基于Prophet-BIGRU的燃气日负荷预测方法技术

本发明专利技术的实施例提供了一种基于Prophet

【技术实现步骤摘要】
基于Prophet
‑
BIGRU的燃气日负荷预测方法


[0001]本专利技术涉及利用机器学习技术进行燃气负荷预测的
，具体涉及 基于Prophet
‑
BIGRU的燃气日负荷预测方法。

技术介绍

[0002]随着我国社会经济的不断发展，城市燃气的需求和建设力度不断增加， 保障城市燃气供应成为了一项重大课题。科学、准确的预测燃气负荷成为城 市燃气运营公司面临的一项重要任务，特别是在城市燃气运营公司与上游签 订“照付不议”合同的前提下，准确的负荷预测技术就显得极其重要。城市 燃气负荷受多种因素共同影响，包括气候条件、人口规模、季节变化、节假 日、经济状况和突发事件等。随着近些年计算机科学技术的迅猛发展，人工 智能逐渐和负荷预测领域相结合，燃气负荷预测的算法结构更加复杂，出现 了更加先进的智能算法模型，对人工智能模型进行优化的组合预测模型凭借 其更高的预测精度和稳定性成为了研究的重点。Prophet是一种时间序列预测 模型，整合了建模和评估两大模块，能出色地适应数据的变化趋势和节日效 应，且相较于传统的滑动预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Prophet
‑
BIGRU的燃气日负荷预测方法，其特征在于，包括：获取燃气日负荷历史特征数据；对所述燃气日负荷历史特征数据中的缺失值、异常值和噪声值进行预处理，对处理后的结果进行标准化处理；利用Prophet算法构建燃气日负荷预测模型，对次日负荷进行预测，得到第一预测结果；结合燃气日负荷历史特征数据中的非时序特征进行相关性分析和特征筛选，构建BIGRU网络模型，对次日负荷进行预测，得到第二预测结果；对所述第一预测结果和第二预测结果进行线性重组，得到负荷预测结果。2.根据权利要求1所述的方法，其特征在于，所述燃气日负荷历史特征数据包括时序特征数据和非时序特征数据；其中，时序特征数据为日负荷量数据；非时序特征数据为负荷日的最高温度、最低温度、日期类型、相似日负荷。3.根据权利要求2所述的方法，其特征在于，所述对所述燃气日负荷历史特征数据中的缺失值、异常值和噪声值进行预处理，对处理后的结果进行标准化处理，包括：删除日负荷历史特征数据中的缺失值、数值小于0的异常值和负荷量突变的噪声值；利用Min
‑
Max方法对所述日负荷历史特征数据中的时序特征数据以及所述非时序特征数据中的最高温度、最低温度和相似日负荷进行归一化处理；对所述非时序特征数据中的日期类型进行独热编码。4.根据权利要求1所述的方法，其特征在于，所述Prophet模型为：y(t)＝g(t)+s(t)+h(t)+ε
t
其中，g(t)为趋势项，表示时间序列上的非周期变化；其中，g(t)为趋势项，表示时间序列上的非周期变化；式中，C(t)表示增长的饱和值；k为增长率；m为偏置参数；α(t)是指标函数的向量；s
j
为第j个突变点时间位置；δ是突变点处增长率的变化值；γ为s
j
处的平滑处理偏置量；α(t)
T
是α(t)的转置向量；s(t)为周期项，反映负荷序列的季节性变化趋势；式中，T为周期长度；2n是周期个数；N是傅里叶变换的阶数；a
n
、b
n
是平滑参数；h(t)为节假日项，表示节假日前后一段时间影响的燃气负荷；节假日项模型可表示为：h(t)＝Z(t)κZ(t)＝[1(t∈D1)，1(t∈D2)，
…
1(t∈D
L
)]κ∈Normal(0，θ2)式中，D
i
为第i个节假日影响时间长度，i＝1，2，
…
，L；κ为节假日设定参数；θ为节假日影响力；
ε
t
为误差项，表示随机波动。5.根据权利要求2所述的方法，其特征在于，所述燃气日负荷历史特征数据中的非时序特征进行相关性分析和特征筛选，包括：对非时序特征数据进行相关性分析，筛选出皮尔逊相关系数大于阈值的特征；其中，非时序特征数据表示为：x
n
＝{T
max
，T
min
，W
n
，Q
n
‑1，Q
n
‑2，Q
n
‑3，Q
n
‑7}其中，T
max
为预测第n日的最高温度，T
min
为预测第n日的最低温度，W
n
为预测第n日的日期类型；Q
n
‑1为预测第(n
‑
1)日...

【专利技术属性】
技术研发人员：李泽明，朱大令，戴伟，刘翔，
申请(专利权)人：无锡华润燃气有限公司，
类型：发明
国别省市：