【技术实现步骤摘要】
本专利技术涉及深度学习，具体为一种基于大数据平台和神经网络的气量负荷预测系统。
技术介绍
1、城市燃气企业上游签署的天然气购销合同中对于年合同量及各月度合同量有具体的计划用量要求，若实际用气量与合同计划量产生偏差，超量购买的偏差值会产生相应的罚款。当冬供期间计划气量不足时，额外采购燃气成本过高，且部分地区用气高峰出现供气短缺现象，工业、商业乃至居民用户面临燃气减供甚至停气的问题。传统的燃气表采用预付费或者人工抄表的数据无法细致到用户每日甚至每月用气数据。使用nb智能远传燃气表的用户覆盖率尚不足，导致民用用户燃气负荷难以准确定量。
2、城市燃气企业依据用气负荷采购计划，有气量负荷长期预测的需求。同时管网日常调度运营需要中短期比如月或天级气量预测值，协助调度中心有序调度气源、合理安排运营计划。
3、在一线城市燃气企业精准采集流量计设备较完善的情况下，可基于物联网智能采集技术获取准确的日用气数据预测全量的日用气量。但在用气量统计设备(比如区域流量计和智能远传采集表具)没有完全普及的情况，统一全量用户用气量预测难以达到预期的精准度，且难以实现业务的使用目标。
4、因此，本专利技术提供一种基于大数据平台和神经网络的气量负荷预测系统，用于解决上述所提出的相关技术问题。
技术实现思路
1、本专利技术的目的在于提供一种基于大数据平台和神经网络的气量负荷预测系统，本专利技术所提供的基于大数据平台和神经网络的气量负荷预测系统，可以精准预测气量负荷，辅助城燃企业调度中
2、为实现上述目的，本专利技术提供如下技术方案：
3、本专利技术提供了一种基于大数据平台和神经网络的气量负荷预测系统，所述气量负荷预测系统的构建方法，包括以下步骤：
4、s1、获取数据源：采集所需的数据；
5、s2、数据清洗：根据获取的数据，进行数据分析和清洗，并根据数据中的每个字段生成一系列指标；
6、s3、数据整合：将经过数据清洗处理后的数据进行整合；
7、s4、特征工程：基于接入的各系统数据和公共外部气象数据、人口数据，建立360度用气标签体系，再根据360度用气标签体系来模拟历史、未来气象和季节性变化；
8、s5、确定预测目标：根据采暖和非采暖期用气的不同特征，将预测目标分为两个时段：采暖期和非采暖期；并基于为满足业务长、中、短期预测的需求，进行年、月、日天然气用气量预测；
9、s6、模拟用户增长：通过分析历史数据中新增用户的用气量规律，来预测模拟用户的增长情况，并基于历史的用户增长特点，采用回归的算法模拟增长曲线，了解当前用户的用气规律；
10、s7、用气量预测：根据项目需求和数据特征，在深度学习算法中选择合适的模型结构，其中，使用lstm模型和fedformer模型进行中短期时间序列预测，使用prophet模型进行长期时间序列预测；
11、s8、模型效果评估：根据历史数据，将预测结果与实际结果进行对比，计算mape值、rmse值、r^2指标，评估模型性能；
12、s9、因子分析：构建多个决策树模型来评估特征的重要性，根据评估结果来选择重要的特征，探究影响气量的相关性因素；
13、s10、人工修正：基于模型的时间序列预测值，结合参数变化和经验，加入调节值，人工根据修偏因子修正气量，系统记录调节数据，提炼专家调节模式和原因，作为模型进一步迭代的输入，逐步提升模型精准度。
14、本专利技术进一步的设置为：在所述步骤s1中，所述数据包括气象数据、民用nb表历史采集数据、各用户历史用气数据、季节性数据、居民数量数据及高中压scada系统数据。
15、本专利技术进一步的设置为：所述气象数据包括历史气象数据、实况和未来的天气预报数据。
16、本专利技术进一步的设置为：在所述步骤s2中，所述指标包括总数量、最大值、最小值、中位数、均值、标准差、方差、唯一值数量、缺失值数量和分布直方图。
17、本专利技术进一步的设置为：在所述步骤s3中，所述数据整合包括将不同数据源中的指标数据通过某几个关键字段关联，形成维度更全的数据，以及通过数据整合，检测每个系统数据的耦合性，为特征工程提供数据支持。
18、本专利技术进一步的设置为：在所述步骤s4中，所述建立360度用气标签体系的过程为：
19、对气象数据进行细分和分类，获得多个相关的气象特征；
20、选取季节性和日期标签；
21、建立用户行为习惯标签，根据天然气ic用户的充值缴费习惯，采用rfm客户价值分析模型，建立用户用气时间、金额、频次、充值间隔方面的指标；
