【技术实现步骤摘要】
本申请属于天然气数据信息，特别是涉及智慧城市服务。
技术介绍
1、近两年出现历史罕见的“寒冬”、“极寒”等天气使得天然气的供应出现短缺外、天然气消费量的急剧增长占据着“气荒”现象的主要原因。
2、除了消费量增长之外，“气荒”现象的另一方面原因是：燃气负荷预测准确性和精度不足。既没有提前预测到天然气急剧增长后的供应短缺状况，也没有预测到“煤改气”政策对燃气用量产生的较大影响，国家燃气产业的不断发展，并未得到燃气负荷预测技术相应提升的支持，导致预测结果偏差过大，出现“气荒”现象。
3、因此，对城市天然气负荷进行更加准确的预测，关系到城市天然气管网规划能否更好地适应新型能源结构、用户结构和居民生活方式等问题，城市天然气负荷预测在天然气的调度、控制和运行中都发挥了非常重要的作用，为城市的管理和规划提供了重要的参考依据。
4、目前，关于燃气负荷预测技术的方法种类较多，传统的燃气负荷预测方法包括统计学预测方法（如多元线性回归分析、时间序列法、最小二乘法等）和灰色模型、模糊理论、弹性系数等，随着全球信息化技术的跨越式发展，人工智能成为社会各行各业快速发展和提高工作效率的基础，支持向量机、神经网络等机器学习算法也被逐步应用于预测领域的实验研究，为负荷预测在未来的发展方向提供了新的途径。
5、对于神经网络的训练，数据质量是决定训练效果的第一要素，而实际数据采集过程中由于传感器失灵，人为干预或人员失误等，采集到的数据往往会存在异常值，缺失值，并伴随着大量的噪声，这会对模型训练产生不利影响。所以对原始数
6、同时在现有负荷预测研究中，在对时序流量数据进行变分模态分解或者小波分析时，均使用全数据集进行分解后再划分训练集和测试集，这种分解方式会使测试集数据参与到训练集数据的变分模态分解计算中，导致数据泄漏，会误导模型评估结果。
技术实现思路
1、本申请提供一种小时级天然气流量负荷预测方法、介质及电子设备，用于对小时级天然气流量数据采用一系列的特征工程方法来进行缺失值/异常值处理以及特征衍生，搭配其他特征后对模型进行训练，完成对小时级天然气流量的负荷预测。
2、第一方面，本申请实施例提供一种小时级天然气流量负荷预测方法，包括：对小时级天然气流量数据进行异常值和缺失值处理，形成标准化的小时级天然气流量数据；基于所述标准化的小时级天然气流量数据获取小时级别流量特征，前一时间段内小时流量特征，小时级移动平均流量特征，基于时间戳生成的特征，基于日基本天气信息生成的特征，以及对时序流量数据进行变分模态分解生成的流量特征中的多种流量特征构建特征数据集，并基于时间戳顺序和数据比例将所述特征数据集划分为训练集和验证集；构建神经网络训练模型，使用所述训练集和学习率对构建的所述神经网络训练模型进行训练，并使用所述验证集控制所述神经网络训练模型的训练迭代；使用所述验证集和所述特征数据集评估所述神经网络训练模型的效果。
3、在所述第一方面的一种实现方式中，所述对小时级天然气流量数据进行异常值处理包括：剔除所述小时级天然气流量数据中的0值，形成数据集a；设置流量中位数，分别获取所述数据集a中每个小时流量与所述流量中位数差值的绝对值，各所述绝对值形成数据集b；计算所述数据集b的中位数，并基于所述中位数得到等效标准差；确定所述数据集a中与所述等效标准差之间的差值大于预设值的数据为异常数据，剔除所述异常数据。
4、在所述第一方面的一种实现方式中，所述对小时级天然气流量数据进行缺失值处理包括：检测小时级天然气流量数据的时序不连续时间点及对应的不连续时间；选取与所述时序不连续时间点最临近的时序连续时间点，删除最临近的时序连续时间点与所述不连续时间对应的数据，使得所述时级天然气流量数据在小时上的连续性。
5、在所述第一方面的一种实现方式中，所述基于时间戳生成的特征包括以下多种组合：小时、小时正弦变换、小时余弦变换、星期几正弦变换、星期几余弦变换、月正弦变换、月余弦变换、季度正弦变换、季节余弦变换、日正弦变换、日余弦变换、是否为节假日、节假日正弦变换，节假日预先变换，时间戳正弦变换、时间戳余弦变换、是否供暖、当日最大温度、当日最小温度、当日平均温度。
6、在所述第一方面的一种实现方式中，所述对时序流量数据进行变分模态分解生成的流量特征包括：基于时间戳顺序和预设比例，将所述时序流量数据划分为第一时序流量数据和第二时序流量数据；对所述第一时序流量数据和所述第二时序流量数据进行多阶变分模态分解，形成多阶子波时序流量数据；对所述多阶子波时序流量数据进行白噪声处理，剔除噪声子波段，形成无噪声多阶子波时序流量数据；计算所述无噪声多阶子波时序流量数据与所述时序流量数据的相关性系数，并根据相关性系数的大小筛选有效子波时序流量数据作为特征。
