川渝地区城镇冬季燃气日负荷特性分析及预测方法研究

发布时间：2017-11-20 23:17

  本文关键词：川渝地区城镇冬季燃气日负荷特性分析及预测方法研究

  更多相关文章： 燃气日负荷 用气结构 小波 组合预测 支持向量机

【摘要】：准确预测城镇燃气管网各用气终端的日负荷,是上游供气企业制定合理的生产销售计划、中游燃气管网规划设计与下游各城市燃气公司优化调峰调度和实现供需平衡的前提条件。在我国现有储气设施较少、冬季供气紧张且用户需求不断增长的情况下,冬季城镇燃气日负荷预测具有重要的研究价值。然而,不同用气结构城镇的冬季燃气日负荷特性不同,且同一城镇冬季不同时段的燃气日负荷特性以及日负荷不同频段分量的特性也不同,造成冬季燃气日负荷预测模型对不同用气结构城镇的适应性和准确性不够稳定。因此,分析不同用气结构的城镇的冬季燃气日负荷特性,分别建立冬季日负荷分时段预测模型和分频组合预测模型,对于提高不同类型城镇的冬季燃气日负荷预测模型的精度与适应性具有重要研究价值。为此,本文开展了以下几方面的研究工作：(1)采用小波奇异性检测和小波阈值降噪法分别对冬季城镇燃气日负荷异常数据进行了识别与修正,通过与基于k最邻近算法的异常数据识别方法及基于特征曲线的加权修正法进行对比,结果表明：基于小波奇异性检测的燃气日负荷异常数据识别方法更准确；小波阈值降噪法的异常数据修正效果较好且方法可靠,同时能更好地保留日负荷的有用信息。(2)分别分析以民用气为主的D市和以工业用气为主的X市的冬季燃气日负荷整体的趋势性和局部的随机性、波动性与周期性,采用相关分析及偏相关分析研究了两类城市冬季燃气日负荷的变化规律及其影响因素的作用机理。结果表明：D市日负荷的随机性和波动性较强,局部波动幅度大,而是X市日负荷的随机性和局部波动性弱,相似性强；两类城市日负荷的主要影响因素是气温与日期类型；其中,气温具有累积效应,气温对D市的影响程度大于X市,日期类型对X市的影响程度大于D市；日最高气温与日平均温度对日负荷的影响作用大于日最低气温,气温在5～10℃、13～19℃和温降在1～3℃范围时,D市日负荷变化较显著；当气温在4～10℃和11～18℃时,X市日负荷变化较明显,且当气温下降1～2℃时,燃气日负荷平均增加幅度大于D市；用气结构影响燃气日负荷的波动规律和幅度。(3)采用k折交叉验证法优化了支持向量机(support vector machine, SVM)的模型参数,分别建立了适用于民用气为主的D市与工业用气为主的X市冬季降温时段和非降温时段燃气日负荷的SVM预测模型。通过对两类城市的SVM分时段预测模型进行精度与适应性对比分析,结果表明：基于SVM的分时段预测模型的日负荷精度优于不分时段,平均绝对百分比误差MAPE在2%到3.8%之间；冬季降温时段日负荷的预测误差大于非降温时段；工业用气为主的城市春节期间日负荷变化幅度大于其他时段,为提高其预测精度,预测天数建议设为2～4天。(4)采用小波变换将两类城镇的冬季燃气日负荷分解为体现日负荷随机性的高频分量与体现日负荷趋势性的低频分量,提出了日负荷分频组合预测模型的两种子模型组合方案。第一种方案为时间序列模型预测低频分量且SVM模型预测高频分量,第二种方案是SVM模型预测低频分量且时间序列模型预测高频分量。分别分析了D市与X市冬季燃气日负荷分频预测的模型组合方案的精度与适应性,结果表明：组合方案二的预测精度高于组合方案一和相应的单一预测模型；相比于分时段模型,分频组合模型整体预测精度更高；但对于工业用气为主的城镇,采用分频组合方法预测春节期间燃气日负荷的预测效果稍弱,建议该类城镇春节期间采用适合小样本的SVM模型进行预测,非春节时段采用分频组合预测模型；对于民用气为主的城镇,建议其冬季燃气日负荷预测采用分频组合预测法。
【学位授予单位】：西南石油大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU996.3

【参考文献】

中国期刊全文数据库 前10条

1 乔伟彪;陈保东;卢泓方;;基于混沌理论和Volterra自适应滤波器的天然气负荷预测[J];中国科学:技术科学;2015年01期

2 乔伟彪;陈保东;吴世娟;李朝阳;毛建设;马剑林;;基于小波变换和LSSVM-DE的天然气日负荷组合预测模型[J];天然气工业;2014年09期

3 张超;刘奕;张辉;黄弘;;基于支持向量机的城市燃气日负荷预测方法研究[J];清华大学学报(自然科学版);2014年03期

4 杨杰;翁文国;;基于改进无偏灰色模型的燃气供气量的预测[J];清华大学学报(自然科学版);2014年02期

5 HASSANI Hossein;ABDOLLAHZADEH Majid;IRANMANESH Hossein;MIRANIAN Arash;;A SELF-SIMILAR LOCAL NEURO-FUZZY MODEL FOR SHORT-TERM DEMAND FORECASTING[J];Journal of Systems Science & Complexity;2014年01期

6 刘辉舟;周开乐;胡小建;;基于模糊负荷聚类的不良负荷数据辨识与修正[J];中国电力;2013年10期

7 康琪;林军;;分解组合模型在短期燃气预测中的应用[J];微型机与应用;2013年16期

8 温锦斌;王昕;李立学;郑益慧;周荔丹;邵凤鹏;;基于频域分解的短期风电负荷预测[J];电工技术学报;2013年05期

9 何春蕾;段言志;邬宗婧;杨光道;;基于气温的城市燃气短期日负荷预测模型——以四川省成都地区为例[J];天然气工业;2013年04期

10 郭微;姜德义;;基于支持向量机的燃气短期负荷预测[J];煤气与热力;2013年03期

中国博士学位论文全文数据库 前1条

1 苗艳姝;城市燃气负荷预测的研究[D];哈尔滨工业大学;2006年

中国硕士学位论文全文数据库 前6条

1 何洋;城市燃气负荷智能预测系统的开发及应用[D];上海师范大学;2015年

2 赖兆林;基于SVM组合模型的燃气负荷预测研究[D];上海师范大学;2012年

3 刘晶;基于相似日和支持向量机的短期负荷预测研究[D];华南理工大学;2010年

4 张楠;关于支持向量机中的参数优化的研究[D];西北大学;2008年

5 吴明圣;径向基神经网络和支持向量机的参数优化方法研究及应用[D];中南大学;2007年

6 薛美娟;基于数据挖掘技术的电力系统短期负荷预测[D];西安理工大学;2007年

，

本文编号：1208859