22、根据nb智能燃气表用户实时表具采集数据进行用气量统计分析，建立用气量同比、环比、用气高峰、用气低峰、采暖时长、采暖活跃时长等用气标签。
23、本专利技术进一步的设置为：在所述步骤s7中，还包括通过计算训练集上的mape损失，不断调整模型的权重和偏差，以最小化损失函数，直到损失不再降低时停止训练，输出预测结果，将预测结果和相关数据保。
24、与现有技术相比，本专利技术的有益效果是：
25、(1)本专利技术使用lstm和fedformer模型进行中短期时间序列预测，prophet模型进行长期时间序列预测，所用算法由于其内在的注意力机制，可以高效捕捉时间序列中的相关性和长期依赖关系，在处理多变量时间序列数据时具有更好的预测效果。
26、(2)本专利技术基于大数据平台，采用成熟且契合业务场景的技术，使用seatunnel工具进行数据采集，在实施过程中实现“多场景多模型”，“用气精准化管理”，建立了360度用气标签体系，结合宏观外部因子和微观因子，能够预测不同时间尺度、不同用户类型的天然气用气量，为燃气调峰，管网运营和气源管理提供数据支持和辅助决策。
27、(3)本专利技术模型预测结果提供气源采买和日常气量运营的辅助决策，业务人员参与纠正，并沉淀纠偏行为因子，实现人机交互的反馈机制，形成了从源数据-模型-反馈-优化的闭环。这一机制不仅能够持续改进和优化系统，更能确保系统的准确性和可靠性，以更好地服务于实际需求。
本文档来自技高网...【技术保护点】
1.一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于，所述气量负荷预测系统的构建方法，包括以下步骤：
2.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤S1中，所述数据包括气象数据、民用NB表历史采集数据、各用户历史用气数据、季节性数据、居民数量数据及高中压SCADA系统数据。
3.根据权利要求2中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：所述气象数据包括历史气象数据、实况和未来的天气预报数据。
4.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤S2中，所述指标包括总数量、最大值、最小值、中位数、均值、标准差、方差、唯一值数量、缺失值数量和分布直方图。
5.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤S3中，所述数据整合包括将不同数据源中的指标数据通过某几个关键字段关联，形成维度更全的数据，以及通过数据整合，检测每个系统数据的耦合性，为特征工程提供数据支持。p>
6.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤S4中，所述建立360度用气标签体系的过程为：
7.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤S7中，还包括通过计算训练集上的MAPE损失，不断调整模型的权重和偏差，以最小化损失函数，直到损失不再降低时停止训练，输出预测结果，将预测结果和相关数据保存。
...【技术特征摘要】
1.一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于，所述气量负荷预测系统的构建方法，包括以下步骤：
2.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤s1中，所述数据包括气象数据、民用nb表历史采集数据、各用户历史用气数据、季节性数据、居民数量数据及高中压scada系统数据。
3.根据权利要求2中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：所述气象数据包括历史气象数据、实况和未来的天气预报数据。
4.根据权利要求1中所述的一种基于大数据平台和神经网络的气量负荷预测系统，其特征在于：在所述步骤s2中，所述指标包括总数量、最大值、最小值、中位数、均值、标准差、方差、唯一值数量、缺失值数量和...
【专利技术属性】
技术研发人员：李叶林，唐朝，
申请(专利权)人：武汉城市数字科技有限公司，
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。