7、在所述第一方面的一种实现方式中，所述对所述第一时序流量数据和所述第二时序流量数据进行多阶变分模态分解，形成多阶子波时序流量数据包括：分别对所述第一时序流量数据和所述第二时序流量数据进行多阶变分模态分解，形成第一多阶子波数据和第二多阶子波数据；将对应阶数的所述第一多阶子波数据和所述第二多阶子波数据分别进行合并，形成多阶子波时序流量数据。
8、在所述第一方面的一种实现方式中，所述使用所述训练集和学习率对构建的所述神经网络训练模型进行训练包括：使用所述训练集和初始的学习率对所述神经网络训练模型进行迭代训练，在迭代次数未达到迭代阈值时，判断损失函数是否下降，若是，进入下一轮迭代，若否，判断是否达到所述学习率不变的最大忍耐次数，若否，进入下一轮迭代，若是，将所述学习率乘以下调系数形成新的学习率，使用新的学习率进入下一轮迭代。
9、在所述第一方面的一种实现方式中，所述使用所述验证集控制所述神经网络训练模型的训练迭代包括：每次训练迭代后，使用所述验证集计算损失函数值；获取历史迭代中的最小损失函数值，并将所述损失函数值与所述最小损失函数值进行比较，若所述损失函数值小于所述最小损失函数值，则将所述最小损失函数值更新为所述损失函数值，若所述损失函数值大于等于所述最小损失函数值，则将所述验证集的损失函数值不下降的轮数加一，当所述不下降的轮数达到上限次数或者训练迭代次数达到迭代阈值时，则停止迭代。
10、第二方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请第一方面中任一项所述的小时级天然气流量负荷预测方法。
11、第三方面，本申请实施例提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本申请第一方面中任一项所述的小时级天然气流量负荷预测方法。
【技术保护点】
1.一种小时级天然气流量负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述对小时级天然气流量数据进行异常值处理包括：
3.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述对小时级天然气流量数据进行缺失值处理包括：
4.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述基于时间戳生成的特征包括以下多种组合：
5.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述对时序流量数据进行变分模态分解生成的流量特征包括：
6.根据权利要求5所述的小时级天然气流量负荷预测方法，其特征在于，所述对所述第一时序流量数据和所述第二时序流量数据进行多阶变分模态分解，形成多阶子波时序流量数据包括：
7.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述使用所述训练集和学习率对构建的所述神经网络训练模型进行训练包括：
8.根据权利要求1或7所述的小时级天然气流量负荷预测方法，其特征在于，所述使用所述验证集
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的小时级天然气流量负荷预测方法。
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种小时级天然气流量负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述对小时级天然气流量数据进行异常值处理包括：
3.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述对小时级天然气流量数据进行缺失值处理包括：
4.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述基于时间戳生成的特征包括以下多种组合：
5.根据权利要求1所述的小时级天然气流量负荷预测方法，其特征在于，所述对时序流量数据进行变分模态分解生成的流量特征包括：
6.根据权利要求5所述的小时级天然气流量负荷预测方法，...
【专利技术属性】
技术研发人员：高然，栾星，魏海东，赵博，许世恒，
申请(专利权)人：上海叁零肆零科技有限公司，
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。