一种基于长短期时间序列网络的燃气负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于长短期时间序列网络的燃气负荷预测方法、装置及存储介质，方法包括：基于预设时间段内的原始燃气负荷序列，构建输入特征集合；根据递归特征消除算法，从输入特征集合中筛选出对燃气负荷预测具有突出贡献的核心特征，得到核心特征集合；对原始燃气负荷序列进行分解，得到燃气负荷分量集合；根据核心特征集合、燃气负荷分量集合构建样本数据集，将样本数据集和原始燃气负荷序列输入至训练好的长短期时间序列网络模型进行预测，输出未来一段时间的燃气负荷预测结果。本发明专利技术通过不同的预处理方式对原始燃气负荷序列进行处理，获得可靠的样本数据集，利用训练好的LSTNet模型进行预测，能够得到精度较高且稳定的预测结果。且稳定的预测结果。且稳定的预测结果。

【技术实现步骤摘要】
一种基于长短期时间序列网络的燃气负荷预测方法及装置


[0001]本专利技术涉及燃气预测
，尤其涉及一种基于长短期时间序列网络的燃气负荷预测方法及装置、存储介质。

技术介绍

[0002]燃气负荷预测对燃气系统的生产调度和安全评估具有指导性的作用，准确预测燃气负荷，有利于提高燃气系统的效率。由于原始燃气负荷具有周期性、趋势性的特点，并且受到天气、季节、异常的用户用气行为等影响，导致原始燃气负荷数据比较复杂且包含很多冗余数据，对预测结果的稳定性和可靠性造成影响。
[0003]常用的燃气负荷预测方法，主要利用神经网络模型、时间序列模型等单模型方法进行预测，预测过程中容易出现非线性不平稳问题；另外，这些模型在处理具有周期性和季节性变化特点的燃气负荷数据时，拟合性较差，无法保证预测结果的准确性。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种基于长短期时间序列网络的燃气负荷预测方法及装置、存储介质，在提升燃气负荷预测精度的同时，具备良好的稳定性和可靠性。
[0005]具体的，本专利技术的技术方案如下：
[0006]一方面，本专利技术提供一种基于长短期时间序列网络的燃气负荷预测方法，包括：
[0007]基于预设时间段内的原始燃气负荷序列，构建输入特征集合；所述原始燃气负荷序列包括不同用户在不同时刻的燃气用气量；
[0008]根据递归特征消除算法，从所述输入特征集合中筛选出对燃气负荷预测具有突出贡献的核心特征，得到核心特征集合；
[0009]对所述原始燃气负荷序列进行分解，得到燃气负荷分量集合；
[0010]根据所述核心特征集合、所述燃气负荷分量集合构建样本数据集，将所述样本数据集和所述原始燃气负荷序列输入至训练好的长短期时间序列网络模型进行预测，输出未来一段时间的燃气负荷预测结果。
[0011]在一些实施方式中，所述的根据递归特征消除算法，从所述输入特征集合中筛选出对燃气负荷预测具有突出贡献的核心特征，得到核心特征集合，包括：
[0012]根据预设的评估函数，计算每一输入特征在所有所述输入特征集中的相对重要性；
[0013]对每一输入特征进行重要性赋值，得到各个输入特征的初始特征权重；
[0014]根据所述相对重要性，更新所述初始特征权重；并对更新后的所述初始特征权重进行排序；
[0015]根据排序结果，将更新后所述初始特征权重最低的输入特征从所述输入特征集合中筛除；
[0016]重新计算所述相对重要性，直到所述输入特征集合中的特征数量达到预设值，输
出所述核心特征集合。
[0017]在一些实施方式中，所述的对所述原始燃气负荷序列进行分解，得到燃气负荷分量集合，包括：
