[發明專利]基于不同小波分解階數和層數的天然氣需求預測方法

在審

• 申請號: 201811347866.4
• 申請日: 2018-11-13
• 公開（公告）號: CN109558972A
• 公開（公告）日: 2019-04-02
• 發明（設計）人: 喬偉彪;唐興華;劉德緒;銀永明;仝淑月;尚德彬;龔金海;王利畏;倪建英;鄭政彬
• 申請（專利權）人: 中石化石油工程技術服務有限公司;中石化中原石油工程設計有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/14
• 代理公司: 濮陽華凱知識產權代理事務所(普通合伙) 41136
• 代理人: 王傳明

本發明屬于天然氣負荷預測的方法技術領域，具體涉及基于不同小波分解階數和層數的天然氣需求預測方法。本發明提供的方法是分別采用Daubechies、Symflets、Coiflets小波基函數對天然氣需求時間序列進行分解，分解出若干個高頻分量和低頻分量，通過基本神經網絡的強擬合優勢，采用RBF神經網絡對分解出來的高頻分量進行預測，應用Elman神經網絡對分解出來的低頻分量進行預測，同時，對不同小波基函數和分解階數對天然氣需求預測精度進行分析，最后確定最佳的不同小波分解階數和層數。本發明對天然氣需求有較高的預測精度，是一種高效的天然氣需求預測方法。

技術領域

本發明屬于天然氣負荷預測的方法技術領域，具體涉及基于不同小波分解階數和層數的天然氣需求預測方法。

背景技術

在天然氣供應系統，天然氣負荷數據對于項目規劃、工程設計、管道運行和優化調度至關重要，需要準確的需求預測以保證管網系統平衡，進而在最低成本下保證安全穩當的天然氣供應。我國對天然氣需求的預測多依賴于運行維護人員的經驗，通過相似日的負荷水平來預測需求值，這種預測方式無法考慮到氣候變化、突發情況等因素。因此，需要選擇一種預測方式，減少對經驗的依賴性，增加預測精度目標。

需求預測的關鍵是預測方法。當前，天然氣需求方法有經典統計方法，包括時間序列法、趨勢外推法、回歸模型預測技術等；另一種為人工智能法，諸如BP神經網絡、遺傳算法、支持向量機等；還有一種為組合預測技術，例如遺傳算法與支持向量機(SVM)的組合技術、遺傳算法與神經網絡的集成技術等等。在這些方法中，經典統計方法大多基于線性數據預測，預測精度不高，不適用于非線性、復雜的天然氣負荷預測；支持向量機能實現較為精確的預測，但仍存在可選核函數少、參數較多、計算量大、訓練效率低等不足；組合技術與單一模型相比，具有更好的預測結果，如何集成與優化各種智能算法以提高預測精度是天然氣需求預測的主要方向。

發明內容

本發明的目的在于針對現有技術中存在的問題提供基于不同小波分解階數和層數的天然氣需求預測方法，該方法能夠提高天然氣需求時間序列預測的預測精度。

本發明的技術方案是：

基于不同小波分解階數和層數的天然氣需求預測方法，包括如下方法步驟：

(1)采集某市某天然氣站的時負荷時間序列數據，在Daubechies、Symflets、Coiflets小波基函數分解層數不變的情況下，采用Daubechies、Symflets、Coiflets小波基函數不同階數對采集的天然氣時負荷時間序列數據進行分解，，構建基于不同小波分解階數和層數的天然氣需求預測模型；

(2)在Daubechies、Symflets、Coiflets小波基函數分解階數不變的情況下，采用Daubechies、Symflets、Coiflets小波基函數不同層數對采集的天然氣時負荷時間序列數據進行分解；

(3)對Daubechies、Symflets、Coiflets小波基函數分解出來的最高層高頻分量，采用RBF神經網絡模型進行預測，對Daubechies、Symflets、Coiflets小波基函數分解出來的若干個低頻分量，應用Elman神經網絡模型進行預測，最后進行重構，對比Daubechies、Symflets、Coiflets小波基函數不同階數對天然氣需求的預測精度，同時對比Daubechies、Symflets、Coiflets小波基函數不同層數對天然氣需求的預測精度。

具體的，所述的步驟(1)中采用Daubechies、Symflets、Coiflets小波基函數不同階數對采集的天然氣時負荷時間序列數據進行分解具體過程為：

①在Daubechies小波基函數分解層數為5層時，采用Daubechies小波基函數的階數為1階、2階、4階時分別對天然氣時負荷時間序列數據進行分解；