【技术实现步骤摘要】
本申请涉及能源预测，具体地涉及一种天然气需求量预测模型训练方法及天然气需求量预测方法。
技术介绍
1、在当前发展低碳经济正在成为全球共识的背景下，优化以煤炭为主的能源结构，实现对煤炭的低碳能源替代至关重要。天然气因其储量丰富、用途广泛及环保低碳的属性受到全球各国的普遍重视，成为全球增长最快的主要能源之一。随着天然气需求的增长，为确保天然气安全供给，需要对天然气需求量进行预测，以便相关调度人员进行调度。因此目前需要一种用于天然气量需求预测的方法，来解决这一问题。针对天然气需求量预测，从目前研究成果的公布情况看，主要是基于两种方法：传统的统计预测方法和机器学习方法。传统的统计预测模具有建模过程简单和计算效率高的优势，然而这类模型对数据有着线性结构的要求，处理非线性时间序列的效用较差，由于在实际应用中时间序列往往是非线性和非平稳的，因此该类模型在应用过程中具有一定的局限性，且对原始数据的处理不够充分。机器学习方法具有广泛的适用性，在处理非线性时间序列方面展示出强大的拟合能力，但机器学习方法对训练样本的数据量有严格的要求，模型参数设定也较为困难...
【技术保护点】
1.一种天然气需求量预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述天然气需求量预测模型训练方法，其特征在于，所述基于预设初始层数确定用于变分模态分解的目标分解层数，包括：
3.根据权利要求2所述天然气需求量预测模型训练方法，其特征在于，所述基于各个所述中心频率确定目标分解层数，包括：
4.根据权利要求1所述天然气需求量预测模型训练方法，其特征在于，所述基于数据分解后得到的分解数据构建数据集，并利用所述数据集对预设预测模型进行训练，以得到天然气需求量预测模型，包括：
5.根据权利要求1所述天然气需求量预测模型...
【技术特征摘要】
1.一种天然气需求量预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述天然气需求量预测模型训练方法，其特征在于，所述基于预设初始层数确定用于变分模态分解的目标分解层数，包括：
3.根据权利要求2所述天然气需求量预测模型训练方法，其特征在于，所述基于各个所述中心频率确定目标分解层数，包括：
4.根据权利要求1所述天然气需求量预测模型训练方法，其特征在于，所述基于数据分解后得到的分解数据构建数据集，并利用所述数据集对预设预测模型进行训练，以得到天然气需求量预测模型，包括：
5.根据权利要求1所述天然气需求量预测模型训练方法，其特征在于，所述预设预测模型包括依次连接的子学习器和结合模块，其中，所述子学习器包括以并联的方式连接的tcn模型、autoencoder...
【专利技术属性】
技术研发人员：苏怀，焦丁禹，何宇轩，向旗，
申请(专利权)人：中国石油大学北京，
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。