[發(fā)明專利]基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型

在審

• 申請(qǐng)?zhí)枺?/td>: 201811347841.4
• 申請(qǐng)日: 2018-11-13
• 公開（公告）號(hào): CN109214607A
• 公開（公告）日: 2019-01-15
• 發(fā)明（設(shè)計(jì)）人: 喬偉彪;劉德緒;唐興華;銀永明;仝淑月;龔金海;尚德彬;王利畏;陳李斌;邵子璇
• 申請(qǐng)（專利權(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
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/02;G06N3/04
• 代理公司: 濮陽華凱知識(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)測的方法，具體涉及基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型。以城市天然氣門站實(shí)際采集的數(shù)據(jù)為基礎(chǔ)，應(yīng)用小波理論將實(shí)際采集的短期天然氣負(fù)荷時(shí)間序列進(jìn)行分解，特別涉及Deaubechies小波，分解的層數(shù)為5層，分解的階數(shù)為5階，將分解出來的高頻分量采用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，分解出來的低頻分量采用Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，最后逐層進(jìn)行重構(gòu)，得到最終的預(yù)測結(jié)果，并將該結(jié)果與單獨(dú)使用GRNN神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的預(yù)測結(jié)果進(jìn)行對(duì)比，驗(yàn)證本發(fā)明提出的基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型的有效性和先進(jìn)性。對(duì)比分析結(jié)果表明，本發(fā)明是一種高精度且有效的短期天然氣負(fù)荷預(yù)測模型。

技術(shù)領(lǐng)域

本發(fā)明屬于天然氣負(fù)荷預(yù)測的方法，具體涉及基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型。

背景技術(shù)

隨著中國工業(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)能嚴(yán)重不足和消費(fèi)量快速增長，已對(duì)部分城市造成“氣荒”，具體表現(xiàn)為：高峰時(shí)段，需求量過大，管網(wǎng)內(nèi)氣壓相對(duì)較低，導(dǎo)致許多用戶不能正常用氣；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)測難度大。傳統(tǒng)的天然氣負(fù)荷預(yù)測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)測的模型，因此不適合復(fù)雜的天然氣負(fù)荷預(yù)測。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)中存在的問題提供一種基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型，該發(fā)明將Daubechies小波理論和GRNN神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，與單獨(dú)應(yīng)用GRNN神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測相比，該預(yù)測模型能夠提高短期天然氣負(fù)荷時(shí)間序列預(yù)測的預(yù)測精度。

本發(fā)明的技術(shù)方案是：

基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型，包括如下方法步驟：

(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Daubechies小波函數(shù)對(duì)實(shí)際采集的短期天然氣時(shí)負(fù)荷時(shí)間序列進(jìn)行分解，分解出高頻分量和低頻分量，構(gòu)建基于小波理論和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測模型；

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

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

具體的，所述的步驟(1)的具體過程為：采用Daubechies小波函數(shù)對(duì)短期天然氣時(shí)負(fù)荷時(shí)間序列進(jìn)行分解，分解階數(shù)為5階，分解層數(shù)為5層，分解出來5個(gè)高頻分量，分別為第一層高頻分量、第二層高頻分量、第三層高頻分量、第四層高頻分量和第五層高頻分量；分解出來5個(gè)低頻分量，分別為第一層低頻分量、第二層低頻分量、第三層低頻分量、第四層低頻分量和第五層低頻分量。

Mallat算法是一種按正交小波展開時(shí)間序列的分解算法和重構(gòu)算法，該算法與快速Fourier變換類似，具有運(yùn)算快捷，設(shè)計(jì)簡單等特點(diǎn)，是一種純數(shù)字的遞推快速算法，因此受到越來越多的應(yīng)用，本文采用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程如圖2所示。圖2分解過程所依據(jù)的公式如下：

d_j＝ld_j+1,j＝1,2,…,N