[發明專利]一種基于LSTM循環神經網絡的天然氣負荷預測方法

在審

• 申請號: 201911036346.6
• 申請日: 2019-10-29
• 公開（公告）號: CN110852496A
• 公開（公告）日: 2020-02-28
• 發明（設計）人: 陳志光;秦朝葵;謝依桐
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 趙繼明

本發明涉及一種基于LSTM循環神經網絡的天然氣負荷預測方法，涉及短期負荷預測技術領域。本發明包括利用python進行數據采集、整合、預處理和特征子集選擇，對訓練集數據利用進行LSTM循環神經網絡訓練，根據驗證集的預測效果對模型中各別預測誤差較大的數據提出修正方式，最后利用LSTM循環神經網絡進行負荷預測。本發明的方法可以對天然氣市場提供有力參考。并且本發明針對特征子集的特征篩選使用了三種算法，因此預測結果更加精確。

技術領域

本發明涉及短期負荷預測技術領域，尤其是涉及一種基于LSTM循環神經網絡的天然氣負荷預測方法。

背景技術

燃氣負荷預測是提供城市燃氣規劃、設計的基礎依據，是確定工程系統配置規模大小、設備選型、計算項目經濟性和確定建設資金的依據；科學、準確地預測負荷，可實現科學、經濟、合理地規劃設計。生產運行中各時段的負荷預測，可提供氣源生產計劃，是實現管網檢修計劃、輸配調度的基礎。準確及時的負荷預測，可優化輸配調度，提高運行效率，節約能源，降低成本。燃氣負荷的準確預測是實現科學調度、精細調度不可缺少的工具，對城市輸配系統運行的經濟性和可靠性具有重要意義。準確的燃氣負荷預測對燃氣市場開發投資者的經營管理和利潤分配提供參考，為財務計劃進度的控制提供參考，準確預測市場價值，決定其投資效益的風險程度，可降低經營成本。

學者對負荷預測方面已有一段時間的研究，新方法也不斷涌現。目前常見預測方法主要包括傳統數學方法和機器學習方法。傳統數學方法結合概率論和統計學等學科對數據進行方程擬合，方程形式有著明確的意義。近年來新興的機器學習結合影響負荷的外在因素，通過對大量的數據進行數學處理，來進行高精度的預測。

負荷預測領域成果最為顯著的可以說是電力行業。但由于天然氣和電在物化狀態以及生產和使用規律上有著明顯的差異，將電力預測方法直接遷移至天然氣負荷的預測上是不合理的，因此十分有必要研究適合天然氣本身特點的負荷預測方法。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于LSTM循環神經網絡的天然氣負荷預測方法。

本發明的目的可以通過以下技術方案來實現：

一種基于LSTM循環神經網絡的天然氣負荷預測方法，該方法包括以下步驟：

步驟1：在互聯網上采集與燃氣負荷預測相關的信息，并與燃氣用量資料相整合，得到歷史數據；

步驟2：對所有歷史數據進行預處理；

步驟3：通過特征子集選擇針對經過預處理的歷史數據進行特征篩選，得到作為預測中使用的特征；

步驟4：構建LSTM循環神經網絡模型并利用預測中使用的特征的訓練集對其進行訓練；

步驟5：利用預測中使用的特征的驗證集修正優化LSTM循環神經網絡模型，得到最終訓練完畢的LSTM循環神經網絡模型；

步驟6：將待預測日的特征輸入值訓練完畢的LSTM循環神經網絡模型中得到待預測日的燃氣負荷預測值。

進一步地，所述的步驟1中的與燃氣負荷預測相關的信息包括天氣溫度、氣象條件、風速和節日情況。

進一步地，所述的步驟1中的燃氣用量資料包括用氣量和各類用戶數量。

進一步地，所述的步驟2中的預處理包括屬性構造、數據清洗、數據變換。

進一步地，所述的數據清洗具體包括：刪除原始數據集中的無關數據、重復數據和平滑噪聲數據，并篩選掉與挖掘無關的數據，處理缺失值和異常值。

進一步地，所述的數據變換具體包括：對原始數據集進行規范化處理，即將數據轉換成設定的格式。