势分量和残差分量；将所述残差分量输入至所述预测模型中混合神经网络的特征提取单元，获取残差特征向量；将所述残差特征向量、所述季节分量、所述趋势分量以及所述非时间序列特征数据输入至所述混合神经网络的预测单元，获取所述目标地区的当前燃气负荷预测值；其中，所述预测模型是基于样本地区的历史燃气特征数据，以及所述样本地区的历史燃气负荷实际值进行训练得到的。2.根据权利要求1所述的基于季节趋势分解和混合神经网络的负荷预测方法，其特征在于，所述混合神经网络的特征提取单元包括一维卷积层、门控循环单元层、自回归层和特征融合层；所述将所述残差分量输入至所述预测模型中混合神经网络的特征提取单元，获取残差特征向量，包括：将所述残差分量输入至所述一维卷积层，获取所述残差分量的第一特征向量；将所述第一特征向量输入至所述门控循环单元层，获取所述残差分量的第二特征向量；将所述残差分量输入至所述自回归层，获取所述残差分量的第三特征向量；将所述第二特征向量和所述第三特征向量输入至所述特征融合层，获取所述残差特征向量。3.根据权利要求2所述的基于季节趋势分解和混合神经网络的负荷预测方法，其特征在于，所述门控循环单元层包括第一门控循环单元子层和第二门控循环单元子层；所述第一门控循环单元子层是基于注意力机制和双向门控循环单元联合构建的；所述第二门控循环单元子层是基于扩张门控循环单元构建的；所述将所述第一特征向量输入至所述门控循环单元层，获取所述残差分量的第二特征向量，包括：将所述第一特征向量分别输入至所述第一门控循环单元子层和所述第二门控循环单元子层，根据所述第一门控循环单元子层的输出结果和所述第二门控循环单元子层的输出结果，获取所述第二特征向量。4.根据权利要求2所述的基于季节趋势分解和混合神经网络的负荷预测方法，其特征在于，所述一维卷积层的激活函数和所述门控循环单元层的激活函数是基于随机修正线性单元函数构建的。5.根据权利要求1
‑
4任一所述的基于季节趋势分解和混合神经网络的负荷预测方法，其特征在于，所述将所述时间序列特征数据输入至预测模型中的时间序列分解模型，对所述时间序列特征数据进行季节趋势分解，根据分解结果，获取所述时间序列特征数据的季节分量、趋势分量和残差分量，包括：
将所述时间序列特征数据输入至所述时间序列分解模型，获取所述...

【专利技术属性】
技术研发人员：袁烨，张永，童剑峰，金骏阳，张珺峰，
申请(专利权)人：元始智能科技南通有限公司，
类型：发明
国别省市：