[發(fā)明專利]一種基于GRA-PSO-LSSVM的城鎮(zhèn)燃氣日負荷預測方法

在審

• 申請?zhí)枺?/td>: 202310424285.0
• 申請日: 2023-04-08
• 公開（公告）號: CN116502750A
• 公開（公告）日: 2023-07-28
• 發(fā)明（設計）人: 肖榮鴿;劉國慶;劉博;劉亞龍;龐琳楠;李雨澤
• 申請（專利權）人: 西安石油大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F30/27;G06F17/12;G06F17/15;G06N3/006;G06F111/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

基于GRA?PSO?LSSVM的城鎮(zhèn)燃氣日負荷預測方法，對影響城鎮(zhèn)燃氣日負荷的因素進行歸納、量化分析；采用GRA(灰色關聯(lián)分析法)剔除關聯(lián)性較小的影響因素，確定PSO?LSSVM模型的輸入變量，降低了模型運算復雜度；在使用PSO算法尋優(yōu)時，先進行粒子群初始化，包括各粒子的隨機速度和位置、群體規(guī)模及最大迭代次數(shù)；將粒子群算法找到的最優(yōu)解轉化成LSSVM模型的最優(yōu)正則化系數(shù)γ和徑向基函數(shù)的參數(shù)σ；以某市實際數(shù)據(jù)為研究實例進行燃氣日負荷預測，驗證該方法的準確性與可行性。實例計算結果顯示，該方法預測精度較高和穩(wěn)定性較好，平均絕對百分比誤差低至0.8406％，完全可以滿足工業(yè)需求。

技術領域

本發(fā)明屬于城鎮(zhèn)燃氣日負荷預測技術領域，具體涉及一種基于GRA-PSO-LSSVM的城鎮(zhèn)燃氣日負荷預測方法。

背景技術

城鎮(zhèn)燃氣的平穩(wěn)供應一方面與燃氣的生產(chǎn)、儲運、銷售等各個環(huán)節(jié)緊密相關，同時還取決于對未來燃氣負荷的準確預測。燃氣負荷預測涉及到了燃氣公司的項目規(guī)劃、工程設計、運行調度、經(jīng)濟技術分析以及儲氣調峰等問題，其中燃氣短期負荷預測是燃氣合理調度的重要組成部分，短期負荷預測結果可以精確地對每日的燃氣供應量進行規(guī)劃，能有效地減少能源損耗。

城鎮(zhèn)燃氣的消費具有明顯的季節(jié)性規(guī)律，通常在秋冬季節(jié)燃氣的消費量達到高峰，在高峰季采暖需要和煤改氣的拉動下，城鎮(zhèn)燃氣需求進一步增加，在這種情況下不可避免的出現(xiàn)了供需方面的矛盾。在城鎮(zhèn)用氣人口與日俱增以及城鎮(zhèn)燃氣供需不平衡的背景下，如何合理調配氣源以調節(jié)季節(jié)峰谷差滿足高峰季用氣需求、按照需求合理調度提高管網(wǎng)運營效率、保障燃氣正常供應實現(xiàn)平穩(wěn)供氣成為熱點研究問題。

因此，對城鎮(zhèn)燃氣負荷的變化規(guī)律進行研究，提供一種預測精度高和科學可靠的燃氣日負荷預測方法對于燃氣供應系統(tǒng)的高效運行有著重要影響。

發(fā)明內(nèi)容

本發(fā)明目的在于提供一種基于GRA-PSO-LSSVM的城鎮(zhèn)燃氣日負荷預測方法，該方法運用灰色關聯(lián)分析法(GRA)、粒子群算法(PS0)優(yōu)化最小二乘支持向量機(LSSVM)模型，實現(xiàn)對城鎮(zhèn)燃氣日負荷進行在線預測分析。

本發(fā)明運用灰色關聯(lián)分析法篩選有效的城鎮(zhèn)燃氣日負荷影響因素，剔除一些關聯(lián)性過低的影響因素，將關聯(lián)性強的影響因素作為經(jīng)PSO算法優(yōu)化的LSSVM模型的輸入?yún)?shù)，降低了模型運算復雜度，使模型運算效率得到提升。

基于GRA-PSO-LSSVM的城鎮(zhèn)燃氣日負荷預測方法的具體步驟如下：

運用灰色關聯(lián)分析法(GRA)篩選城鎮(zhèn)燃氣日負荷的主要影響因素部分：

步驟1：城鎮(zhèn)燃氣日負荷的影響因素中存在非數(shù)值的影響因素，如當日天氣類型、供暖情況和日期類型，對非數(shù)值的影響因素進行量化；

步驟2：運用灰色關聯(lián)分析法計算出各影響因素與城鎮(zhèn)燃氣日負荷的關聯(lián)度大小；

步驟3：比較各影響因素的關聯(lián)度大小，剔除關聯(lián)度小于0.6的影響因素，保留關聯(lián)度大于等于0.6的影響因素；

步驟4：將保留的關聯(lián)度大于等于0.6的影響因素作為模型的輸入?yún)?shù)。

構建基于PSO-LSSVM的城鎮(zhèn)燃氣日負荷預測模型部分：

步驟1：對所有燃氣負荷歷史數(shù)據(jù)進行處理，包括GRA篩選、歸一化、劃分訓練集和測試集；

步驟2：初始化PSO優(yōu)化算法的參數(shù)，包括粒子種群大小、位置以及速度；

步驟3：確定正則化系數(shù)γ和徑向基函數(shù)的參數(shù)σ上下限；

步驟4：計算每個粒子的適應度值并進行比較，評估每個粒子并獲取全局最優(yōu)的速度和位置；

步驟5：根據(jù)粒子速度和位置更新公式計算變化粒子的速度和位置；