[發明專利]基于智能網格分類和模糊神經網絡的天然氣負荷預測方法

在審

• 申請號: 201410334523.X
• 申請日: 2014-07-14
• 公開（公告）號: CN104123591A
• 公開（公告）日: 2014-10-29
• 發明（設計）人: 徐曉鐘;李龍康;孔德鳳;張相芬;馬燕
• 申請（專利權）人: 上海師范大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 上海申新律師事務所 31272
• 代理人: 周云

1.一種基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，包含智能網格和模糊神經網絡，其特征在于，包括步驟：第一：確定輸入變量；第二：預處理；第三：建立智能網格；第四：參數輸入智能網格并輸出歷史數據；第五：小波去噪；第六：模糊神經網絡的訓練以及預測。

2.如權利要求1所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第一：確定預測系統的輸入變量，通過Matlab對各個變量與燃氣負荷量進行相關性分析，最后確定選擇與燃氣負荷量相關系數大于0.8的變量作為預測系統的輸入變量。

3.如權利要求1所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第二：歷史數據預處理，主要包括去除一些因為記錄失誤而產生的一些壞數據、以及一些反常數據如由于一些不可抗力因素或者局部地區活動造成的反常數據，采用最近一周相同日期類型的平均值代替。

4.如權利要求1所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第三：建立智能網格，以歷史數據的日期和平均溫度構成智能網格的橫縱坐標。

5.如權利要求1所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第四：參數輸入智能網格并輸出歷史數據，將待預測日所屬的月份和平均溫度輸入智能網格，智能網格自動提取出相似的歷史數據并且將數據量控制在30到100天。

6.如權利要求1所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第五：小波去噪，對選出來的歷史數據進行小波去噪處理。

7.如權利要求1所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第六：模糊神經網絡進行訓練和預測，還包括：

第六.1根據訓練樣本維數確定模糊神經網絡輸入/輸出節點數、模糊隸屬度函數個數構建模糊神經網絡；

第六.2模糊神經網絡進行訓練，在訓練過程中不斷利用前一次訓練的誤差對系統的參數進行修正，直到達到最大迭代次數；

第六.3利用訓練后的模糊神經網絡對待預測日的燃氣負荷進行預測。

8.如權利要求1或5所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第四：參數輸入智能網格并輸出歷史數據，還包括：

第四.1輸入待預測日所屬月份M和平均溫度T；

第四.2智能網格根據月份M得到數據集D；

第四.3智能網格將數據集分為D1，D2，D3；

第四.4若T在D1范圍內，計算D1數據量Size(D1)，若Size(D1)在30天到100天之間則輸出D1，若小于30天則將D1中平均溫度最小值減0.1°，最大值加0.1°，若大于100天則將D1中平均溫度最小值加0.1°，最大值減0.1°，若T不在D1范圍內則執行下一步；

第四.5若T在D2范圍內，計算D2數據量Size(D2)，若Size(D2)在30天到100天之間則輸出D2，若小于30天則將D2中平均溫度最小值減0.1°，最大值加0.1°，若大于100天則將D2中平均溫度最小值加0.1°，最大值減0.1°，若T不在D2范圍內則執行下一步；

第四.6計算D3數據量Size(D3)，若Size(D3)在30天到100天之間則輸出D3，若小于30天則將D3中平均溫度最小值減0.1°，最大值加0.1°，若大于100天則將D3中平均溫度最小值加0.1°，最大值減0.1°。

9.如權利要求1或7所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟最大迭代次數為100。

10.如權利要求1或5或8所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第四：參數輸入智能網格并輸出歷史數據，第四.2智能網格根據月份M得到數據集D，將歷史數據中所有與月份M屬于同一個季度的數據提取出來組成數據集D。

11.如權利要求1或5或8所述的基于智能網格分類和模糊神經網絡的天然氣負荷預測方法，其特征在于，所述步驟第四：參數輸入智能網格并輸出歷史數據，第四.3智能網格將數據集分為D1，D2，D3,首先將數據集D中的平均溫度按照區間公式：

[2*(T_max-T_min)/3+T_min,T_max]

[(T_max-T_min)/3+T_min,2*(T_max-T_min)/3+T_min]

[T_min,(T_max-T_min)/3+T_min]

分成三份，與此同時數據集D就分成了相對高溫數據集D1，相對中溫數據集D2，相對低溫數據集D3。