[0018]采用集合经验模态分解算法，对所述原始燃气负荷序列进行分解，得到对应的目标IMF分量集合和目标残差分量；
[0019]采用小波阈值去噪算法对所述目标IMF分量集合进行去噪处理；
[0020]利用皮尔逊相关系数，计算去噪后的所述目标IMF分量集合中各IMF分量之间的相关性；
[0021]将相关性满足预设值的所述IMF分量进行叠加；根据叠加后的所述IMF分量和所述目标残差分量，得到所述燃气负荷分量集合。
[0022]在一些实施方式中，所述的采用集合经验模态分解算法，对所述原始燃气负荷序列进行分解，得到对应的目标IMF分量集合和目标残差分量，包括：
[0023]多次在所述原始燃气负荷序列中加入一组服从正态分布的高斯白噪声信号，得到多个复合燃气负荷序列；
[0024]采用经验模态算法，分别对多个所述复合燃气负荷序列进行分解，得到每一所述复合燃气负荷序列对应的IMF分量集合和残差分量；
[0025]对所有所述复合燃气负荷序列对应的IMF分量集合和残差分量进行平均运算，得到所述目标IMF分量集合和所述目标残差分量。
[0026]在一些实施方式中，所述长短期时间序列网络模型包括卷积层、LSTM层、自回归层，所述的根据所述核心特征集合、所述燃气负荷分量集合构建样本数据集，将所述样本数据集和所述原始燃气负荷序列输入至训练好的长短期时间序列网络模型进行预测，输出未来一段时间的燃气负荷预测结果，包括：
[0027]所述卷积层分别对所述核心特征集合和所述燃气负荷分量集合进行特征提取；
[0028]所述LSTM层根据特征提取结果，输出所述核心特征集合对应的第一负荷预测结果、所述燃气负荷分量集合对应的第二负荷预测结果；
[0029]所述原始燃气负荷序列输入所述自回归层，输出第三负荷预测结果；
[0030]将所述第一负荷预测结果、所述第二负荷预测结果和所述第三负荷预测结果叠加，生成并输出所述燃气负荷预测结果。
[0031]另一方面，本专利技术提供一种基于长短期时间序列网络的燃气负荷预测装置，包括：
[0032]构建模块，用于基于预设时间段内的原始燃气负荷序列，构建输入特征集合；所述原始燃气负荷序列包括不同用户在不同时刻的燃气用气量；
[0033]筛选模块，用于根据递归特征消除算法，从所述输入特征集合中筛选出对燃气负荷预测具有突出贡献的核心特征，得到核心特征集合；
[0034]分解模块，用于对所述原始燃气负荷序列进行分解，得到燃气负荷分量集合；
[0035]预测模块，用于根据所述核心特征集合、所述燃气负荷分量集合构建样本数据集，将所述样本数据集和所述原始燃气负荷序列输入至训练好的长短期时间序列网络模型进行预测，输出未来一段时间的燃气负荷预测结果。
[0036]在一些实施方式中，所述筛选模块，包括：
[0037]相对重要性计算单元，用于根据预设的评估函数，计算每一输入特征在所有所述
输入特征集中的相对重要性；
[0038]赋值单元，用于对每一输入特征进行重要性赋值，得到各个输入特征的初始特征权重；
[0039]更新单元，用于根据所述相对重要性，更新所述初始特征权重；并对更新后的所述初始特征权重进行排序；
[0040]筛选单元，用于根据排序结果，将更新后所述初始特征权重最低的输入特征从所述输入特征集合中筛除；
[0041]所述相对重要性计算单元，还用于重新计算所述相对重要性，直到所述输入特征集合中的特征数量达到预设值，输出所述核心特征集合。
[0042]在一些实施方式中，所述分解模块，包括：
[0043]分解单元，用于采用集合经验模态分解算法，对所述原始燃气负荷序列进行分解，得到对应的目标IMF分量集合和目标残差分量；
[0044]去噪单元，用于采用小波阈值去噪算法对所述目标IMF分量集合进行去噪处理；
