[發(fā)明專(zhuān)利]一種城市天然氣時(shí)負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811346712.3
• 申請(qǐng)日: 2018-11-13
• 公開(kāi)（公告）號(hào): CN109214606A
• 公開(kāi)（公告）日: 2019-01-15
• 發(fā)明（設(shè)計(jì)）人: 喬偉彪;劉德緒;唐興華;王利畏;銀永明;仝淑月;尚德彬;龔金海
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中石化石油工程技術(shù)服務(wù)有限公司;中石化中原石油工程設(shè)計(jì)有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 濮陽(yáng)華凱知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 41136
• 代理人: 王傳明

本發(fā)明屬于天然氣負(fù)荷預(yù)測(cè)方法技術(shù)領(lǐng)域，具體涉及一種城市天然氣時(shí)負(fù)荷預(yù)測(cè)方法。以城市天然氣門(mén)站實(shí)際采集的數(shù)據(jù)為基礎(chǔ)，應(yīng)用小波理論將實(shí)際采集的城市天然氣時(shí)負(fù)荷時(shí)間序列進(jìn)行分解，特別涉及Coiflets小波，分解的層數(shù)為3層，分解的階數(shù)為3階，將分解出來(lái)的高頻分量采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，分解出來(lái)的低頻分量采用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，最后逐層進(jìn)行重構(gòu)，得到最終的預(yù)測(cè)結(jié)果，并將該結(jié)果與單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，驗(yàn)證本發(fā)明提出的基于Coiflets小波和BP?Elman的城市天然氣時(shí)負(fù)荷預(yù)測(cè)技術(shù)的有效性和先進(jìn)性。本發(fā)明是一種高精度且有效的城市天然氣時(shí)負(fù)荷預(yù)測(cè)方法。

技術(shù)領(lǐng)域

本發(fā)明屬于天然氣負(fù)荷預(yù)測(cè)方法技術(shù)領(lǐng)域，具體涉及一種城市天然氣時(shí)負(fù)荷預(yù)測(cè)方法。

背景技術(shù)

隨著中國(guó)工業(yè)化和城市化進(jìn)程的加速推進(jìn)，各行各業(yè)對(duì)天然氣的需求與日俱增，由于天然氣產(chǎn)能?chē)?yán)重不足和消費(fèi)量快速增長(zhǎng)，已對(duì)部分城市造成“氣荒”，具體表現(xiàn)為：高峰時(shí)段，需求量過(guò)大，管網(wǎng)內(nèi)氣壓相對(duì)較低，導(dǎo)致許多用戶(hù)不能正常用氣；低谷時(shí)段，需求量較少，燃?xì)夤芫W(wǎng)內(nèi)部氣壓過(guò)高，威脅設(shè)備安全，使得管網(wǎng)運(yùn)行效率低下。因此，短期天然氣負(fù)荷預(yù)測(cè)的研究，對(duì)于保證天然氣管網(wǎng)用氣量、優(yōu)化管網(wǎng)的調(diào)度和設(shè)備維修具有極其重要的意義。

然而，天然氣負(fù)荷除具有以周、日的周期變化特點(diǎn)外，還受到天氣、季節(jié)、節(jié)假日等諸多因素影響，導(dǎo)致天然氣負(fù)荷波動(dòng)十分頻繁，呈高度非線性、時(shí)變性、分散性和隨機(jī)性等特點(diǎn)，準(zhǔn)確預(yù)測(cè)難度大。傳統(tǒng)的天然氣負(fù)荷預(yù)測(cè)方法包括線性回歸分析法、時(shí)間序列法和灰色系統(tǒng)理論，但這些方法大多是基于線性數(shù)據(jù)預(yù)測(cè)的模型，因此不適合復(fù)雜的天然氣負(fù)荷預(yù)測(cè)。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題提供一種基于Coiflets小波和BP-Elman的城市天然氣時(shí)負(fù)荷預(yù)測(cè)方法，提高了城市天然氣時(shí)負(fù)荷的預(yù)測(cè)精度。

本發(fā)明的技術(shù)方案是：

一種城市天然氣時(shí)負(fù)荷預(yù)測(cè)方法，該預(yù)測(cè)方法基于Coiflets小波和BP-Elman，包括如下步驟：

(1)采集某市某天然氣站的時(shí)負(fù)荷時(shí)間序列數(shù)據(jù)，采用Coiflets小波對(duì)實(shí)際采集的城市天然氣時(shí)負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行分解，構(gòu)建基于Coiflets小波和BP-Elman的城市天然氣時(shí)負(fù)荷預(yù)測(cè)模型；

(2)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)經(jīng)Coiflets小波分解出來(lái)的高頻分量進(jìn)行預(yù)測(cè)，運(yùn)用Elman神經(jīng)網(wǎng)絡(luò)對(duì)分解出來(lái)的低頻分量進(jìn)行預(yù)測(cè)；

(3)對(duì)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果和Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)，并將重構(gòu)結(jié)果與單獨(dú)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，以確定構(gòu)建的預(yù)測(cè)模型的預(yù)測(cè)精度和有效性。

具體的，所述的步驟(1)采用Coiflets小波對(duì)實(shí)際采集的城市天然氣時(shí)負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行分解的具體過(guò)程為：

采用Coiflets小波基函數(shù)對(duì)采集的城市天然氣時(shí)負(fù)荷時(shí)間序列進(jìn)行分解，分解階數(shù)為3階，分解層數(shù)為4層，分解出來(lái)4個(gè)高頻分量包括第三層高頻分量；4個(gè)低頻分量包括第一層低頻分量、第二層低頻分量和第三層低頻分量。

Coiflets小波基函數(shù)分解，Mallat算法是一種按正交小波展開(kāi)時(shí)間序列的分解算法和重構(gòu)算法，該算法與快速Fourier變換類(lèi)似，具有運(yùn)算快捷，設(shè)計(jì)簡(jiǎn)單等特點(diǎn)，是一種純數(shù)字的遞推快速算法，因此受到越來(lái)越多的應(yīng)用，本發(fā)明采用Mallat小波快速分解算法，將信號(hào)分解為不同頻帶分量，從而可以更深入分析信號(hào)的特點(diǎn)，若將d₀理解為待分解的離散信號(hào)，根據(jù)Mallat分解算法可得分解過(guò)程如圖2所示。圖2分解過(guò)程所依據(jù)的公式如下：

d_j＝ld_j+1,j＝1,2,…,N

a_j＝ha_j+1,j＝1,2,…,N