[0045]相关性计算单元，用于利用皮尔逊相关系数，计算去噪后的所述目标IMF分量集合中各IMF分量之间的相关性；
[0046]分量叠加单元，用于将相关性满足预设值的所述IMF分量进行叠加；根据叠加后的所述IMF分量和所述目标残差分量，得到所述燃气本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期时间序列网络的燃气负荷预测方法，其特征在于，包括：基于预设时间段内的原始燃气负荷序列，构建输入特征集合；所述原始燃气负荷序列包括不同用户在不同时刻的燃气用气量；根据递归特征消除算法，从所述输入特征集合中筛选出对燃气负荷预测具有突出贡献的核心特征，得到核心特征集合；对所述原始燃气负荷序列进行分解，得到燃气负荷分量集合；根据所述核心特征集合、所述燃气负荷分量集合构建样本数据集，将所述样本数据集和所述原始燃气负荷序列输入至训练好的长短期时间序列网络模型进行预测，输出未来一段时间的燃气负荷预测结果。2.根据权利要求1所述的一种基于长短期时间序列网络的燃气负荷预测方法，其特征在于，所述的根据递归特征消除算法，从所述输入特征集合中筛选出对燃气负荷预测具有突出贡献的核心特征，得到核心特征集合，包括：根据预设的评估函数，计算每一输入特征在所有所述输入特征集中的相对重要性；对每一输入特征进行重要性赋值，得到各个输入特征的初始特征权重；根据所述相对重要性，更新所述初始特征权重；并对更新后的所述初始特征权重进行排序；根据排序结果，将更新后所述初始特征权重最低的输入特征从所述输入特征集合中筛除；重新计算所述相对重要性，直到所述输入特征集合中的特征数量达到预设值，输出所述核心特征集合。3.根据权利要求1所述的一种基于长短期时间序列网络的燃气负荷预测方法，其特征在于，所述的对所述原始燃气负荷序列进行分解，得到燃气负荷分量集合，包括：采用集合经验模态分解算法，对所述原始燃气负荷序列进行分解，得到对应的目标IMF分量集合和目标残差分量；采用小波阈值去噪算法对所述目标IMF分量集合进行去噪处理；利用皮尔逊相关系数，计算去噪后的所述目标IMF分量集合中各IMF分量之间的相关性；将相关性满足预设值的所述IMF分量进行叠加；根据叠加后的所述IMF分量和所述目标残差分量，得到所述燃气负荷分量集合。4.根据权利要求3所述的一种基于长短期时间序列网络的燃气负荷预测方法，其特征在于，所述的采用集合经验模态分解算法，对所述原始燃气负荷序列进行分解，得到对应的目标IMF分量集合和目标残差分量，包括：多次在所述原始燃气负荷序列中加入一组服从正态分布的高斯白噪声信号，得到多个复合燃气负荷序列；采用经验模态算法，分别对多个所述复合燃气负荷序列进行分解，得到每一所述复合燃气负荷序列对应的IMF分量集合和残差分量；对所有所述复合燃气负荷序列对应的IMF分量集合和残差分量进行平均运算，得到所述目标IMF分量集合和所述目标残差分量。5.根据权利要求1
‑
4任一所述的一种基于长短期时间序列网络的燃气负荷预测方法，
其特征在于，所述长短期时间序列网络模型包括卷积层、LSTM层、自回归层，所述的根据所述核心特征集合、所述燃气负荷分量集合构建样本数据集，将所述样本数据集和所述原始燃气负荷序列输入至训练好的长短期时间序列网络模型进行预测，输出未来一段时间的燃气负荷预测结果，包括：所述卷积层分别对所述核心特征集合和所述燃气负荷分量集合进行特征提取；所述LSTM层根据特征提取结果，输出所述核心特征集合对应的第一负...

【专利技术属性】
技术研发人员：陈乐，韩颖，王超群，邹全，沈浩，邰兴雨，王丹，
申请(专利权)人：上海航天能源股份有限公司，
类型：发明
国别省市：